muAgent : un nouveau cadre d'orchestration d'agents piloté par LLM et EKG (connaissance du secteur)

Introduction générale

muAgent est un cadre multi-intelligentsia innovant développé par Ant Group. Ce cadre aide les utilisateurs à exécuter diverses procédures opérationnelles normalisées (POS) complexes sous la direction d'un humain par le biais du glisser-déposer et de l'écriture de texte simple, en collaboration avec la multi-intelligence, les appels de fonction, les interprètes de code et d'autres technologies. Actuellement, le cadre a été validé dans plusieurs scénarios DevOps complexes au sein du groupe Ant.

Offre des capacités de déploiement en un clic, notamment l'orchestration d'agents basée sur KG, l'enregistrement et la gestion d'outils/agents basés sur Java et une interface utilisateur de produit frontale éditable par glisser-déposer.

Il s'agit maintenant d'une version bêta. Dès que la version v1.0+ sera améliorée, nous publierons l'image v1.0+ pour téléchargement.

Afin de faciliter la compréhension de l'ensemble de la chaîne CoAgent, nous prenons la forme d'un flux pour expliquer en détail comment construire le CoAgent par le biais de la configuration.

Liste des fonctions

• inférence complexeLe système de gestion de l'information (SGI) est un système de gestion de l'information qui permet d'effectuer des tâches complexes en s'appuyant sur un raisonnement à plusieurs niveaux.
• Collaboration en ligneLes services de collaboration en ligne permettent aux membres de l'équipe d'interagir en temps réel.
• l'interaction humaineAméliorer la précision et l'efficacité de l'exécution des tâches grâce à l'interaction entre l'homme et l'ordinateur.
• Connaissances à utiliserLe système d'information sur l'environnement : une conception basée sur un graphe de connaissances qui permet l'acquisition et l'application instantanées de connaissances.

Utiliser l'aide

Processus d'installation

1. Clonage de la base de code: Utilisation git clone pour cloner le dépôt GitHub de CodeFuse-muAgent.
2. Accès au catalogue: Utilisation cd CodeFuse-muAgent Accédez au catalogue de projets.
3. Créer un réseau Docker: Run docker network create ekg-net Créer un réseau Docker.
4. Démarrer le service de conteneurs: Run docker-compose up -d Démarrer tous les services de conteneurs, ce qui peut prendre un certain temps.
5. service d'accèsOuvrir dans le navigateur https://localhost:8000 Accès aux services.

Processus d'utilisation

1. Configuration de LLM et intégration de modèlesLe modèle de langue et le modèle d'intégration sont configurés en fonction du document.
2. Création d'équipes virtuellesLes équipes virtuelles : Créez des équipes virtuelles et des scénarios grâce au glisser-déposer et à la rédaction de textes.
3. Mise en œuvre des procédures opérationnelles standardLes tâches de l'équipe sont les suivantes : exécuter des processus SOP complexes par le biais d'une collaboration multi-intelligence sous la direction d'une personne.
4. Débogage et optimisationLes outils de débogage visuel permettent de trouver et de corriger rapidement les erreurs dans les processus.
5. la gestion des connaissancesLes messages sont gérés et récupérés pour divers scénarios grâce à une conception unifiée de la réserve de messages.

Étapes détaillées

• Création d'une équipe virtuelleLes nœuds sémantiques et l'intention de la scène : Faites glisser et déposez les nœuds pertinents sur le canevas pour définir l'intention de la scène et les nœuds sémantiques.
• mise en œuvre du mandatLe système l'exécutera automatiquement selon le processus prédéfini.
• Débogage OptimisationLes données de l'interface de débogage permettent de visualiser les journaux et les messages d'erreur pendant l'exécution et d'effectuer les ajustements nécessaires.
• recherche de connaissancesLes informations sur l'utilisation de l'appareil sont disponibles sur le site web de la Commission européenne.

Description du projet

Afin d'améliorer la performance des grands modèles en termes de précision d'inférence, une variété de playbooks innovants de grands modèles de langage (LLM) a émergé dans l'industrie. Des premiers CoT, ToT à GoT, ces approches continuent à repousser les limites des capacités LLM. Lorsque nous traitons des problèmes complexes, nous pouvons ReAct pour sélectionner, invoquer et exécuter le retour d'information sur l'outil, tout en permettant plusieurs cycles d'utilisation de l'outil et une exécution en plusieurs étapes.

Cependant, pour des scénarios plus complexes, tels que le développement d'un code complexe, un agent LLM à fonction unique n'est clairement pas à la hauteur de la tâche. Par conséquent, la communauté a commencé à développer des jeux de combinaison multi-agents, tels que des projets axés sur metaGPT, GPT-Engineer, chatDev, et d'autres domaines de développement, ainsi que des projets axés sur l'automatisation de la construction d'agents et de dialogues d'agents. AutoGen Projet.

Après une analyse approfondie de ces cadres, on constate que la plupart des cadres d'agents présentent un degré élevé de couplage global et que leur facilité d'utilisation et leur extensibilité sont médiocres. Il est difficile de mettre en œuvre un scénario spécifique dans un scénario prédéfini, mais il est difficile d'étendre le scénario.

C'est pourquoi nous voulons construire un cadre multi-agent extensible et facile à utiliser pour aider le ChatBot à accéder aux informations de la base de connaissances et, en même temps, l'assister dans son travail de bureau quotidien, l'analyse des données, le développement, l'exploitation et la maintenance, ainsi que d'autres tâches générales.

Le cadre Mutli-Agent de ce projet s'inspire de la bonne conception de plusieurs cadres, tels que le cadre metaGPT pool de messages dans autogen, sélecteur d'agents dans autogen, etc.