muAgent: uma nova estrutura de orquestração de agentes com base em LLM e EKG (conhecimento do setor)

Introdução geral

O muAgent é uma estrutura inovadora de inteligência múltipla desenvolvida pelo Ant Group. A estrutura ajuda os usuários a executar vários Procedimentos Operacionais Padrão (SOPs) complexos sob orientação humana por meio de arrastar e soltar na tela e escrever texto simples, em colaboração com multiinteligência, chamadas de função, intérpretes de código e outras tecnologias. Atualmente, a estrutura foi validada em vários cenários complexos de DevOps no Ant Group.

Fornece recursos de implantação com um clique, incluindo orquestração de agentes com base em KG, registro e gerenciamento de ferramentas/agentes com base em Java e interface de usuário de produto front-end editável do tipo arrastar e soltar.

Esta é agora uma versão beta. Assim que a versão v1.0+ for aprimorada, lançaremos a imagem v1.0+ para download.

Para facilitar a compreensão de toda a cadeia do CoAgent, adotamos a forma de um fluxo para explicar detalhadamente como construir o CoAgent por meio da configuração.

Lista de funções

• inferência complexaSuporte a recursos de raciocínio em vários níveis para execução de tarefas complexas.
• Colaboração on-lineForneça recursos de colaboração on-line para apoiar a interação em tempo real entre os membros da equipe.
• interação humanaMelhorar a precisão e a eficiência da execução de tarefas por meio da interação humano-computador.
• Conhecimento para usoDesign baseado em gráficos de conhecimento que oferece aquisição e aplicação instantâneas de conhecimento.

Usando a Ajuda

Processo de instalação

1. Clonagem da base de código: Uso clone do git para clonar o repositório GitHub do CodeFuse-muAgent.
2. Acesso ao catálogo: Uso cd CodeFuse-muAgent Vá para o catálogo de projetos.
3. Criação de uma rede Docker: Executar docker network create ekg-net Crie uma rede Docker.
4. Início do serviço de contêineres: Executar docker-compose up -d Inicie todos os serviços de contêineres, o que pode levar algum tempo.
5. serviço de acesso: Abrir no navegador https://localhost:8000 Acesso a serviços.

Processo de uso

1. Configuração do LLM e incorporação de modelosConfigure o modelo de linguagem grande relevante e o modelo de incorporação de acordo com o documento.
2. Criação de equipes virtuaisCrie equipes virtuais e intenções de cenários por meio da criação de texto e do recurso de arrastar e soltar baseado em tela.
3. Implementação de SOPsExecução de processos SOP complexos por meio da colaboração de várias inteligências sob orientação humana.
4. Depuração e otimizaçãoUse ferramentas de depuração visual para localizar e corrigir rapidamente erros nos processos.
5. gestão do conhecimentoGerencie e recupere as mensagens necessárias para vários cenários por meio de um design unificado de pool de mensagens.

Etapas detalhadas

• Criação de equipe virtualArraste e solte os nós relevantes na tela para configurar a intenção da cena e os nós semânticos.
• implementação do mandatoSelecione a tarefa a ser executada e o sistema a executará automaticamente de acordo com o processo predefinido.
• Otimização da depuraçãoVisualização dos registros e das mensagens de erro durante a execução na interface de depuração e realização dos ajustes necessários.
• recuperação de conhecimentoUse a função de pesquisa de conhecimento integrada para encontrar rapidamente pontos de conhecimento e instruções de operação relevantes.

Descrição do projeto

Para melhorar o desempenho de modelos grandes em termos de precisão de inferência, surgiram no setor vários manuais inovadores de modelos de linguagem grandes (LLM). Desde os primeiros CoT, ToT e GoT, essas abordagens continuam a expandir os limites dos recursos de LLM. Ao lidar com problemas complexos, podemos ReAct processo para selecionar, invocar e executar o feedback da ferramenta, permitindo várias rodadas de uso da ferramenta e execução em várias etapas.

No entanto, para cenários mais complexos, como o desenvolvimento de códigos complexos, um agente LLM de função única claramente não está à altura da tarefa. Como resultado, a comunidade começou a desenvolver jogos de combinação de vários agentes, como projetos voltados para metaGPT, GPT-Engineer, chatDev e outras áreas de desenvolvimento, bem como projetos voltados para a automação da construção de agentes e diálogos de agentes. AutoGen Projeto.

Após uma análise aprofundada dessas estruturas, constatou-se que a maioria das estruturas de agente tem um alto grau de acoplamento geral, e sua facilidade de uso e extensibilidade são ruins. É difícil implementar um cenário específico em um cenário predefinido, mas é difícil estender o cenário.

Portanto, queremos criar uma estrutura multiagente extensível e fácil de usar para dar suporte ao ChatBot no acesso às informações da base de conhecimento e, ao mesmo tempo, ajudar no trabalho diário de escritório, na análise de dados, no desenvolvimento, na operação e manutenção e em outras tarefas gerais.

A estrutura Mutli-Agent deste projeto baseia-se no bom design de várias estruturas, como o pool de mensagens no metaGPT e o seletor de agentes no autogen.

O guia do leigo para começar a usar a IA

Ajuda você a aprender a utilizar as ferramentas de IA com baixo custo e a partir de uma base zero.A IA, assim como o software de escritório, é uma habilidade essencial para todos. Dominar a IA lhe dará uma vantagem em sua busca de emprego e metade do esforço em seu trabalho e estudos futuros.

Ver detalhes>