再见 LangChain！Atomic Agents火了！

像LangChain、CrewAI和AutoGen这样的框架通过提供构建人工智能系统的高级抽象而广受欢迎。然而，包括我在内的许多开发人员都发现，这些工具弊大于利，常常给开发过程带来不必要的复杂性和挫折感。

进入Atomic Agents--一个模块化的精简框架，旨在消除与现有人工智能开发工具相关的麻烦。Atomic Agents 基于可靠的编程范式，如 Input–Process–Output（IPO）模型和原子性概念，提供了一种以简单性、灵活性和开发者控制为优先考虑的全新方法。

在本文中，我们将深入探讨 Atomic Agents 的创建原因、它所采用的编程范式以及它如何在众多产品中脱颖而出。结合代码示例和实际示例，一起深入了解 Atomic Agents。如果你也一度觉得 LangChain 太复杂了，下面我们一起看一看吧～

现有人工智能框架的问题

当我第一次开始尝试使用LangChain时，我对它简化人工智能代理开发非常感兴趣。然而，实际上并非如此简单。

除了各种错中复杂的类和方法，LangChain的开发者似乎并不了解人工智能开发所面临的实际挑战，或许他们更看重的是理论上的优雅而非现实世界中的可用性。过度的抽象不仅增加了开发难度，还让开发变得不透明。

CrewAI 和 AutoGen 中的魔法幻觉

同样，CrewAI和AutoGen等框架也试图通过自动化复杂任务来提供 “神奇 ”的解决方案。部署成群的人工智能代理来自主处理一切事务的想法很诱人，但在实践中，这些工具往往一半的时间都无法正常工作。它们的承诺过高，而实际效果却不尽如人意，让开发人员疲于应对不可预测的行为和缺乏控制的问题。

这些框架模糊了底层流程，使得调试或定制功能变得困难。结果就是，这些工具更像是一个黑盒子，而不是一个有用的框架--在开发需要可靠和可维护性的应用程序时，这种情况并不理想。

过度承诺功能：常见问题

这些框架经常出现的一个问题是倾向于过度承诺功能。一些公司和工具声称可以提供接近AGI（人工通用智能）的解决方案，但如果你有长时间从事人工智能领域相关工作，你就会发现，我们还没有达到那个水平。炒作往往会导致不切实际的期望，而当这些工具不可避免地出现不足时，开发人员就不得不面对后果。

需要更好的方法

在与这些挫折搏斗之后，我们清楚地认识到，我们需要一个这样的框架：消除不必要的复杂性和抽象层：

• 消除不必要的复杂性和抽象层。
• 为开发人员提供全面控制，而不会将关键功能隐藏在不透明的接口之后。
• 遵循可靠、久经考验的编程范式，提高可维护性和可扩展性。
• 由开发人员构建，面向开发人员，了解人工智能开发中面临的实际挑战。

这种认识促成了Atomic Agents的诞生。

Atomic Agents介绍

Atomic Agents Logo

Atomic Agents是一个开源框架，旨在尽可能做到轻量级、模块化和可组合。它遵循输入-处理-输出（IPO）模型和原子性的原则，确保每个组件都是单一用途、可重用和可互换的。

Atomic Agents为何存在？

Atomic Agents 的诞生是为了弥补现有框架的不足。它的目标是

• 通过提供清晰、可管理的组件，简化人工智能开发。
• 消除困扰其他框架的多余复杂性和不必要的抽象。
• 促进灵活性和一致性，让开发人员专注于构建有效的人工智能应用，而不是与框架本身纠缠不清。
• 鼓励最佳实践，鼓励开发人员采用模块化、可维护的代码结构。

通过坚持这些原则，Atomic Agents 让开发人员能够构建既强大又易于管理的人工智能代理和应用程序。

Atomic Agents背后的编程范式

Input–Process–Output（IPO）模型

Atomic Agents的核心是Input–Process–Output（IPO）模型，这是一种基本的编程范式，它将程序结构分为三个不同的阶段：

1. Input：从用户或其他系统接收数据。
2. Process：对数据进行处理或转换。
3. Output：处理后的数据作为结果呈现。

这种模型清晰简洁，更容易理解和管理应用程序中的数据流。

在Atomic Agents中，这可以转化为

• Input Schemas（输入模式）：使用 Pydantic 定义输入数据的结构和验证规则。
• Processing Components（处理组件）：对数据执行操作的代理和工具。
• Output Schemas（输出方案）：确保结果在返回前经过结构化和验证。

