muAgent: новый фреймворк для оркестровки агентов на основе LLM и EKG (знание отрасли)

Общее введение

muAgent - это инновационный мультиинтеллектуальный фреймворк, разработанный компанией Ant Group. Фреймворк помогает пользователям выполнять различные сложные стандартные операционные процедуры (SOP) под руководством человека с помощью перетаскивания канвы и простого написания текста, в сотрудничестве с мультиинтеллектами, вызовами функций, интерпретаторами кода и другими технологиями. В настоящее время фреймворк проверен в нескольких сложных сценариях DevOps в Ant Group.

Предоставляет возможности развертывания одним щелчком мыши, включая оркестровку агентов на основе KG, регистрацию и управление инструментами/агентами на основе java и редактируемый перетаскиванием внешний пользовательский интерфейс продукта.

Сейчас это бета-версия. Как только версия v1.0+ будет усовершенствована, мы выпустим образ v1.0+ для загрузки.

Чтобы вам было проще понять всю цепочку CoAgent, мы в форме потока подробно объясним, как создать CoAgent с помощью конфигурации.

Список функций

• сложное умозаключение: Поддерживает многоуровневые возможности рассуждений для выполнения сложных задач.
• Сотрудничество в режиме онлайн: Предоставьте функции совместной работы в режиме онлайн для поддержки взаимодействия между членами команды в реальном времени.
• взаимодействие людей: Повышение точности и эффективности выполнения задач с помощью взаимодействия человека и компьютера.
• Знания для использования: Дизайн на основе графа знаний, обеспечивающий мгновенное получение и применение знаний.

Использование помощи

Процесс установки

1. Клонирование кодовой базы: Использование git clone чтобы клонировать репозиторий CodeFuse-muAgent на GitHub.
2. Доступ к каталогу: Использование cd CodeFuse-muAgent Перейдите в каталог проектов.
3. Создание сети Docker: Беги docker network create ekg-net Создайте сеть Docker.
4. Запуск службы контейнеров: Беги docker-compose up -d Запустите все службы контейнера, что может занять некоторое время.
5. служба доступа: Открыть в браузере https://localhost:8000 Доступ к услугам.

Процесс использования

1. Настройка LLM и встраивание моделей: Настройте соответствующую большую языковую модель и модель встраивания в соответствии с документом.
2. Создание виртуальных командСоздание виртуальных команд и сценариев с помощью перетаскивания и создания текста на холсте.
3. Внедрение СОПов: Выполнение сложных процессов SOP путем взаимодействия нескольких интеллектов под руководством человека.
4. Отладка и оптимизация: Используйте инструменты визуальной отладки, чтобы быстро находить и исправлять ошибки в процессах.
5. управление знаниями: Управление и получение сообщений, необходимых для различных сценариев, с помощью единой конструкции пула сообщений.

Подробные шаги

• Создание виртуальной команды: Перетаскивайте соответствующие узлы на холст, чтобы установить намерение сцены и семантические узлы.
• выполнение мандата: Выберите задание, которое необходимо выполнить, и система автоматически выполнит его в соответствии с заданным процессом.
• Оптимизация отладки: Просматривайте журналы и сообщения об ошибках во время выполнения в интерфейсе отладки и вносите соответствующие изменения.
• поиск знаний: Используйте встроенную функцию поиска знаний, чтобы быстро найти нужные пункты знаний и инструкции по эксплуатации.

Описание проекта

Чтобы повысить производительность больших моделей с точки зрения точности выводов, в индустрии появилось множество инновационных игровых программ для больших языковых моделей (LLM). От самых ранних CoT, ToT до GoT, эти подходы продолжают расширять границы возможностей LLM. При решении сложных задач мы можем ReAct процесс выбора, вызова и выполнения обратной связи с инструментом, позволяющий использовать инструмент в несколько раундов и выполнять несколько этапов.

Однако для более сложных сценариев, таких как разработка сложного кода, однофункциональный LLM-агент явно не справляется с задачей. В результате сообщество начало разрабатывать многоагентные комбинации, такие как проекты, ориентированные на metaGPT, GPT-Engineer, chatDev и другие направления развития, а также проекты, ориентированные на автоматизацию построения агентов и диалогов агентов. AutoGen Проект.

После глубокого анализа этих фреймворков выяснилось, что большинство агентских фреймворков имеют высокую степень общей связанности, а их простота использования и расширяемость оставляет желать лучшего. Трудно реализовать конкретный сценарий в предопределенном сценарии, но трудно расширить сценарий.

Поэтому мы хотим создать расширяемый и простой в использовании мультиагентный фреймворк для поддержки ChatBot в получении доступа к информации из базы знаний, а также для помощи в повседневной офисной работе, анализе данных, разработке, эксплуатации и обслуживании и других общих задачах.

Фреймворк Mutli-Agent в этом проекте опирается на удачный дизайн нескольких фреймворков, таких как metaGPT пул сообщений в автогене, селектор агентов в автогене и так далее.