苏州做网站套路骗,合肥政务新区建设局网站,wordpress 微信主题下载,郑州58同城招聘网最新招聘目录 前言一、智能体1-1、Agent概述1-2、Agent与ChatGPT的区别 二、多智能体框架MetaGPT2-1、安装配置2-2、使用已有的Agent#xff08;ProductManager#xff09;2-3、多智能体系统介绍2-4、多智能体案例分析2-4-1、构建智能体团队2-4-2、动作/行为 定义2-4-3、角色/智… 目录 前言一、智能体1-1、Agent概述1-2、Agent与ChatGPT的区别 二、多智能体框架MetaGPT2-1、安装配置2-2、使用已有的AgentProductManager2-3、多智能体系统介绍2-4、多智能体案例分析2-4-1、构建智能体团队2-4-2、动作/行为 定义2-4-3、角色/智能体 定义2-4-4、创建队伍添加角色2-4-5、内部机制介绍2-4-6、人工介入2-4-7、记忆/内存 附录1、react_mode智能体的思维范式介绍1-1、ReAct1-2、By order1-3、Plan and act 总结 前言 用公式来讲智能体大语言模型LLM观察思考行动记忆 一、智能体
1-1、Agent概述 Agent智能体 具有一定自主性和目标导向性可以在没有持续人类干预的情况下执行任务和作出决策。以下为Agent的一些特性 1自主性和目标导向性
自主性Agent具备自主执行任务的能力不需要外部指令即可根据设定的目标进行操作。目标导向性Agent设置并追求特定的目标或任务这些目标指导其决策过程和行为模式。
2复杂的工作流程
任务规划与执行Agent能够规划如何达到其目标包括任务分解、优先级排序以及实际执行。自我对话和内部决策在处理问题时Agent可以进行内部对话以自我推理和修正其行动路径而无需外部输入。
3学习和适应能力
反思和完善Agent能从自身的经验中学习评估过去的行为从错误中吸取教训并改进未来的策略。环境适应性在遇到变化的环境或不同的挑战时Agent能够适应并调整其行为以最大化目标达成。
4记忆机制
短期记忆使用上下文信息来做出即时决策。长期记忆保留关键信息供未来决策使用通常通过外部数据库或持久存储实现。例如使用向量数据库
5工具使用与集成
API调用和外部数据访问Agent可以利用外部资源如API、数据库来获取信息填补其知识空白或执行无法直接通过模型内部处理的任务。技术整合Agent能整合多种技术和服务如代码执行能力和专业数据库访问以丰富其功能和提高效率。
LLM 驱动的自主Agents系统概述如下图所示包含工具调用、记忆、计划、执行模块
1-2、Agent与ChatGPT的区别 Agent与ChatGPT的区别: Agent与ChatGPT在设计、功能和目标上有一些关键区别。虽然它们都是基于人工智能技术但应用方式和交互性质大不相同。下面是这两者的主要区别 1目标和自主性
ChatGPT主要是一个响应型模型专注于对用户的特定输入生成一次性、相关且连贯的回答。它的主要目的是解答问题、提供信息或进行对话模拟。AI Agent更强调在持续的任务中表现出自主性。它能够设定和追求长期目标通过复杂的工作流程自主地完成任务比如从错误中自我修正、连续地追踪任务进展等。
2 交互方式
ChatGPT用户与ChatGPT的交互通常是线性的和短暂的即用户提问ChatGPT回答。它不保留交互的历史记忆每次交互都是独立的。AI Agent可以维持跨会话的状态和记忆具有维持长期对话的能力能够自动执行任务并处理一系列相关活动例如调用API、追踪和更新状态等。
3任务执行和规划能力
ChatGPT通常只处理单个请求或任务依赖用户输入来驱动对话。它不具备自我规划或执行连续任务的能力。AI Agent具备规划能力可以自行决定执行哪些步骤以完成复杂任务。它可以处理任务序列自动化决策和执行过程。
4技术整合与应用
ChatGPT主要是文本生成工具虽然能够通过插件访问外部信息但核心依然是文本处理和生成。AI Agent可能整合多种技术和工具如API调用、数据库访问、代码执行等这些都是为了实现其目标和改善任务执行的效率。
5学习和适应
ChatGPT它的训练是在离线进行通过分析大量数据来改进。AI Agent除了离线学习更复杂的AI Agent可能具备实时学习能力能够从新的经验中迅速适应和改进这通常需要一定的记忆和自我反思机制。
二、多智能体框架MetaGPT 2-1、安装配置
安装 必须要python版本在3.9以上 这里使用conda尝鲜安装。
conda create -n metagpt python3.9 conda activate metagpt开发模式下安装 为开发人员推荐。实现新想法和定制化功能。
git clone https://github.com/geekan/MetaGPT.git
cd ./MetaGPT
pip install -e .模型配置 在文件 ~/.metagpt/config2.yaml下有关于各大厂商模型的配置详细列表参考LLM API Configuration
llm:api_type: openai # or azure / ollama / groq etc. Check LLMType for more optionsmodel: gpt-4-turbo # or gpt-3.5-turbobase_url: https://api.openai.com/v1 # or forward url / other llm urlapi_key: YOUR_API_KEY2-2、使用已有的AgentProductManager