原子性：功能构件

原子性的概念是将复杂的系统分解成最小的功能部分或 “原子”。每个原子

• 具有单一责任，使其更易于理解和维护。
• 可重复使用，允许在应用程序的不同部分甚至不同项目中使用组件。
• 可与其他原子组件组合，构建更复杂的功能。

通过专注于原子组件，Atomic Agents 促进了模块化架构，提高了灵活性和可扩展性。

Atomic Agents如何工作

组成部分

在Atomic Agents中，人工智能代理由几个关键部分组成：

• 系统提示：定义代理的行为和目的。
• 输入模式：指定输入数据的预期结构。
• 输出模式：定义输出数据的结构。
• 内存：存储对话历史或状态信息。
• 上下文提供程序：在运行时向系统提示注入动态上下文。
• 工具：代理可使用的外部功能或应用程序接口。

每个组件的设计都是模块化和可互换的，并遵循关注点分离和单一责任的原则。

模块化和可组合性

模块化是Atomic Agents的核心。通过将组件设计成自成一体并专注于单一任务，开发人员可以

• 更换工具或代理，而不会影响系统的其他部分。
• 微调单个组件，如系统提示或模式，而不会产生意想不到的副作用。
• 通过调整输入和输出模式，将代理和工具无缝地串联起来。

这种模块化方法不仅使开发更易于管理，还增强了人工智能应用程序的可维护性和可扩展性。

提供上下文：增强灵活性

上下文提供程序允许代理在系统提示中包含动态数据，并根据最新信息加强响应。

示例：

from atomic_agents.lib.components.system_prompt_generator import SystemPromptContextProviderBase

class SearchResultsProvider(SystemPromptContextProviderBase):
def __init__(self, title: str, search_results: List[str]):
super().__init__(title=title)
self.search_results = search_results
def get_info(self) -> str:
return "n".join(self.search_results)
# 向代理注册上下文提供程序
agent.register_context_provider("search_results", search_results_provider)

通过将实时数据注入代理的上下文，您可以创建更动态、反应更灵敏的人工智能应用。

模式和代理的链式连接

Atomic Agents 通过调整输入和输出模式，简化了代理和工具的链式连接过程。

示例： 假设你有一个查询生成代理和一个网络搜索工具。通过设置查询代理的输出模式，使其与搜索工具的输入模式相匹配，就可以直接将它们串联起来。

from web_search_agent.tools.searxng_search import SearxNGSearchTool

# Initialize the query agent
query_agent = BaseAgent(
BaseAgentConfig(
# ... other configurations ...
output_schema=SearxNGSearchTool.input_schema,  # Align output schema
)
)

这种设计提高了可重用性和灵活性，可以轻松更换组件或扩展功能。

Atomic Agents优于其他产品的原因

消除不必要的复杂性

与引入多层抽象的框架不同，Atomic Agents 保持了简单明了。每个组件都有明确的目的，没有隐藏的魔法需要破解。

• 透明架构：您可以完全了解数据是如何在应用程序中流动的。
• 调试更容易：由于复杂性降低，识别和修复问题变得更加容易。
• 降低学习曲线：开发人员无需了解复杂的抽象概念，即可快速上手。

由开发人员打造，为开发人员服务

Atomic Agents 的设计考虑到了现实世界中的开发挑战。它采用久经考验的编程范式，并优先考虑开发人员的经验。

• 坚实的编程基础：通过遵循 IPO 模型和原子性，该框架鼓励最佳实践。
• 灵活性和控制：开发人员可根据需要自由定制和扩展组件。
• 社区驱动：作为一个开源项目，它邀请开发者社区提供贡献和协作。

独立和可重复使用的组件

Atomic Agents 的每个部分都可以独立运行，从而促进了可重用性和模块化。

• 可隔离测试：组件可单独测试，确保集成前的可靠性。
• 可跨项目重用：原子组件可用于不同的应用程序，节省开发时间。
• 更易于维护：隔离功能可减少变更的影响，简化更新。

构建一个简单的人工智能代理

我们将构建一个人工智能代理，它能响应用户询问并提出后续问题。

第 1 步：定义自定义输入和输出模式

from pydantic import BaseModel, Field from typing import List from atomic_agents.agents.base_agent import BaseIOSchema

class CustomInputSchema(BaseIOSchema):
chat_message: str = Field(..., description="The user's input message.")

class CustomOutputSchema(BaseIOSchema):
chat_message: str = Field(..., description="The agent's response message.")
suggested_questions: List[str] = Field(..., description="Suggested follow-up questions.")

