|
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;border-left: none;padding: 1em;border-radius: 8px;color: rgba(0, 0, 0, 0.5);background: rgb(247, 247, 247);margin: 0px 8px 2em;">从实战中学习和拆解AgentScope框架的使用和知识。本文利用AgentScope框架实现的是 多智能体的自由讨论 。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;border-left: none;padding: 1em;border-radius: 8px;color: rgba(0, 0, 0, 0.5);background: rgb(247, 247, 247);margin: 2em 8px;"> 代码参考：https://github.com/modelscope/agentscope/tree/main/examples/conversation_self_organizing ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 1.2em;font-weight: bold;display: table;margin: 2em auto 1em;padding-right: 1em;padding-left: 1em;border-bottom: 2px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">0. 实现效果ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">先上最终的实现效果，给大家一个直观的感受。本文实现的效果如下：有多个Agent（例如案例中的 PhysicsTeacher物理老师、curious student好奇的学生、analytical student分析型学生），针对一个话题展开讨论，每个Agent轮流发言。 ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 1.2em;font-weight: bold;display: table;margin: 2em auto 1em;padding-right: 1em;padding-left: 1em;border-bottom: 2px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">1. 需求拆解ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">要实现多智能体之间的自由讨论，需要实现以下内容：ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">（1）有多个对话智能体ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">（2）多个对话智能体之间的通信（数据流控制）ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">（3）本文要实现的是不固定的多智能体对话，也就是说，多智能体是动态创建的，因此有个Agent来组织讨论，例如本例中讨论的物理问题，该Agent需要根据这个物理问题创建相应的智能体（物理老师和各种学生等）ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">这么一看，是不是就觉得非常简单了？对话智能体（DialogAgent）和数据流控制（Pipeline）我们前面都已经深入学习过了，还不了解的可以去看我前面的AgentScope相关文章。2. 代码实现2.1 初始化AgentScopeAgentScope在使用前，需要先初始化配置，主要是将要使用的大模型和相关的API Key 设置一下： importagentscope
model_configs=[
{
"model_type":"openai",
"config_name":"gpt-3.5-turbo",
"model_name":"gpt-3.5-turbo",
#"api_key":"xxx",#Loadfromenvifnotprovided
#"organization":"xxx",#Loadfromenvifnotprovided
"generate_args":{
"temperature":0.5,
},
},
]
agentscope.init(model_configs=model_configs)
2.2 创建讨论的组织者根据前面的需求分析，我们首先需要有一个Agent来根据问题动态生成讨论问题的Agent们。 这里使用一个对话智能体DialogAgent即可： #inittheself-organizingconversation
agent_builder=DialogAgent(
name="agent_builder",
sys_prompt="You'reahelpfulassistant.",
model_config_name="gpt-3.5-turbo",
)
有了这个agent实例，可以通过传入Prompt和问题来获取参与讨论的Agents以及各Agents的设定。这里的Prompt是比较重要的，看下示例中的Prompt： Actasagroupdiscussionorganizer.Pleaseprovidethesuitablescenariofordiscussingthisquestion,andlisttherolesofthepeoplewhoneedtoparticipateinthediscussioninordertoanswerthisquestion,alongwiththeirsystemprompttodescribetheircharacteristics.
Theresponsemustintheformatof:
#scenario#:<discussionscenario>
#participants#:
*<participant1type>:<characteristicdescription>
*<participant2type>:<characteristicdescription>
Herearesomeexamples.
Question:Joycanread8pagesofabookin20minutes.Howmanyhourswillittakehertoread120pages?
Answer:
#scenario#:gradeschoolclassdiscussion
#participants#:
*Instructor:Actasaninstructorwhoisinaclassgroupdiscussiontoguidethestudentgroupdiscussion.Pleaseencouragecriticalthinking.Encourageparticipantstothinkcriticallyandchallengeassumptionsbyaskingthought-provokingquestionsorpresentingdifferentperspectives.
*broad-minded-student:Actasastudentwhoisbroad-mindedandisopentotryingnewordifferentwaystosolveproblems.Youareinagroupdiscussionwithotherstudentundertheguidanceoftheinstructor.