概述 调用ProductManager Agent注意会话上下文是需要独立创建的
import asynciofrom metagpt.context import Context
from metagpt.roles.product_manager import ProductManager
from metagpt.logs import loggerasync def main():msg Write a PRD for a snake gamecontext Context() # The session Context object is explicitly created, and the Role object implicitly shares it automatically with its own Action objectrole ProductManager(contextcontext)while msg:msg await role.run(msg)logger.info(str(msg))if __name__ __main__:asyncio.run(main())输出结果
2-3、多智能体系统介绍
多智能体系统 即智能体社会用公式表示为 MultiAgent 智能体 环境 标准化的操作程序SOP 通信 经济 各个部分的详细介绍
Agent每个智能体都可能有独特的LLM、观察、思想、行动和记忆在多智能体系统中各个智能体协同工作就像人类社会一样。环境 环境是各个Agent交互的共同空间Agent从环境中观察与自身有关的重要信息并执行相应的操作。标准化操作程序Standardized operating procedure 即设置好的程序用来管理智能体的行为以及智能体间的交互确保系统的有序、高效进行。通讯通讯即Agent之间的信息交换。经济指的是多智能体环境中的价值交换系统决定了资源如何分配和任务的优先级。
简单示例 具体介绍如下
在该环境下三个智能体Alice、Bob、Charlie彼此交互。每个智能体都可以把信息或者是行为结果输出到环境中。以Agent——Charlie的内部进程为例其他Agent类似基于LLM即决策并且拥有观察、思考、行动能力。思想和其进一步的行动主要是由LLM决策的并且同时拥有使用工具的能力。智能体Charlie通过观察Alice智能体的相关文档以及Bob智能体的代码需求参考上下文记忆思考如何编写代码并采取行动最终行动输出代码文件。智能体Charlie的输出结果刚好是智能体Bob观察的对象智能体Bob在环境中得到了Charlie的输出结果并且做出了进一步的响应。
2-4、多智能体案例分析
概述 虽然单智能体可以解决很多任务但是复杂的任务还是需要多智能体之间的协作。
2-4-1、构建智能体团队
构建智能体团队的步骤如下
定义每个能执行特定动作的角色标准化操作程序即SOP的构建确保每个角色遵守程序。实现过程让每个角色观察自己的上游输出根据上游输出做出相应的响应并且输出内容到下游。初始化所有智能体创建一个带有环境的队伍让他们能够互相交互。主要是根据上游角色发布到环境中的消息来做出响应。
具体的智能体以及对应的行为定义如下
角色SimpleCoder 动作SimpleWriteCode接收用户指令并且写出主要代码角色SimpleTester 动作SimpleWriteTest从动作/行为SimpleWriteCode的输出中获取主要的代码并且提供测试用例。角色SimpleReviewer 动作SimpleWriteReview从动作/行为SimpleWriteTest 的输出中获取测试用例检查测试用例的覆盖程度以及质量输出报告。
2-4-2、动作/行为 定义
写代码行为如下
from metagpt.actions import Actionclass SimpleWriteCode(Action):PROMPT_TEMPLATE: str Write a python function that can {instruction}.Return python your_code_here with NO other texts,your code:name: str SimpleWriteCodeasync def run(self, instruction: str):prompt self.PROMPT_TEMPLATE.format(instructioninstruction)rsp await self._aask(prompt)code_text parse_code(rsp)return code_text测试用例代码书写行为如下
class SimpleWriteTest(Action):PROMPT_TEMPLATE: str Context: {context}Write {k} unit tests using pytest for the given function, assuming you have imported it.Return python your_code_here with NO other texts,your code:name: str SimpleWriteTestasync def run(self, context: str, k: int 3):prompt self.PROMPT_TEMPLATE.format(contextcontext, kk)rsp await self._aask(prompt)code_text parse_code(rsp)return code_text测试用例评审行为如下