第 2 步：设置系统提示

from atomic_agents.lib.components.system_prompt_generator import SystemPromptGenerator

system_prompt_generator = SystemPromptGenerator(
background=[
"You are a knowledgeable assistant that provides helpful information and suggests follow-up questions."
],
steps=[
"Analyze the user's input to understand the context and intent.",
"Provide a relevant and informative response.",
"Generate 3 suggested follow-up questions."
],
output_instructions=[
"Ensure clarity and conciseness in your response.",
"Conclude with 3 relevant suggested questions."
]
)

第 3 步：初始化代理

from atomic_agents.agents.base_agent import BaseAgent, BaseAgentConfig
import instructor
import openai

# Initialize the agent
agent = BaseAgent(
config=BaseAgentConfig(
client=instructor.from_openai(openai.OpenAI(api_key='YOUR_OPENAI_API_KEY')),
model="gpt-4",
system_prompt_generator=system_prompt_generator,
input_schema=CustomInputSchema,
output_schema=CustomOutputSchema
)
)

第 4 步：使用代理

user_input = "Can you explain the benefits of using Atomic Agents?" input_data = CustomInputSchema(chat_message=user_input) response = agent.run(input_data)

print(f"Agent: {response.chat_message}")
print("Suggested questions:")
for question in response.suggested_questions:
print(f"- {question}")

预期输出：

Agent: Atomic Agents simplifies AI development by providing modular, reusable components based on solid programming paradigms like the IPO model and atomicity.
Suggested questions:
- How does Atomic Agents compare to other AI frameworks?
- Can you provide an example of building an agent with Atomic Agents?
- What are the key features of Atomic Agents that enhance productivity?

整合工具和上下文提供程序

假设我们想让代理根据用户查询执行网络搜索。

第 1 步：下载并设置 SearxNGSearchTool

使用 Atomic Assembler CLI，我们可以下载搜索工具：

atomic

从菜单中选择 SearxNGSearchTool，然后按照说明安装依赖项。

第 2 步：集成搜索工具

from web_search_agent.tools.searxng_search import SearxNGSearchTool, SearxNGSearchToolConfig

# 初始化搜索工具
search_tool = SearxNGSearchTool(config=SearxNGSearchToolConfig(base_url="http://localhost:8080"))

第 3 步：更新代理以使用工具

我们可以修改代理，以便根据用户的输入决定何时使用搜索工具。

from typing import Union

class OrchestratorOutputSchema(BaseModel):
tool: str = Field(..., description="The tool to use: 'search' or 'chat'")
parameters: Union[SearxNGSearchTool.input_schema, CustomInputSchema] = Field(..., description="Parameters for the selected tool.")
# 修改代理逻辑以输出 OrchestratorOutputSchema
# ...
# 执行选定的工具
if response.tool == "search":
search_results = search_tool.run(response.parameters)
# 处理检索结果
else:
# 使用之前的聊天代理
pass

第 4 步：使用包含搜索结果的上下文提供程序

class SearchResultsProvider(SystemPromptContextProviderBase):
    def __init__(self, search_results):
        super().__init__(title="Search Results")
        self.search_results = search_results
def get_info(self) -> str:
return "n".join(self.search_results)
# After obtaining search results
context_provider = SearchResultsProvider(search_results)
agent.register_context_provider("search_results", context_provider)

通过这种集成，代理可以根据实时网络搜索数据提供响应。

Atomic Assembler CLI：轻松管理工具

Atomic Agents的一个突出特点是Atomic Assembler CLI，这是一个简化工具和代理管理的命令行工具。

受一些现代尾风库（如shadcn）的启发，在这些库中，你不需要将组件作为依赖项安装，而是在自己的源代码中对它们拥有所有权。

这意味着我们不会使用 pip 将工具作为依赖项安装，而是将其复制到我们的项目中。有两种方法可以做到这一点：

1. 手动下载工具，或从 Atomic Agents GitHub 代码库中复制/粘贴源代码，并将它们放到 atomic-forge 文件夹中。
2. 我们将使用 Atomic Assembler CLI 下载工具。

Atomic Agents

主要功能

• 下载和管理工具：轻松将新工具添加到项目中，无需手动复制或解决依赖问题。
• 避免依赖性杂乱：只安装您需要的工具，使您的项目保持精简。
• 轻松修改工具：每个工具都是独立的，有自己的测试和文档。
• 直接访问工具：如果你愿意，可以通过访问工具文件夹来手动管理工具。

写在最后

Atomic Agents 将简洁性、模块化和开发者控制放在首位，为人工智能开发领域带来了亟需的转变。通过采用输入-进程-输出模型和原子性等可靠的编程范式，它解决了许多开发人员在使用 LangChain、CrewAI 和 AutoGen 等现有框架时遇到的挫折。

有了Atomic Agents，你可以

• 消除不必要的复杂性，专注于构建有效的人工智能应用。
• 完全控制系统的每个组件。
• 轻松更换或修改组件，而不会中断整个应用程序。
• 利用模块化和可重用性提高工作效率和可维护性。

如果你已经厌倦了与过于复杂的框架搏斗，这些框架承诺过多，但交付不足，那么是时候试试 Atomic Agents 了。