В этом руководстве мы создадим продвинутую систему многоагентского искусственного интеллекта (ИИ) с использованием spaCy, которая позволит нескольким интеллектуальным агентам рассуждать, сотрудничать, рефлексировать и учиться на опыте. Мы пошагово проработаем весь процесс, наблюдая, как каждый агент обрабатывает задачи, используя планирование, память, коммуникацию и семантическое рассуждение.
Основные структуры
Мы установим все основные структуры, необходимые для нашей системы многоагентского ИИ. Мы импортируем ключевые библиотеки, определим форматы сообщений и задач и создадим модули рабочей и эпизодической памяти.
- MessageType (Enum): определяет типы сообщений.
- Message: класс для сообщений с отправителем, получателем, типом и содержанием.
- AgentTask: класс для задач с идентификатором, типом, данными и приоритетом.
- Observation: класс для наблюдений с состоянием, действием, результатом и уверенностью.
- WorkingMemory: класс для рабочей памяти с ёмкостью и элементами.
- EpisodicMemory: класс для эпизодической памяти с эпизодами и успешными паттернами.
- ReflectionModule: класс для модуля рефлексии с логом производительности.
- AdvancedAgent: базовый класс для агентов с именем, специальностью и NLP.
- CognitiveEntityAgent: подкласс для когнитивного агента сущностей.
- SemanticReasoningAgent: подкласс для агента семантического рассуждения.
- KnowledgeGraphAgent: подкласс для агента построения графа знаний.
Мета-контроллер
Мы реализуем Knowledge Graph Agent, который позволит системе соединять сущности через отношения, извлечённые из текста. Затем мы создадим Meta-Controller, который координирует всех агентов, управляет планированием и обрабатывает многошаговое выполнение.
Пример использования
Мы запускаем всю систему многоагентского ИИ на примере текста. Мы выполняем планирование, вызываем каждого агента последовательно и генерируем комплексный отчёт об анализе.
Заключение
Мы разработали комплексную систему многоагентского рассуждения, которая работает с реальным текстом, используя spaCy, интегрируя планирование, обучение и память в согласованный рабочий процесс. Мы наблюдаем, как каждый агент вносит свой уникальный слой понимания, и видим, как Meta-Controller координирует их для генерации богатых, интерпретируемых инсайтов.
Сравнение шести основных «рельсов» для многоагентских систем
В статье сравниваются шесть ключевых «рельсов» для многоагентских систем: MCP, A2A, AP2, ACP, x402 и Kite. Они стандартизируют доступ к инструментам, межагентскую коммуникацию, авторизацию платежей и расчёты.
MCP (Model Context Protocol)
MCP — это открытый протокол для подключения приложений LLM к внешним инструментам и данным. Он определяет клиент-серверную архитектуру, где клиенты (агенты, IDE, чат-интерфейсы) подключаются к серверам MCP, которые предоставляют инструменты, ресурсы и подсказки через стандартизированную схему JSON-RPC.
A2A (Agent2Agent)
A2A — это открытый стандарт для межагентской коммуникации и передачи задач. Спецификация определяет клиента A2A, который инициирует задачи от имени пользователя или системы, и сервер A2A (удаленный агент), который выполняет задачи.
AP2 (Agent Payments Protocol)
AP2 — это открытый стандарт Google для инициируемых агентами платежей. Он вводит мандаты — криптографически подписанные цифровые контракты, которые кодируют, кто может платить, в каких пределах и для каких транзакций.
ACP (Agentic Commerce Protocol)
ACP — это модель взаимодействия для агентов и продавцов. Она даёт агентам и продавцам общий язык для обнаружения продуктов, конфигурации, состояния оформления заказа и выполнения заказов.
x402
x402 — это открытый платёжный протокол Coinbase для ИИ-агентов и API. Он использует HTTP-статус 402 «Платёж требуется» в качестве триггера для автоматических платежей в стабильной монете.
Kite
Kite — это ориентированная на ИИ L1-цепь и платёжный рельс, разработанный для агентской коммерции. Он использует каналы состояния для микроплатежей и криптографическую идентичность для привязки агентов и пользователей.
Эти «рельсы» дополняют друг друга, а не конкурируют: MCP и A2A соединяют агентов с контекстом и друг с другом, AP2/ACP кодируют коммерческие намерения, а x402/Kite обрабатывают расчёты.
1. Какие основные структуры и классы используются для создания продвинутой системы многоагентского искусственного интеллекта в статье?
В статье описываются следующие основные структуры и классы:
* `MessageType (Enum)` — определяет типы сообщений.
* `Message` — класс для сообщений с отправителем, получателем, типом и содержанием.
* `AgentTask` — класс для задач с идентификатором, типом, данными и приоритетом.
* `Observation` — класс для наблюдений с состоянием, действием, результатом и уверенностью.
* `WorkingMemory` — класс для рабочей памяти с ёмкостью и элементами.
* `EpisodicMemory` — класс для эпизодической памяти с эпизодами и успешными паттернами.
* `ReflectionModule` — класс для модуля рефлексии с логом производительности.
* `AdvancedAgent` — базовый класс для агентов с именем, специальностью и NLP.
* `CognitiveEntityAgent` — подкласс для когнитивного агента сущностей.
* `SemanticReasoningAgent` — подкласс для агента семантического рассуждения.
* `KnowledgeGraphAgent` — подкласс для агента построения графа знаний.
2. Какие ключевые «рельсы» для многоагентских систем сравниваются в статье и для чего они используются?
В статье сравниваются шесть ключевых «рельсов» для многоагентских систем: MCP, A2A, AP2, ACP, x402 и Kite. Они используются для стандартизации доступа к инструментам, межагентской коммуникации, авторизации платежей и расчётов.
3. Что такое MCP (Model Context Protocol) и для чего он предназначен?
MCP — это открытый протокол для подключения приложений LLM к внешним инструментам и данным. Он определяет клиент-серверную архитектуру, где клиенты (агенты, IDE, чат-интерфейсы) подключаются к серверам MCP, которые предоставляют инструменты, ресурсы и подсказки через стандартизированную схему JSON-RPC.
4. В чём заключается роль Meta-Controller в системе многоагентского ИИ?
Meta-Controller в системе многоагентского ИИ координирует всех агентов, управляет планированием и обрабатывает многошаговое выполнение.
5. Какие классы и подклассы агентов используются в системе многоагентского ИИ, разработанной в статье?
В системе многоагентского ИИ используются следующие классы и подклассы агентов:
* `AdvancedAgent` — базовый класс для агентов.
* `CognitiveEntityAgent` — подкласс для когнитивного агента сущностей.
* `SemanticReasoningAgent` — подкласс для агента семантического рассуждения.
* `KnowledgeGraphAgent` — подкласс для агента построения графа знаний.