想象一下，你正在构建一个复杂的 AI 系统，它需要多个智能体协同工作才能完成任务。例如，一个智能客服系统，需要多个 AI Agent 分别负责处理用户的不同需求，如订单查询、退货处理、投诉处理等。这些 Agent 如同球队中的不同球员，各司其职，又相互配合。如何高效地协调这些 Agent 的行为，使它们能够协同工作，如同ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(15, 76, 129);">一支训练有素的 AI 梦之队， 共同完成任务呢？
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">传统的编排方法通常需要编写大量的代码，并且难以扩展和维护。为了解决这个问题，OpenAI 推出了 Swarm 框架，一个旨在简化多智能体编排的革新性工具，让开发者能够轻松构建多智能体应用，ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(15, 76, 129);">像指挥家一样轻松驾驭多智能体协作。• Swarm 是 OpenAI 推出的用于多智能体编排的轻量级框架，如同一位指挥家，协调多个 AI Agent 协同完成复杂任务。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-indent: -1em;display: block;margin: 0.5em 8px;">• 它专注于代理协调和执行，并通过代理和交接两种基本抽象来实现。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-indent: -1em;display: block;margin: 0.5em 8px;">• Swarm 允许代理调用 Python 函数，并支持通过函数返回值更新上下文变量和进行代理交接。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;text-indent: -1em;display: block;margin: 0.5em 8px;">• Swarm 框架提供了高度的灵活性和可定制性，适用于各种多智能体应用场景。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0.3em 1em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 6px;">Swarm 框架概述ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">Swarm 是一个实验性的教育框架，旨在探索人机交互式、轻量级的多智能体编排。它专注于代理协调和执行，并通过代理和交接两种基本抽象来实现。相较于传统的编排方法，Swarm 框架具有以下优势：
•轻量级：Swarm 框架基于 Chat Completions API 构建，几乎完全在客户端运行，调用之间不存储状态，如同一位敏捷的教练，不会给队员增加额外的负担。
•可扩展性：Swarm 框架的设计易于扩展，可以处理大量独立的功能和指令，这些功能和指令难以编码到单个提示中，就像一支规模可随意扩展的队伍，可以应对各种挑战。
•高度可定制化：Swarm 框架允许开发者自定义代理的行为和功能，以及代理之间的交互方式，从而实现高度可定制化的解决方案，如同一位经验丰富的教练，可以根据队员的特点制定不同的战术。
Swarm 框架的核心是代理（Agent）和交接（Handoff），并通过例程（Routines）来定义 Agent 的行为模式。
代理是 Swarm 框架中的基本单元，它封装了一组指令和工具，并可以选择将对话移交给另一个代理。代理可以被看作是一个独立的实体，负责执行特定的任务，如同 AI 梦之队中的一位球员，拥有独特的技能和职责。它们可以通过以下方式完成任务：
•获取信息：代理可以调用函数或 API 来获取所需的信息，如同球员通过观察和沟通了解场上情况。
•处理数据：代理可以对获取到的信息进行处理，例如分析、转换、存储等，如同球员根据场上情况做出判断和决策。
•与其他代理通信：代理可以通过发送消息或调用函数来与其他代理进行通信，以协同完成任务，如同球员之间相互传球和配合。
交接是指代理之间转移执行控制权的过程。当一个代理完成其任务后，它可以将控制权移交给另一个代理，以便继续执行任务，如同一位球员完成自己的任务后，将球传给另一位更适合处理当前情况的球员。交接机制使得代理之间可以协同工作，共同完成复杂的任务，例如：
•用户咨询：一个代理可以收集用户信息，然后将控制权移交给另一个代理来提供具体的解决方案，如同客服团队中，一位 Agent 负责初步了解用户问题，然后将问题转交给更专业的 Agent 处理。
•订单处理：一个代理可以接收订单，然后将控制权移交给另一个代理来处理支付和物流，如同电商平台中，一位 Agent 负责接收订单，然后将订单信息传递给负责支付和物流的 Agent。
例程是一组预定义的步骤，用于指导代理完成特定任务。例程可以包含条件判断、循环等逻辑结构，使得代理能够根据不同的情况执行不同的操作，如同 AI 梦之队中的战术手册，指导球员在不同情况下采取不同的行动。
