muAgent: LLM 및 EKG(업계 지식)에 기반한 새로운 에이전트 오케스트레이션 프레임워크

일반 소개

뮤에이전트는 앤트 그룹에서 개발한 혁신적인 다중 지능 프레임워크입니다. 이 프레임워크는 사용자가 다중 지능, 함수 호출, 코드 인터프리터 및 기타 기술과 협력하여 캔버스 드래그 앤 드롭과 간단한 텍스트 작성을 통해 사람의 안내에 따라 다양하고 복잡한 표준 운영 절차(SOP)를 실행할 수 있도록 지원합니다. 현재 이 프레임워크는 Ant Group의 여러 복잡한 DevOps 시나리오에서 검증되었습니다.

KG 기반 에이전트 오케스트레이션, 자바 기반 도구/에이전트 등록 및 관리, 드래그 앤 드롭 편집 가능한 프런트엔드 제품 UI 등 원클릭 배포 기능을 제공합니다.

현재 베타 버전입니다. v1.0+ 버전이 개선되는 대로 다운로드할 수 있는 v1.0+ 이미지를 공개할 예정입니다.

전체 코에이전트 체인을 더 쉽게 이해할 수 있도록 플로우 형식을 취하여 설정을 통해 코에이전트를 구축하는 방법을 자세히 설명합니다.

기능 목록

• 복잡한 추론복잡한 작업 실행을 위한 다단계 추론 기능을 지원합니다.
• 온라인 협업팀원 간의 실시간 상호 작용을 지원하는 온라인 협업 기능을 제공합니다.
• 인간 상호 작용인간과 컴퓨터의 상호 작용을 통해 작업 수행의 정확성과 효율성을 향상시킵니다.
• 사용 지식지식 그래프 기반 디자인으로 즉각적인 지식 습득과 적용이 가능합니다.

도움말 사용

설치 프로세스

1. 코드 베이스 복제사용 git clone 명령을 실행하여 CodeFuse-muAgent의 GitHub 리포지토리를 복제합니다.
2. 카탈로그에 액세스사용 cd CodeFuse-muAgent 프로젝트 카탈로그로 이동합니다.
3. Docker 네트워크 만들기: 실행 docker network create ekg-net Docker 네트워크를 만듭니다.
4. 컨테이너 서비스 시작: 실행 docker-compose up -d 시간이 다소 걸릴 수 있는 모든 컨테이너 서비스를 시작합니다.
5. 액세스 서비스: 브라우저에서 열기 https://localhost:8000 서비스 액세스.

사용 프로세스

1. LLM 구성 및 모델 임베딩문서에 따라 관련 대형 언어 모델 및 임베딩 모델을 구성합니다.
2. 가상 팀 만들기캔버스 기반의 드래그 앤 드롭 및 텍스트 작성을 통해 가상 팀과 시나리오 의도를 만듭니다.
3. SOP 구현사람의 안내에 따라 다중 지능 협업을 통해 복잡한 SOP 프로세스를 실행합니다.
4. 디버깅 및 최적화시각적 디버깅 도구를 사용하여 프로세스의 오류를 빠르게 찾아 수정하세요.
5. 지식 관리통합 메시지 풀 디자인을 통해 다양한 시나리오에 필요한 메시지를 관리하고 검색할 수 있습니다.

세부 단계

• 가상 팀 만들기: 캔버스에 관련 노드를 끌어다 놓아 장면 의도와 시맨틱 노드를 설정합니다.
• 위임 구현: 수행할 작업을 선택하면 시스템이 미리 설정된 프로세스에 따라 자동으로 실행합니다.
• 디버깅 최적화디버깅 인터페이스에서 실행 중 로그와 오류 메시지를 확인하고 그에 따라 조정하세요.
• 지식 검색기본 제공 지식 검색 기능을 사용하여 관련 지식 사항과 사용 설명서를 빠르게 찾을 수 있습니다.

프로젝트 설명

추론 정확도 측면에서 대규모 모델의 성능을 향상시키기 위해 업계에서는 다양하고 혁신적인 대규모 언어 모델(LLM) 플레이북이 등장했습니다. 초기의 CoT, ToT, GoT에 이르기까지 이러한 접근 방식은 LLM 기능의 경계를 계속 확장하고 있습니다. 복잡한 문제를 다룰 때 다음을 수행할 수 있습니다. ReAct 프로세스를 통해 도구 피드백을 선택, 호출 및 실행하는 동시에 여러 차례의 도구 사용과 다단계 실행을 가능하게 합니다.

그러나 복잡한 코드 개발과 같은 더 복잡한 시나리오의 경우 단일 기능의 LLM 에이전트만으로는 분명 한계가 있습니다. 그 결과 커뮤니티에서는 메타GPT, GPT-Engineer, chatDev 및 기타 개발 영역에 중점을 둔 프로젝트와 에이전트 및 에이전트 대화 구성 자동화에 중점을 둔 프로젝트 등 멀티 에이전트 조합 플레이를 개발하기 시작했습니다. 자동 생성 프로젝트.

이러한 프레임워크를 심층 분석한 결과, 대부분의 에이전트 프레임워크는 전반적으로 결합도가 높고 사용 편의성 및 확장성이 떨어지는 것으로 나타났습니다. 미리 정의된 시나리오에서 특정 시나리오를 구현하기는 어렵지만 시나리오를 확장하기는 어렵습니다.

따라서 챗봇이 지식창고 정보에 액세스하는 동시에 일상적인 사무, 데이터 분석, 개발, 운영 및 유지보수, 기타 일반 업무를 지원할 수 있도록 확장 가능하고 사용하기 쉬운 멀티 에이전트 프레임워크를 구축하고자 합니다.

이 프로젝트의 뮤틀리 에이전트 프레임워크는 다음과 같은 여러 프레임워크의 최상의 설계를 기반으로 합니다. 메타GPT 오토젠의 메시지 풀, 오토젠의 상담원 선택기 등을 사용할 수 있습니다.