4 Schritte zum Aufbau von verschachtelten Chats mit Autogen mit mehreren Agenten

Verschachtelter Chat in Autogen: Aufbau von reaktionsschnelleren und dynamischen AI -Proxy -Interaktionen aufbauen

Fortschritte in der künstlichen Intelligenz (KI) haben es Chatbots ermöglicht, sich schnell zu entwickeln. Mit dem Aufkommen von AI -Agenten können Chatbots heute komplexere und vielschichtige Interaktionen über die Grenzen traditioneller Gespräche hinausgehen. In unserem vorherigen Artikel, der einen Mehr-Agent-Chatbot mit Autogen erstellt, untersuchen wir das Konzept des sequentiellen Chats mithilfe von Autogen, das eine strukturierte, rotierende Kommunikation zwischen mehreren Mitteln ermöglicht. Auf dieser Grundlage werden wir nun zu einer komplexeren Funktion wechseln: verschachtelter Chat. Mit dem leistungsstarken Rahmen von Autogen ermöglicht der verschachtelte Dialog Roboter, eine reibungslose Kommunikation aufrechtzuerhalten, anstatt einer festen Bestellung zu folgen. Sie können sich mit anderen Tools in einem einzigen Konversationsfluss befassen, Interrupts behandeln und reibungslos erholen. In diesem Artikel werden Sie dazu veranlasst, verschachtelte Chats in Autogen zu implementieren und seine Relevanz bei der Erstellung reaktionsschneller, dynamischer Proxy -Interaktionen hervorzuheben.

Inhaltsverzeichnis

• Was ist verschachtelter Chat?
• Implementieren Sie einen verschachtelten Chat in Autogen
  • Voraussetzungen
  • Schritt 1: Verwenden Sie das Tool, um den Umrissproxy zu definieren
  • Schritt 2: Definieren Sie den Autor und den Rezensent -Agenten
  • Schritt 3: Registrieren Sie sich für verschachtelte Chat
  • Schritt 4: Starten Sie einen verschachtelten Chat
• FAQ

Was ist verschachtelter Chat?

Lassen Sie uns zunächst verstehen, was verschachtelte Chat ist.

Betrachten Sie einen Drei-Parteien-Proxy-Chat, bei dem zwei Proxy-Gespräche erforderlich sind, um wiederholt kreisförmige Gespräche durchzuführen. Chats zwischen diesen beiden Agenten können zu verschachtelten Chats hinzugefügt werden. Nach Abschluss dieses separaten Gesprächs kann der Agent den Kontext wieder zum Hauptgespräch bringen.

Die folgende Abbildung zeigt den Konvertierungsprozess verschachtelter Chats.

Wenn eine eingehende Nachricht eine Bedingung auslöst, tritt die Nachricht in einen verschachtelten Chat ein. Der verschachtelte Chat kann ein Dual -Proxy -Chat, einen sequentiellen Chat oder einen anderen Chat sein. Die Chat -Ergebnisse des verschachtelten Chats werden dann zum Hauptgespräch zurückgeschickt.

Implementieren Sie einen verschachtelten Chat in Autogen

In diesem Artikel werden wir einen verschachtelten Chat verwenden, um ein Artikel -Schreibsystem zu erstellen. Dazu werden wir drei Agenten erstellen - einen zum Schreiben eines Artikels, einen für das Schreiben eines Artikels aus dieser Umriss und einen für die Überprüfung des Artikels. Wir möchten, dass der Schriftsteller und die Rezensenten mehrmals miteinander sprechen, also setzen wir diese beiden Agenten in einen verschachtelten Chat ein.

Darüber hinaus bieten wir dem Profilproxy die Erlaubnis, auf das Netzwerk -Abfrage -Tool zuzugreifen.

Lassen Sie uns dies nun mit Code machen.

Voraussetzungen

Stellen Sie vor dem Erstellen des Autogen -Proxys sicher, dass Sie über die erforderlichen API -Schlüssel für die erforderliche LLM verfügen. In dieser Übung werden wir auch die Suche nach dem Netzwerk verwenden.

Laden Sie die .EnV -Datei mit der erforderlichen API -Taste. Hier verwenden wir Openai und Tavily API Key ().