class SimpleWriteReview(Action):PROMPT_TEMPLATE: str Context: {context}Review the test cases and provide one critical comments:name: str SimpleWriteReviewasync def run(self, context: str):prompt self.PROMPT_TEMPLATE.format(contextcontext)rsp await self._aask(prompt)return rsp2-4-3、角色/智能体 定义
写代码角色定义
使用set_actions函数为角色装配行为。使用_watch函数观察上游重要信息来自于用户或者是其他智能体这里UserRequirement代表的是用户输入
class SimpleCoder(Role):name: str Aliceprofile: str SimpleCoderdef __init__(self, **kwargs):super().__init__(**kwargs)self._watch([UserRequirement])self.set_actions([SimpleWriteCode])代码测试角色定义
同样的 使用set_actions函数为角色装配行为。同理使用_watch函数观察上游重要信息来自于用户或者是其他智能体这里主要的观察来源是SimpleWriteCode。这里重写act函数使用所有对话内容作为测试行为的上下文写出更加精准的测试用例。
class SimpleTester(Role):name: str Bobprofile: str SimpleTesterdef __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([SimpleWriteTest])self._watch([SimpleWriteCode])# 既观察SimpleWriteCode也观察SimpleWriteReview这样可以做到一个循环的自我修正。# self._watch([SimpleWriteCode, SimpleWriteReview]) # feel free to try this tooasync def _act(self) - Message:logger.info(f{self._setting}: to do {self.rc.todo}({self.rc.todo.name}))todo self.rc.todo# context self.get_memories(k1)[0].content # use the most recent memory as contextcontext self.get_memories() # use all memories as contextcode_text await todo.run(context, k5) # specify argumentsmsg Message(contentcode_text, roleself.profile, cause_bytype(todo))return msg测试用例评审角色定义 同上。
class SimpleReviewer(Role):name: str Charlieprofile: str SimpleReviewerdef __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([SimpleWriteReview])self._watch([SimpleWriteTest])2-4-4、创建队伍添加角色
概述 使用Team来雇佣三位角色
idea 即复杂任务描述代表用户输入investment 投资人工智能公司的金额暂时不清楚有什么用n_round 模拟的回合数大部分情况该数字越大越好但是也并不是绝对的简单任务回合少点就ok复杂任务需要调试一个相对均衡的回合。多了有可能复读机或者性能下降。
import asyncio
import typer
from metagpt.logs import logger
from metagpt.team import Team
app typer.Typer()app.command()
def main(idea: str typer.Argument(..., helpwrite a function that calculates the product of a list),investment: float typer.Option(default3.0, helpDollar amount to invest in the AI company.),n_round: int typer.Option(default5, helpNumber of rounds for the simulation.),
):logger.info(idea)team Team()team.hire([SimpleCoder(),SimpleTester(),SimpleReviewer(),])team.invest(investmentinvestment)team.run_project(idea)asyncio.run(team.run(n_roundn_round))if __name__ __main__:app()输出 2-4-5、内部机制介绍
概述 详细介绍整个多智能体系统的运行机制。
