Багатоагентний ШІ з AutoGen: агенти, групові чати, участь людини та план навчання.
Як фреймворк AutoGen від Microsoft створює багатоагентні системи: агенти, групові чати, участь людини, інструменти, десятикроковий план навчання та типові сценарії використання.
Джерела: A Complete Guide to Multi-Agent AI Development with AutoGen
Робота з ШІ віддаляється від концепції єдиного чат-бота, заснованого на одній моделі. Команди тепер прагнуть систем, які можуть аналізувати проблеми, викликати інструменти, передавати завдання іншим агентам та виконувати складні завдання з кількома кроками. Це сприяло зростанню інтересу до розробки багатоагентних систем, де кілька спеціалізованих ШІ-агентів працюють над спільною метою. AutoGen — це фреймворк з відкритим кодом від Microsoft Research, який є одним із найвідоміших інструментів для створення таких систем. Його суть полягає у тому, що ви створюєте додаток з кількох агентів, які взаємодіють між собою до завершення завдання.
Якщо технології агентного ШІ будуть продовжувати розвиватися до 2026 року, AutoGen варто знати кожному, хто створює робочі процеси, асистентів чи системи автоматизації для підприємств. Нижче наведено інформацію про те, як він працює, яку функцію виконують його основні компоненти (агенти, групові чати, інструменти та підтвердження людини), логічний порядок вивчення та обмеження, які визначають, чи підходить він для певного проекту.
Що таке AutoGen
AutoGen — це фреймворк для створення агентів та багатоагентних систем на основі великих мовних моделей. Ви можете визначати налаштовувані агенти, які обмінюються повідомленнями між собою, а також з людьми чи зовнішніми інструментами. Microsoft Research представила його для того, щоб полегшити створення складних робочих процесів з використанням LLM. Замість того, щоб покладати всі завдання на одну ШІ-систему, ви визначаєте спеціалізованих агентів та шаблони їхньої взаємодії.
Простий додаток може включати:
- агента для досліджень, який збирає інформацію
- агента для обробки даних, який їх аналізує
- агента-розробника, який пише код
- агента-рецензента, який перевіряє результати
- людського агента, який підтверджує результати у разі необхідності
Чому це важливо зараз
Агентський ШІ став основним напрямком роботи у сфері генеративного ШІ. Організації прагнуть більшого, ніж просто генеровані відповіді – вони хочуть програми, які можуть планувати, використовувати інструменти, співпрацювати з іншими системами та підтримувати бізнес-процеси. Дизайн AutoGen зосереджений на співпраці агентів та оркестрації робочих процесів, тому він безпосередньо відповідає цим вимогам.
Проект також зазнав змін. Версія v0.4 ввела багатошарову структуру, яка складається з основного шару, шару AgentChat та додатків, призначених для підтримки програм, які можуть масштабуватися та ефективно функціонувати. Вона також забезпечила взаємодію між Python та .NET.
Існує кілька причин, чому люди обирають цей підхід. Агентні ШІ все ширше впроваджуються, все більше команд просить створити багатоагентні додатки, автоматизація на основі LLM продовжує поширюватися, робочі процеси потребують оркестрації, ШІ мають підключатися до інструментів та API, компанії зацікавлені в автоматизації, а практичні навички розробки генеративних ШІ є затребуваними.
Як це працює
AutoGen поєднує кілька агентів, які взаємодіють між собою для виконання складних завдань. Розробники надають агентам різні ролі, потім вирішують, як вони будуть взаємодіяти, які інструменти можуть використовувати та як буде передаватися інформація. Робочий процес може поєднувати LLM, вхідні дані від людини та зовнішні інструменти для планування, виконання дій та перевірки результатів, що підходить як для багатоагентних додатків, так і для автоматизованих потоків обробки даних.
Основні складові
Агенти. Це основні одиниці. Кожен агент має певну роль, поведінку та ціль. До поширених типів належать асистентські агенти та проксі-агенти користувача; їхня робота включає налаштування поведінки, керування пам’яттю та контекстом, а також управління життєвим циклом агента.
Комунікація між агентами. Агенти обмінюються інформацією та координують завдання, що дозволяє створювати спільні робочі процеси, у яких кожен виконує окремі обов’язки.
Груповий чат. Цей підхід дозволяє кільком агентам брати участь у спільному робочому процесі, що є корисним, коли для вирішення проблеми потрібні погляди кількох фахівців.
Участь людини. Не кожне рішення має бути повністю автономним. Люди можуть переглядати чи схвалювати певні дії, що має велике значення у корпоративних середовищах, де важливі точність, безпека та бізнес-контролі.
Інструменти та API. Агенти стають набагато кориснішими, коли можуть підключатися до зовнішніх систем. Додатки AutoGen можуть використовувати виклики функцій, API, бази даних та інші інструменти.
