В этом руководстве мы рассмотрим мощную мультиагентную систему, построенную на основе шаблона PEER: Plan, Execute, Express, Review (Планируй, Выполняй, Выражай, Проверяй). Мы запустим весь рабочий процесс в Google Colab/Notebook, интегрируя агентов с специализированными ролями и используя модель Google Gemini 1.5 Flash через бесплатный API-ключ.
Установка необходимых библиотек
Мы начнём с установки необходимых библиотек, включая agentUniverse и google-generativeai, чтобы настроить нашу мультиагентную систему. После импорта необходимых модулей мы настроим Gemini API, используя наш бесплатный API-ключ для включения генерации контента на основе ИИ.
Определение ролей агентов
Мы определяем четыре различные роли агентов: Planner (Планировщик), Executor (Исполнитель), Expresser (Выразитель) и Reviewer (Ревизор), используя Enum для представления их специализированных функций. Затем мы создаём класс Task для управления метаданными задачи, включая статус, результат и обратную связь. Класс BaseAgent служит основным шаблоном для всех агентов, позволяя им обрабатывать задачи, вызывать Gemini API с ролевыми подсказками, сохранять результаты в памяти и корректно возвращаться к предопределённым ответам, если API недоступен.
Реализация шаблона PEER
Мы реализуем шаблон PEER через класс PEERAgent, который координирует четырёх специализированных агентов для совместного решения задач. Каждая итерация проходит через все четыре фазы, уточняя выходные данные на основе структурированного планирования, выполнения, профессионального выражения и качественного анализа. Мы допускаем до трёх итераций, завершая работу досрочно, если проверка указывает на высокое качество выполнения, что делает рабочий процесс адаптивным и эффективным.
Оркестровка мультиагентной системы
Мы объединяем всё вместе через MultiAgentOrchestrator, который координирует систему PEER и, при необходимости, вызывает специализированных агентов, таких как финансовый аналитик или технический эксперт. Этот оркестратор обрабатывает каждую сложную задачу, сначала используя шаблон PEER, а затем улучшая результаты с помощью специализированных знаний. Мы также определяем простую KnowledgeBase для поддержки рассуждений в предметной области.
Запуск расширенной демонстрации
В функции runadvanceddemo() мы тестируем полную систему с тремя задачами: финансовой, технической и творческой, фиксируя производительность агентов и метрики итераций, чтобы продемонстрировать мощность и универсальность нашей мультиагентной системы.
Объяснение шаблона PEER
Шаблон PEER позволяет:
* лучшее разложение задач;
* систематическое выполнение;
* профессиональное форматирование выходных данных;
* непрерывное улучшение качества.
Архитектура системы
Архитектура agentUniverse:
* Ввод задачи
* ↓
* Система PEER
* Планировщик-агент
* Агент-исполнитель
* Агент-выразитель
* Агент-ревизор
* ↓
* Специалисты в предметной области
* Финансовый аналитик
* Технический эксперт
* Креативный директор
* ↓
* База знаний
* ↓
* Результаты и аналитика
Запуск расширенной демонстрации с использованием Gemini AI
Мы запускаем расширенную демонстрацию с использованием Gemini AI (это может занять некоторое время)…
Итоги
Мы успешно продемонстрировали, как мультиагентная система может систематически решать сложные задачи с помощью предметно-ориентированного рассуждения, структурированной коммуникации и итеративных проверок качества. Мы получили представление о совместной работе шаблона PEER и убедились, как Gemini улучшает выходные данные каждого агента. Благодаря этому опыту мы осознали потенциал модульных систем ИИ в создании масштабируемых, надёжных и интеллектуальных приложений, готовых к развёртыванию в реальных условиях.
1. Какие роли выполняют агенты в системе PEER и как они взаимодействуют между собой?
Ответ: в системе PEER определены четыре роли агентов: Planner (Планировщик), Executor (Исполнитель), Expresser (Выразитель) и Reviewer (Ревизор). Они взаимодействуют через итеративный процесс, где каждая фаза (планируй, выполняй, выражай, проверяй) уточняет выходные данные. Планировщик разрабатывает план, Исполнитель выполняет задачи, Выразитель оформляет результаты, а Ревизор проверяет качество выполнения.
2. Какие библиотеки и инструменты используются для создания мультиагентной системы в Google Colab/Notebook?
Ответ: для создания мультиагентной системы в Google Colab/Notebook используются библиотеки agentUniverse и google-generativeai. Также применяется модель Google Gemini 1.5 Flash через бесплатный API-ключ для генерации контента на основе ИИ.
3. Как реализуется шаблон PEER в классе PEERAgent и какие преимущества он предоставляет?
Ответ: шаблон PEER реализуется через класс PEERAgent, который координирует четырёх специализированных агентов для совместного решения задач. Каждая итерация проходит через все четыре фазы (планируй, выполняй, выражай, проверяй), уточняя выходные данные. Это обеспечивает лучшее разложение задач, систематическое выполнение, профессиональное форматирование выходных данных и непрерывное улучшение качества.
4. Какие задачи были протестированы в функции runadvanceddemo() и какие результаты были получены?
Ответ: в функции runadvanceddemo() были протестированы три задачи: финансовая, техническая и творческая. Результаты продемонстрировали мощность и универсальность мультиагентной системы, включая производительность агентов и метрики итераций.
5. Какие компоненты входят в архитектуру системы agentUniverse и как они связаны между собой?
Ответ: архитектура system agentUniverse включает ввод задачи, систему PEER (с Планировщиком, Исполнителем, Выразителем и Ревизором), специалистов в предметной области (финансовый аналитик, технический эксперт, креативный директор), базу знаний и результаты и аналитику. Система PEER координирует работу агентов и взаимодействует со специалистами через базу знаний для улучшения результатов.