 <code>from dotenv import load_dotenv load_dotenv('/home/santhosh/Projects/courses/Pinnacle/.env')</code>

Definieren Sie die LLM, die als config_list verwendet werden soll

 <code>config_list = { "config_list": [{"model": "gpt-4o-mini", "temperature": 0.2}] }</code>

Erforderlicher Keystore

Autogen-Agentchat-0.2.37

Tavily-Python-0,5,0

Beginnen wir nun mit der Implementierung.

Schritt 1: Verwenden Sie das Tool, um den Umrissproxy zu definieren

Definieren Sie User_proxy Proxy, das auch das Tool ausführt. Verwenden Sie dann LLM, um den Umriss zu definieren, um den Artikel -Umriss zu generieren.

 <code>from autogen import ConversableAgent user_proxy = ConversableAgent( name="User", llm_config=False, is_termination_msg=lambda msg: msg.get("content") is not None and "TERMINATE" in msg["content"], human_input_mode="TERMINATE") outline = ConversableAgent( name="Article_outline", system_message="""您是一位经验丰富的內容策略師，負責為指定主題的文章創建詳細的提綱。您的目標是將文章組織成邏輯部分，以便清晰有效地傳達主要思想。如有需要，請使用web_search工具。任務完成後返回“TERMINATE”。""", llm_config=config_list, silent=False, )</code>

Definieren Sie die Funktion web_search, um das Netzwerk abzufragen.

 <code>def web_search(query: str) -> str: tavily_client = TavilyClient() response = tavily_client.search(query, max_results=3, days=10, include_raw_content=True) return response['results']</code>

Verwenden Sie den Executor user_proxy, um die Funktion web_search in den Umrissproxy zu registrieren.

Wir setzen den Executor auf user_proxy, damit wir die Gliederung an den Agenten des Schriftstellers überprüfen können.

 <code>register_function( web_search, caller=outline, # 助手代理可以建议调用。 executor=user_proxy, # 用户代理可以执行调用。 name="web_search", # 默认情况下，函数名称用作工具名称。 description="搜索互联网以获取给定查询的结果", # 工具的描述。 )</code>

Schritt 2: Definieren Sie den Autor und den Rezensent -Agenten

Definieren Sie einen Agenten, um Artikelinhalte und einen anderen zu generieren, um Artikel zu überprüfen und Verbesserungsvorschläge zu liefern.

 <code>writer = ConversableAgent( name="Article_Writer", system_message="""您是一位熟练的作家，负责根据给定的提纲创作一篇全面、引人入胜的文章。您的目标是遵循提纲中提供的结构，用经过充分研究、清晰且内容翔实的內容扩展每个部分。保持文章长度约为500字。如有需要，請使用web_search工具。任務完成後返回“TERMINATE”。""", llm_config=config_list, silent=False, ) reviewer = ConversableAgent( name="Article_Reviewer", system_message="""您是一位熟练的技术文章审阅者。审阅给定的文章，并提供建议以使文章更具吸引力和趣味性。""", llm_config=config_list, silent=False, )</code>

Schritt 3: Registrieren Sie sich für verschachtelte Chat

Jetzt können wir verschachtelte Chats für beide Agenten registrieren.

 <code>writer.register_nested_chats( trigger=user_proxy, chat_queue=[ { "sender": reviewer, "recipient": writer, "summary_method": "last_msg", "max_turns": 2, } ], )</code>

Im obigen Code wird ein verschachtelten Chat ausgelöst, wenn User_Proxy eine Nachricht an den Writer -Proxy sendet. Der Autor -Agent schreibt dann den Artikel und der Rezensent -Agent überprüft den Artikel mehrmals basierend auf max_turns (zweimal in diesem Fall). Schließlich werden die Ergebnisse des verschachtelten Chats an den Benutzeragenten zurückgeschickt.

Schritt 4: Starten Sie einen verschachtelten Chat

Jetzt, wo alles eingerichtet ist, beginnen wir den Chat

 <code>chat_results = user_proxy.initiate_chats( [{"recipient": outline, "message": "撰写一篇关于微软发布的Magentic-One代理系统的文章。", "summary_method": "last_msg", }, {"recipient": writer, "message": "这是文章提纲", "summary_method": "last_msg", }])</code>

Hier schreiben wir einen Artikel über das magentische Agentensystem. Zunächst wird der Proxy von User_Proxy mit dem Umrissproxy chatten und dann mit dem Autor -Proxy chatten.