Інтеграція з LLM. Додатки підключаються до мовних моделей та керують поведінкою агентів через налаштування моделей та проектування запитів.
Шлях самостійного навчання
Розумний підхід передбачає перехід від основ до готового проекту у десяти етапах. Провайдери навчання структурують свої курси приблизно так само, хоча ви також можете слідувати цьому шляху самостійно за допомогою офіційної документації.
- Ознайомлення з фреймворком. Дізнайтеся, що таке агенти, багатоагентні системи та їх архітектура, налаштуйте середовище та ознайомтесь з екосистемою та типовими сценаріями використання.
- Основи Python. Ця мова є основою для всього, тому потрібно розглянути віртуальні середовища, виклик API, роботу з JSON, обробку помилок та дебаггінг.
- Робота з LLM. Вивчіть, як поводяться моделі, підключіться до постачальників на кшталт OpenAI та Azure OpenAI, налаштуйте моделі, складайте запити, керуйте токенами та стежте за витратами.
- Створення агентів. Створіть агентів-асистентів та проксі-агентів для користувачів та дослідіть їхню поведінку, пам’ять, контекст та життєвий цикл.
- Співпраця. Практикуйте обмін повідомленнями між агентами, групові чати, планування завдань, делегування, процеси з участю людини та спільне прийняття рішень.
- Інструменти та автоматизація. Додайте виклики функцій, інтеграцію API, підключення до баз даних та зовнішні інструменти.
- Розробка на високому рівні. Переходьте до створення власних агентів, оркестрації, робочих процесів, заснованих на подіях, керування станом та налаштування продуктивності.
- Виправлення помилок, моніторинг та безпека. Формуйте звички щодо журналізації дій, відстеження продуктивності агентів, обробки винятків, забезпечення безпеки та використання ШІ відповідально.
- Бізнес-застосунки. Спробуйте себе у наданні підтримки клієнтам, обробці документів, роботі помічників з досліджень, розробці програмного забезпечення та автоматизації процесів.
- Кінцевий проект. Завершіть навчання, спроєктувавши та створивши повне багатоагентне рішення, протестувавши агентів, вимірявши їхню продуктивність та представивши результати.
Чому кілька агентів замість одного
AutoGen дозволяє різним агентам співпрацювати над складними завданнями. Замість того, щоб покладатися на одну модель, ви створюєте спеціалістів для досліджень, програмування, аналізу, планування чи перевірки та вирішуєте, як вони будуть взаємодіяти. Результатом є гнучкий робочий процес, який поєднує ШІ, зовнішні інструменти та участь людини для автоматизації процесів із багатьма кроками.
Ця гнучкість має свою ціну. Більше агентів означає більше викликів, більшу затримку та більше можливостей для збоїв, тому розподіл має бути обґрунтованим. Розбиття завдань має відповідати реальному розподілу роботи.
Порівняння з традиційною автоматизацією
Традиційна автоматизація дотримується заздалегідь визначених правил та фіксованих процесів. AutoGen дозволяє більш свободний підхід, у якому агенти співпрацюють та реагують на змінювані вимоги.
| Традиційна автоматизація | Автоматизація у стилі AutoGen |
|---|---|
| Робочі процеси, засновані на правилах | Робочі процеси на основі агентів |
| Фіксований процес | Гнучка співпраця |
| Обмежене прийняття рішень | Міркування з підтримкою ШІ |
| Заздалегідь визначені дії | Дії, виконувані за допомогою інструментів |
| Зазвичай один робочий процес | Кілька агентів, які працюють разом |
| Менш адаптивні | Більш адаптивні |
| Участь людини може бути ручною | Можлива вбудована перевірка людиною |
Жоден з цих факторів не робить традиційну автоматизацію застарілою. У багатьох компаніях найкращі рішення поєднують детерміністичну автоматизацію з ШІ-агентами.
Де використовується
- Підтримка клієнтів. Кілька агентів можуть класифікувати запити, отримувати інформацію та складати відповіді, причому людський агент перевіряє делікатні випадки перед тим, як щось надіслати.
- Розробка програмного забезпечення. Агенти можуть допомогти з аналізом вимог, програмуванням, тестуванням, виправленням помилок та перевіркою коду.
- Дослідження. Деякі агенти збирають матеріали, інші організовують отримані результати, а ще інші готують структуровані звіти.
- Аналіз даних. Агенти обробляють набори даних, виявляють закономірності та створюють звіти для задоволення бізнес-потреб.
- Обробка документів. Робочі потоки витягують інформацію з документів, узагальнюють її та організовують результати.
- Бізнес-процеси. Повторювані операції, які потребують кількох етапів міркувань та взаємодії, ідеально підходять для багатоагентних систем.
- Асистенти знань. Агенти можуть допомогти людям знаходити та обробляти власні знання організації з підключених джерел.
