Swarm多智能体编排框架

多智能体框架的世界正在扩大，一个新的参与者刚刚加入：Swarm。

它真的是新东西吗？嗯，是也不是。

那么，什么是 Swarm？

Swarm 来自 OpenAI Solutions 团队，旨在让使用多个 AI 智能体变得简单直观。

一个探索符合人体工程学的轻量级多智能体编排的教育框架。

一定要读一读官网的手册：编排代理 - 例程和交接。

Swarm 的魔力在于简化使用大型语言模型实现代理行为的棘手过程。想想更少的大型提示、函数调用和更少的挣扎。

在使用语言模型时，通常你需要的只是一个好的提示和正确的工具才能获得稳定的性能。然而，当处理许多独特的流程时，事情可能会变得棘手。

1、Swarm 背后的关键概念

首先，例程/代理。

Swarm 中的例程（routines）概念并没有严格定义。它更像是一组灵活的步骤。

正如 OpenAI 团队所说：

“例程”的概念并没有严格定义，而是旨在捕捉一组步骤的概念。具体来说，让我们将例程定义为自然语言中的指令列表（我们将用系统提示来表示），以及完成这些指令所需的工具。

另一个重要概念是交接（hand-offs）。

这是一个代理将活动对话传递给另一个代理的地方，类似于在调用期间被转接——只是这些代理确切地知道到目前为止讨论的内容。

官方码书是这样描述的：

让我们将交接定义为代理（或例程）将活动对话交给另一个代理，就像你在电话通话中被转接给其他人一样。只是在这种情况下，代理完全了解你之前的对话！

这是我想到的一种简单方法，所以我创建了一个快速插图：

“代理”之间的这种“交接”是 Swarm 强大的原因。每个代理都专注于自己最擅长的事情，并且在需要时，它们会无缝地将任务传递给彼此。这一切都是为了确保正确的代理处理正确的任务 — 高效、简单且协作。

Swarm Python 包简单但功能强大。

简而言之；你定义一个 Swarm 客户端，添加代理并运行它。

就是这么简单！

这是一个快速示例代码片段，可帮助你入门。

from swarm import Swarm

# Instantiating a Swarm client 
client = Swarm()

# Define Agents (Check the example below)
# Agent_one
# Agent_two

# Run Swarm
client.run()

注意：Swarm 的 run() 方法可协调代理、管理交接并处理上下文 - 所有这些都使使用多个代理变得直观。

定义代理是 Swarm 中的关键。

# let's consider these two agents

english_agent = Agent(
    name="English Agent",
    instructions="You are an expert in English. Respond in English.",
)

spanish_agent = Agent(
    name="Spanish Agent",
    instructions="You are an expert in Spanish. Respond in Spanish.",
)

接下来，处理代理之间的“交接”。

# Defining a function for handoff
def transfer_to_spanish_agent():
    return spanish_agent

# Appending functions to the agent
english_agent.functions.append(transfer_to_spanish_agent)

我已经使用 swarm 构建了一个多代理后端，并考虑到了实际用例。

查看此视频中的详细演练，我还将在下一节中介绍关键思想！

2、这就是我构建的

在不到 30 分钟的时间内，我就可以构建一个名为 HealthBot Assistant 的多代理聊天机器人。

这个聊天机器人使用不同的代理，每个代理都专门负责一项特定任务。

也许这张图可以帮助快速预览这个聊天机器人。感谢 ChatGPT 创建了这张 xkcd 风格的插图，描述了聊天机器人系统中代理之间的交互，强调了 Triage Agent 如何根据用户的需求将用户与合适的专业代理联系起来。

当用户提出问题时，Triage Agent（我们也可以在此将此代理称为主代理）会确定哪个代理最适合帮助他们。

triage_agent = Agent(
    name="Triage Agent",
    instructions="You are a healthcare triage agent. Help users describe their symptoms and determine which healthcare-related agent they should speak to (e.g., for medical advice, scheduling an appointment, or checking prescription details).",
)

例如，如果用户需要医疗建议，它会将其转发给医疗建议代理：

那么，在代码层面上会发生什么呢？——医疗代理人的定义如下：

medical_advice_agent = Agent(
    name="Medical Advice Agent",
    instructions="You are a medical professional. Provide general medical advice based on symptoms described.",
)

这就是分诊代理可能将用户查询转交给医疗代理的原因：

# Handoff function
def transfer_to_medical_advice():
    return medical_advice_agent

# Adding handoff function to the triage agent
triage_agent.functions.extend([
    transfer_to_medical_advice  # other transfer functions
])

类似地，如果用户想要预约，分诊代理会将其转交给预约安排代理。

以下是此转接背后的代码：

appointment_scheduling_agent = Agent(
    name="Appointment Scheduling Agent",
    instructions="You are an appointment scheduler. Help users schedule healthcare appointments. You can book appointments using the book_appointment function. If the user asks for 'next Wednesday', you can use that directly as the date parameter.",
    functions=[agent_book_appointment] 
)

注意 - 预约安排代理带有一个名为 agent_book_appointment 的自定义函数，可以无缝预订时段。

整个应用程序都是在 Databutton 中构建的，在Databutton AI App Builder中使用提示生成了所有后端和前端代码。

原文链接：A Multi-Agent AI Chatbot App using Databutton and Swarm

汇智网翻译整理，转载请标明出处