Jetzt sieht die Ausgabe des obigen Codes so aus:

Wie wir sehen können, sendet User_Proxy zunächst eine Nachricht an den Umriss -Proxy, der das Thema des Artikels erläutert. Dadurch wird der Tool -Aufruf ausgelöst, und User_Proxy führt das Tool aus. Basierend auf diesen Ergebnissen generiert der Umrissagent einen Umriss und sendet sie an den Autor Agent. Danach wird der verschachtelte Chat zwischen dem Schriftsteller Agent und dem Rezensentenagenten wie oben erläutert fortgesetzt.

Lassen Sie uns nun das Endergebnis drucken, d. H. Der Artikel über Magic-One.

 <code>print(chat_results[1].chat_history[-2]['content'])</code>

abschließend

Der verschachtelte Chat im Autogen verbessert die Funktionalität von Chatbots, indem komplexe Multitasking -Interaktionen in einem einzigen Konversationsprozess aktiviert werden. Mit dem verschachtelten Chat können Bots separate dedizierte Chats beginnen und ihre Ausgabe nahtlos integrieren. Diese Funktion unterstützt dynamische, gezielte Reaktionen auf eine Vielzahl von Anwendungen, vom E-Commerce bis zum Gesundheitswesen. Mit dem verschachtelten Chat ebnet Autogen den Weg für reaktionsfähigere, kontextbewusste KI-Systeme. Auf diese Weise können Entwickler komplexe Chatbots erstellen, die eine Vielzahl von Nutzeranforderungen effektiv erfüllen können.

Wenn Sie mehr über AI -Agenten erfahren möchten, lesen Sie unser exklusives Agent AI Pioneer -Programm!

FAQ

Q1. A. In einem verschachtelten Chat in Autogen können Chatbots mehrere Unterkonvertierungen in einem Chat-Prozess verwalten und häufig andere Agenten oder Tools einbeziehen, um bestimmte Informationen abzurufen. Im Gegensatz zu sequentiellen Chats, die strukturierten, rotierenden Ansätzen folgen, ermöglichen verschachtelte Chats Bots, Interrupts und parallele Aufgaben zu behandeln und ihre Ausgabe wieder in die Hauptgespräch zu integrieren.

F2. A. Der verschachtelte Chat verbessert den Kundenunterstützung, indem es Bots ermöglicht, Aufgaben an professionelle Agenten zu delegieren. In E-Commerce kann beispielsweise ein Chatbot einen separaten Agenten konsultieren, um den Bestellstatus oder die Produktinformationen zu überprüfen und die Informationen dann nahtlos an den Benutzer weiterzuleiten, um eine schnellere und genauere Antwort zu gewährleisten.

F3. A. verschachtelter Chat kann auf verschiedene Branchen angewendet werden. In der Bankenbranche unterstützt es professionelle Unterstützung für Konto- und Darlehensanfragen. Diese Flexibilität macht einen verschachtelten Chat für jeden Bereich geeignet, in dem Multitasking und detaillierte Informationsverarbeitung erforderlich sind.

F4. Benötige ich spezielle Einstellungen, um verschachtelte Chat in Autogen zu implementieren? A. Ja, die Implementierung des verschachtelten Chats in Autogen erfordert die Konfiguration eines Proxy mit bestimmten API -Tasten wie Sprachmodellen oder Websuch -Tools wie Tavily. Darüber hinaus muss jeder Agent die entsprechenden Aufgaben und Tools für die reibungslose Durchführung verschachtelter Gespräche definieren.

F5. Kann ich die Kosten für jedes verschachtelte Chat -Agent in Autogen verfolgen? A. Ja, Autogen ermöglicht die Nachverfolgung der Kosten, die jeden Agenten im verschachtelten Chat entstehen. Durch den Zugriff auf cost in den Chat -Ergebnissen können Entwickler die Ausgaben im Zusammenhang mit Proxy -Interaktionen überwachen und dazu beitragen, die Ressourcennutzung und Effizienz von Chatbots zu optimieren.

Das obige ist der detaillierte Inhalt von4 Schritte zum Aufbau von verschachtelten Chats mit Autogen mit mehreren Agenten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!