Swarm 的核心代码主要集中在swarm/swarm/core.py和swarm/swarm/repl/repl.py两个文件中。
swarm/swarm/core.py：Swarm 框架核心逻辑swarm/swarm/core.py文件定义了 Swarm 框架的核心类和函数，包括Swarm类、Agent类，以及一些辅助函数。
Swarm类Swarm类是 Swarm 框架的主要入口点，它负责管理智能体、处理函数调用和更新上下文变量。
•get_chat_completion()：该方法负责向 OpenAI API 发送聊天完成请求，并返回 API 的响应。它接收当前活动的智能体、对话历史记录、上下文变量等参数，并将这些信息传递给 OpenAI API。
•handle_function_result()：该方法负责处理函数调用的结果，将其转换为Result对象。Result对象包含函数的返回值、要转移到的目标 Agent（如果有），以及更新后的上下文变量。
•handle_tool_calls()：该方法负责处理智能体发出的工具调用。它接收智能体发出的工具调用列表、智能体可以调用的函数列表、上下文变量等参数。该方法会遍历工具调用列表，找到对应的函数，执行函数，并将函数的执行结果和更新后的上下文变量返回。
•run_and_stream()：该方法负责以流式方式运行 Swarm。它接收与run方法相同的参数，并返回一个生成器，该生成器会产生流式响应的各个部分。
•run()：该方法负责运行 Swarm。它接收初始智能体、初始消息列表、上下文变量等参数，并根据参数启动 Swarm 的执行流程。该方法会循环执行以下步骤：获取智能体的响应，执行智能体调用的函数，更新上下文变量，以及根据需要进行智能体交接。
Agent类Agent类代表 Swarm 中的智能体，它封装了智能体的名称、描述、指令、可调用函数列表等信息。Agent对象的instructions属性定义了该 Agent 的例程，即该 Agent 在处理任务时应遵循的步骤。
swarm/swarm/repl/repl.py：Swarm 交互式环境swarm/swarm/repl/repl.py文件定义了 Swarm 框架的 REPL（Read-Eval-Print Loop）界面，允许用户通过命令行与 Swarm 进行交互，体验 Swarm 的工作流程。
•process_and_print_streaming_response()：该函数负责处理流式响应，并将其打印到控制台。
•pretty_print_messages()：该函数负责将消息列表以格式化的方式打印到控制台。
•run_demo_loop()：该函数是 Swarm REPL 的主循环，它接收初始智能体、上下文变量等参数，并启动 REPL 界面。用户可以在 REPL 界面中输入消息，与智能体进行交互。在这个函数中，程序会根据用户的输入调用run_full_turn函数，该函数会根据当前 Agent 的例程和工具与用户进行交互，并在需要时执行交接操作，将控制权转移给其他 Agent。
run_full_turnrun_full_turn函数是 Swarm 框架的核心，它实现了代理的协调和执行，定义在swarm/swarm/repl/repl.py中：
defrun_full_turn(agent,messages):
current_agent=agent
num_init_messages=len(messages)
messages=messages.copy()
whileTrue:
#将Python函数转换为工具，并保存反向映射
tool_schemas=[function_to_schema(tool)fortoolincurrent_agent.tools]
tools={tool.__name__:toolfortoolincurrent_agent.tools}
#===1.获取OpenAI完成===
response=client.chat.completions.create(
model=agent.model,
messages=[{"role":"system","content":current_agent.instructions}]
+messages,
tools=tool_schemasorNone,
)
message=response.choices[0].message
messages.append(message)
ifmessage.content:#打印代理响应
print(f"{current_agent.name}:",message.content)
ifnotmessage.tool_calls:#如果已完成工具调用处理，则中断
break
#===2.处理工具调用===
fortool_callinmessage.tool_calls:
result=execute_tool_call(tool_call,tools,current_agent.name)
iftype(result)isAgent:#如果代理转移，更新当前代理
current_agent=result
result=(
f"Transferedto{current_agent.name}.Adoptpersonaimmediately."
