Создание передовых многопользовательских рабочих процессов с ReAct

Обзор

В этом руководстве мы создаем усовершенствованную систему реагирования на инциденты с использованием AgentScope. Мы управляем несколькими агентами ReAct, каждый из которых имеет четко определенную роль, такой как маршрутизация, триаж, анализ, написание и проверка, и связываем их через структурированную маршрутизацию и общий хаб сообщений. Интегрируя модели OpenAI, легкий вызов инструментов и простой внутренний регламент, мы демонстрируем, как сложные рабочие процессы могут быть реализованы в чистом Python без тяжелой инфраструктуры или ненадежного кода.

Настройка окружения

Мы настраиваем среду выполнения и устанавливаем все необходимые зависимости, чтобы руководство работало надежно на Google Colab. Мы безопасно загружаем API ключ OpenAI и инициализируем основные компоненты AgentScope:

!pip -q install "agentscope>=0.1.5" pydantic nest_asyncio

Реализация регламента

Мы определяем легкий внутренний регламент и реализуем простой инструмент поиска на его основе. Это позволяет агентам получать политику или вычислять результаты динамически:

RUNBOOK = [
   {"id": "P0", "title": "Политика серьезности", "text": "P0 критический сбой, P1 значительное ухудшение, P2 незначительная проблема"},
   {"id": "IR1", "title": "Чек-лист триажа инцидента", "text": "Оценить радиус воздействия, временные рамки, развертывания, ошибки, минимизацию ущерба"},
   {"id": "SEC7", "title": "Эскалация фишинга", "text": "Отключить аккаунт, сбросить сессии, заблокировать отправителя, сохранить доказательства"},
]

Конструкция агентов

Мы создаем несколько специализированных агентов ReAct и структурированный маршрутизатор:

t triager = ReActAgent(
   name="Triager",
   sys_prompt="Классифицировать серьезность и немедленные действия с использованием поиска по регламенту."
   model=make_model(),
   formatter=OpenAIChatFormatter(),
   memory=InMemoryMemory(),
   toolkit=toolkit,
)

Оркестрация рабочего процесса

Мы управляем полным рабочим процессом, маршрутизируя запрос, выполняя подходящего агента и запуская совместный процесс улучшения:

async def run_demo(user_request: str):
   route_msg = await router(Msg("user", user_request, "user"), structured_model=Route)
   # Обработка запроса на основе маршрутизации
   # (Дальнейшая реализация)

Координируя несколько агентов по очереди, мы улучшаем окончательный вывод до возвращения его пользователю. Этот подход показывает, как мы можем перейти от простых экспериментов с агентами к полноценным производственным системам.

Заключение

Мы продемонстрировали, как AgentScope позволяет создавать надежные, модульные и совместные системы агентов, которые выходят за рамки одноразовых взаимодействий. Мы динамически расписали задачи и улучшили результаты через координацию нескольких агентов.

Полный код

Смотрите ПОЛНЫЙ КОД здесь.