Що ви отримаєте, вивчивши це
Час, витрачений на роботу з AutoGen, допомагає розвинути низку пов’язаних навичок: проектування багатоагентних додатків, координація дій агентів, інтеграція моделей LLM, автоматизація складних робочих процесів, робота з інструментами та API, ефективніше використання генеративних ШІ, створення реалістичних проектів, застосування підходів з участю людини та розробка рішень корпоративного рівня. Ці навички також відповідають сучасним можливостям кар’єрного розвитку.
Для кого це підходить
Цей матеріал призначений для широкої аудиторії. Найбільшу користь від нього отримають інженери, які працюють над ШІ та машинним навчанням або над генеративними ШІ, а також розробники на Python та загальні програмісти, фахівці з науки про дані та інженерії даних, спеціалісти з автоматизації та RPA, архітектори рішень, технічні консультанти, інженери хмарних технологій та DevOps, дослідники, команди інновацій та студенти. Професіонали бізнесу, зацікавлені в автоматизації за допомогою ШІ, також можуть ознайомитися з цими концепціями.
Практичні передумови є скромними: базові знання Python та певна обізнаність з генеративним ШІ або LLM. Знання API та Git допомагають, але не є обов’язковими.
Посади, до яких це може призвести
Навички розробки багатоагентних систем, інтеграції LLM та автоматизації робочих процесів відкривають шлях до кількох посад, оскільки компанії використовують агентів для складних процесів:
- Розробник агентів ШІ, який створює та керує інтелектуальними агентами
- Інженер генеративного ШІ, який розробляє додатки на основі LLM
- Розробник багатоагентних систем, який проектує співпрацюючі робочі процеси агентів
- Інженер автоматизації ШІ, який автоматизує бізнес-процеси за допомогою ШІ
- Архітектор рішень ШІ, який проектує масштабовані корпоративні архітектури
Тренди, на які варто звернути увагу
Агенти, засновані на подіях. Сучасні агентські системи переходять до дизайну, заснованого на подіях, який реагує на події та динамічно виконує завдання. Версія v0.4 заклала основу для такого підходу.
Розробка міжмовно. Ця ж версія дозволила агентам, написаним на Python та .NET, взаємодіяти між собою, причому працює над додатком підтримки ще більшої кількості мов.
Дизайн, орієнтований на людину. Агенти все частіше створюються для роботи разом із людьми, а не без їхнього нагляду. Робота Microsoft над Magentic-UI відображає такий самий підхід.
Інструменти з низьким рівнем програмування. AutoGen Studio є інтерфейсом з низьким рівнем програмування для створення та дебагування багатоагентних робочих процесів, призначеним для полегшення розробки.
Управління. Оскільки агенти можуть виконувати більше дій, безпека, моніторинг, управління та людський нагляд набувають ще більшої важливості у продакшені.
Куди рухаємося
Розробка ШІ рухається у напрямку систем, які виконують завдання, а не лише генерують відповіді. Багатоагентні архітектури підтримують це, розділяючи велику мету на спеціалізовані обов’язки. Спрямування AutoGen на розширюваність, структуру, засновану на подіях, міжмовну взаємодію та інструменти для агентів, показує, куди рухається ця платформа.
Проте створення якісних агентів вимагає більшого, ніж просто підключення автономних компонентів. Розробникам також необхідно розуміти аспекти безпеки, оцінки, моніторингу, контролю витрат, людського нагляду та відповідальної практики. Ті, хто поєднує AutoGen із солідними навичками програмування на Python, роботи з LLM, API та загальної інженерії штучного інтелекту, краще підходять для створення агентських додатків, які ефективно функціонують на практиці.
Висновок
AutoGen пропонує практичний підхід до розробки багатоагентних систем та автоматизації розумних робочих процесів. Він дозволяє створювати налаштовувані агенти, які можуть спілкуватися, співпрацювати, використовувати інструменти та працювати з людьми над складними завданнями. Від інтеграції агентів з технологіями LLM до обміну повідомленнями між агентами, підключень через API, автоматизації, виправлення помилок, забезпечення безпеки та корпоративних сценаріїв використання — навички, необхідні для цього, застосовуються у широкому спектрі сучасних проектів з штучного інтелекту. Оскільки організації продовжують досліджувати можливості агентів, здатність проектувати та керувати співпрацюючими системами штучного інтелекту може стати справжньою професійною перевагою.
Пов’язана література
- Як субагенти та багатоагентні системи розподіляють роботу та коефіцієнти витрат: просте пояснення відмінностей між субагентами та багатоагентними системами, концепції оркестратора та працівника, чотирьох типів топологій, витрат на токени та ситуацій, коли один агент є кращим вибором.
- П’ять рівнів агентського інструментарію з кодом, без якого він не функціонує: практичний огляд п’яти місць, де агентський інструментарій застосовує правила в коді, від меж виконання до контекстних потоків, а також того, що дослідження можуть та не можуть довести.