如右图所示Role智能体将观察来自于环境的输出信息。只观察特定Action这要看参数设置如果一个特定的行为输出了信息到环境并且恰好是Role要观察的行为那么Role将做出反馈。首先Role将会思考并选择一种行为作为接下来要执行的之后会执行该行为并且得到输出输出后续将会被投入到环境中去。 2-4-6、人工介入
概述 在真实场景下我们往往需要人类介入来修正多智能体团队协作中的一些错误。 在2-4-4中我们设置SimpleReviewer的is_human参数为True即可。这样我们可以控制协作流程代替测试用例评审角色作为测试用例评审角色来参与到整个流程中。每次轮到我们响应时测试用例评审角色正在运行的进程都会暂停等待我们的输入。我们可以根据其他Agent的输出提出合理要求以参与到整个交互中。 team.hire([SimpleCoder(),SimpleTester(),# SimpleReviewer(), # the original lineSimpleReviewer(is_humanTrue), # change to this line]
)2-4-7、记忆/内存
概述 记忆是Agent的核心Agent需要依靠记忆来做决策。类Memory是Agent记忆的抽象表示当角色初始化时以self.rc.memory初始化记忆它将把它随后观察到的每条消息存储在一个列表中以便将来检索。当记录的记忆被需要时你可以使用self.get_memories来获取记忆。
def get_memories(self, k0) - list[Message]:A wrapper to return the most recent k memories of this role, return all when k0return self.rc.memory.get(kk)例如在2-4-3中 我们调用整个函数是为了向测试智能体提供完整的历史记录。
async def _act(self) - Message:logger.info(f{self._setting}: ready to {self.rc.todo})todo self.rc.todo# context self.get_memories(k1)[0].content # use the most recent memory as contextcontext self.get_memories() # use all memories as contextcode_text await todo.run(context, k5) # specify argumentsmsg Message(contentcode_text, roleself.profile, cause_bytodo)return msg添加记忆 使用self.rc.memory.add(msg)添加记忆并且msg必须是Message对象。
Notice: 角色通常需要记住它之前说过或做过什么以便采取下一步行动。所以建议在复写act函数的逻辑时建议将动作输出的消息添加到角色的内存中。
附录
1、react_mode智能体的思维范式介绍
概述 接收到对环境的观察后智能体会进行思考以及做出一些行为来应对MetaGPT目前提供两种方式即ReAct和By Order。
1-1、ReAct
ReAct: 先思考后行动直到Agent决定停止循环。每次思考(_think)时角色会选择一种行为来回应观察并且执行选择的行为在_act函数而行为的输出结果将会是下一次思考的观察对象LLM作为大脑动态的选择行为去执行。
REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS ReAct详细介绍可以参考我的另一篇文章REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS【大模型的协同推理】 Notice 如果你想要角色执行更多次思考-行动循环那么你可以设置参数max_react_loop。实验证明设置该参数非常有必要在react的过程中如果思考-行动循环少往往会做出错误的决策即少执行或者错误执行行为
self._set_react_mode(react_modereact, max_react_loop6)1-2、By order
By order 按照set_actions中设定的行为去依次执行。该情况适用于我们清楚Agent该依次执行哪些行为。 例如在目录2-4-2的案例中我们就是顺序执行行为先写代码后执行代码。
class RunnableCoder(Role):name: str Aliceprofile: str RunnableCoderdef __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([SimpleWriteCode, SimpleRunCode])self._set_react_mode(react_modeby_order)async def _act(self) - Message:...1-3、Plan and act
先拟定计划之后使用计划去执行一系列动作 参考文章
《MetaGPT智能体开发入门》教程 Datawhale教程. MetaGPT—GitHub官网 openAI研究主管文章 awesome-ai-agents——AI agent汇总 MetaGPT智能体入门——官方文档
LLM图形化界面 川虎 Chat Chuanhu Chat chatgpt-KnowledgeBot 总结
好困好困