*knowledgeable-student:Actasaknowledgeablestudentanddiscusswithotherstoretrievemoreinformationaboutthetopic.Ifyoudonotknowtheanswertoaquestion,pleasedonotsharefalseinformation
Pleasegivethediscussionscenarioandthecorrespondingparticipantsforthefollowingquestion:
Question:{question}
Answer:
Prompt里，要求要给出讨论的流程、讨论的参与者与讨论参与者各自的“system prompt”。 运行时，将Prompt与问题组合传给Agent： query="假设你眼睛的瞳孔直径为5毫米，你有一台孔径为50厘米的望远镜。望远镜能比你的眼睛多收集多少光？"
x=load_txt(
"D:\\GitHub\\LEARN_LLM\\agentscope\\start_0\\conversation_self_organizing\\agent_builder_instruct.txt",
).format(
question=query,
)
x=Msg("user",x,role="user")
settings=agent_builder(x)
看下这个Agent的运行结果： 文字版运行结果： tools:extract_scenario_and_participants:82-{'Scenario':'Physicsclassdiscussiononoptics','Participants':{'PhysicsTeacher':'Actasaphysicsteacherwhoisleadingthediscussiononoptics.Yourroleistofacilitatetheconversation,provideexplanations,andensurethatthediscussionstaysfocusedonthetopicoflightcollectionandoptics.','curious-student':'Actasastudentwhoiscuriousandeagertolearnmoreaboutopticsandlightcollection.Youaskinsightfulquestionsandactivelyparticipateinthediscussiontodeepenyourunderstanding.','analytical-student':'Actasastudentwhoisanalyticalandenjoyssolvingproblemsrelatedtooptics.Youapproachthequestionmethodicallyanduselogicalreasoningtoarriveatsolutions.'}}输出结果给出了 Scenario 以及该问题的 Participants参与者，参与者有 PhysicsTeacher、curious-student 和 analytical-student。并给出了这几个参与者的角色设定。 之后通过一个解析函数，将里面的角色和设定解析出来就可以用来动态创建这些Agent了。 defextract_scenario_and_participants(content:str)->dict:
result={}
#defineregularexpression
scenario_pattern=r"#scenario#:\s*(.*)"
participants_pattern=r"\*\s*([^:\n]+):\s*([^\n]+)"
#searchandextractscenario
scenario_match=re.search(scenario_pattern,content)
ifscenario_match:
result["Scenario"]=scenario_match.group(1).strip()
#searchandextractparticipants
participants_matches=re.finditer(participants_pattern,content)
participants_dict={}
formatchinparticipants_matches:
participant_type,characteristic=match.groups()
participants_dict[
participant_type.strip().replace("","_")
]=characteristic.strip()
result["Participants"]=participants_dict
logger.info(result)
returnresult
scenario_participants=extract_scenario_and_participants(settings["content"])
2.3 动态创建讨论者有了参与者及其描述，直接用循环语句创建这些Agent： #settheagentsthatparticipantthediscussion
agents=[
DialogAgent(
name=key,
sys_prompt=val,
model_config_name="gpt-3.5-turbo",
)
forkey,valinscenario_participants["Participants"].items()
]
2.4 开始讨论这里用了 sequentialpipeline 顺序发言： max_round=2
msg=Msg("user",f"let'sdiscusstosolvethequestionwithchinese:{query}",role="user")
foriinrange(max_round):
msg=sequentialpipeline(agents,msg)
运行结果见文章刚开始的实现效果，实现讨论。 3. 总结本文主要拆解了一个利用AgentScope框架实现的多智能体自由讨论案例，先由一个Agent根据问题生成讨论流程和讨论者，然后根据讨论者动态创建Agent。 主要的亮点在于： （1）有一个Agent把控全局，生成流程和各参与者的描述 （2）动态创建讨论者Agent，这让这个系统有了更好的通用性，根据不同的问题有不同类型和不同数量的Agent会被创建。 值得借鉴。 |