)
result_message={
"role":"tool",
"tool_call_id":tool_call.id,
"content":result,
}
messages.append(result_message)
#====3.返回最后使用的代理和新消息=====
returnResponse(agent=current_agent,messages=messages[num_init_messages:])•Agent: 函数接收一个agent对象作为参数，代表当前活动的智能体。
•Routines: 函数使用current_agent.instructions作为系统消息发送给 OpenAI API，这代表了当前 Agent 的例程。
•Handoffs: 函数会检查工具调用的结果是否为Agent对象。如果是，则更新当前 Agent，实现 Agent 之间的交接。
•循环处理: 函数在一个循环中执行，直到没有新的工具调用为止，确保 Agent 可以连续执行多个步骤，并根据需要进行交接。
为了更直观地展示 Swarm 框架的应用，我们以个人购物助手为例进行分析。参考内容4中提供了一个个人购物助手的案例，该案例中包含了以下代理：
•Triage Agent：负责对用户的请求进行分类，并将其转发给相应的代理，如同 AI 梦之队中的队长，负责根据用户的需求分配任务。例如，如果用户询问关于订单的问题，Triage Agent 会将请求转发给 Sales Agent；如果用户询问关于退款的问题，Triage Agent 会将请求转发给 Refunds Agent。
•Sales Agent：负责处理与订单相关的请求，例如下单、查询订单状态等，如同 AI 梦之队中负责进攻的球员。
•Refunds Agent：负责处理与退款相关的请求，例如申请退款、查询退款进度等，如同 AI 梦之队中负责防守的球员。
以下代码展示了 Refunds Agent 的定义以及主程序的入口：
#定义RefundsAgent
refunds_agent=Agent(
name="RefundsAgent",
description=f"""你是一个退款代理，负责处理退货后的所有退款相关操作。
你必须索要用户 ID 和商品 ID 才能发起退款。请在一条消息中同时询问 user_id 和 item_id。
如果用户要求你通知他们，你必须询问他们 preferred method of notification 是什么。对于通知，你必须
在一则消息中同时询问他们 user_id 和 method。""",
functions=[refund_item,notify_customer],#包含refund_item函数
)
#...其他代码...
#在主程序中运行demoloop
if__name__=="__main__":
run_demo_loop(triage_agent,debug=False)这段代码展示了如何定义一个 Refunds Agent，并将其添加到 Swarm 框架中，如同将一位球员招募到 AI 梦之队中。Refunds Agent 包含了refund_item函数，可以处理用户的退款请求，如同球员拥有特定的技能。
个人购物助手案例展示了 Swarm 框架如何协调多个代理协同工作，如同 AI 梦之队如何在比赛中相互配合。Triage Agent 负责对用户的请求进行分类，并将其转发给相应的代理，如同队长根据场上情况指挥队员。Sales Agent 和 Refunds Agent 分别负责处理与订单和退款相关的请求，如同球员在各自的位置上发挥作用。通过代理之间的协作，个人购物助手可以为用户提供全面的服务，如同 AI 梦之队通过团队合作赢得比赛。在这个案例中：
•Agent：Triage Agent、Sales Agent和Refunds Agent都是 Swarm 中的 Agent，它们分别负责不同的任务。
•Routines：每个 Agent 的instructions属性定义了该 Agent 的例程，即该 Agent 在处理任务时应遵循的步骤。例如，Refunds Agent的例程要求它在处理退款请求时，必须先询问用户的 ID 和商品 ID。
•Handoffs：Triage Agent通过调用transfer_to_sales_agent或transfer_to_issues_and_repairs函数将控制权转移给Sales Agent或Refunds Agent。这些函数返回目标 Agent，run_full_turn函数会根据返回值更新当前 Agent，实现 Agent 之间的交接。
Swarm Agent 框架是一个用于多智能体编排的强大工具，它为构建多智能体应用提供了全新的思路和方法。通过代理、例程和交接机制，Swarm 框架实现了代理之间的协同工作，并提供了高度的灵活性和可定制性。相信随着 Swarm 框架的不断发展，它将在更多领域得到应用，并为多智能体系统的发展带来新的突破，让构建和管理 AI 梦之队变得更加轻松。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |