ai-agents-for-beginners

تخطيط نمط التصميم

(اضغط على الصورة أعلاه لمشاهدة فيديو هذا الدرس)

تخطيط التصميم

المقدمة

سيتناول هذا الدرس:

أهداف التعلم

بعد إكمال هذا الدرس، ستفهم:

تحديد الهدف الشامل وتقسيم المهمة

تحديد الأهداف والمهام

معظم المهام في العالم الحقيقي معقدة للغاية بحيث لا يمكن التعامل معها في خطوة واحدة. يحتاج وكيل الذكاء الاصطناعي إلى هدف موجز لتوجيه تخطيطه وأفعاله. على سبيل المثال، ضع في اعتبارك الهدف:

"إنشاء جدول رحلة لمدة 3 أيام."

على الرغم من أنه بسيط في التعبير، إلا أنه يحتاج إلى تحسين. كلما كان الهدف أكثر وضوحًا، كان الوكيل (وأي متعاون بشري) أكثر تركيزًا على تحقيق النتيجة الصحيحة، مثل إنشاء جدول شامل يتضمن خيارات الطيران، توصيات الفنادق، واقتراحات الأنشطة.

تقسيم المهام

تصبح المهام الكبيرة أو المعقدة أكثر قابلية للإدارة عند تقسيمها إلى مهام فرعية صغيرة موجهة نحو الهدف. بالنسبة لمثال جدول الرحلة، يمكنك تقسيم الهدف إلى:

يمكن التعامل مع كل مهمة فرعية بواسطة وكلاء أو عمليات مخصصة. قد يتخصص وكيل واحد في البحث عن أفضل عروض الطيران، بينما يركز آخر على حجز الفنادق، وهكذا. يمكن لوكيل تنسيق أو “وكيل لاحق” تجميع هذه النتائج في جدول شامل للمستخدم النهائي.

هذا النهج المعياري يسمح أيضًا بتحسينات تدريجية. على سبيل المثال، يمكنك إضافة وكلاء متخصصين لتوصيات الطعام أو اقتراحات الأنشطة المحلية وتحسين الجدول بمرور الوقت.

المخرجات المنظمة

يمكن لنماذج اللغة الكبيرة (LLMs) إنشاء مخرجات منظمة (مثل JSON) تكون أسهل على الوكلاء أو الخدمات اللاحقة لتحليلها ومعالجتها. هذا مفيد بشكل خاص في سياق الوكلاء المتعددين، حيث يمكن تنفيذ هذه المهام بعد استلام مخرجات التخطيط. راجع هذا

للحصول على نظرة سريعة.

يوضح مقتطف Python التالي وكيل تخطيط بسيط يقوم بتقسيم الهدف إلى مهام فرعية وإنشاء خطة منظمة:

from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
from autogen_ext.models.azure import AzureAIChatCompletionClient
from azure.core.credentials import AzureKeyCredential

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Travel SubTask Model
class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum  # we want to assign the task to the agent

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool

client = AzureAIChatCompletionClient(
    model="gpt-4o-mini",
    endpoint="https://models.inference.ai.azure.com",
    # To authenticate with the model you will need to generate a personal access token (PAT) in your GitHub settings.
    # Create your PAT token by following instructions here: https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens
    credential=AzureKeyCredential(os.environ["GITHUB_TOKEN"]),
    model_info={
        "json_output": False,
        "function_calling": True,
        "vision": True,
        "family": "unknown",
    },
)

# Define the user message
messages = [
    SystemMessage(content="""You are an planner agent.
    Your job is to decide which agents to run based on the user's request.
                      Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
 'subtasks': [{'assigned_agent': 'flight_booking',
               'task_details': 'Book round-trip flights from Singapore to '
                               'Melbourne.'}
    Below are the available agents specialised in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(
        content="Create a travel plan for a family of 2 kids from Singapore to Melboune", source="user"),
]

response = await client.create(messages=messages, extra_create_args={"response_format": 'json_object'})

response_content: Optional[str] = response.content if isinstance(
    response.content, str) else None
if response_content is None:
    raise ValueError("Response content is not a valid JSON string" )

pprint(json.loads(response_content))

# # Ensure the response content is a valid JSON string before loading it
# response_content: Optional[str] = response.content if isinstance(
#     response.content, str) else None
# if response_content is None:
#     raise ValueError("Response content is not a valid JSON string")

# # Print the response content after loading it as JSON
# pprint(json.loads(response_content))

# Validate the response content with the MathReasoning model
# TravelPlan.model_validate(json.loads(response_content))

وكيل التخطيط مع تنسيق الوكلاء المتعددين

في هذا المثال، يتلقى وكيل التوجيه الدلالي طلب المستخدم (مثل “أحتاج إلى خطة فندق لرحلتي.”).

يقوم المخطط بعد ذلك بـ:


from pydantic import BaseModel

from enum import Enum
from typing import List, Optional, Union

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Travel SubTask Model

class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum # we want to assign the task to the agent

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool
import json
import os
from typing import Optional

from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
from autogen_ext.models.openai import AzureOpenAIChatCompletionClient

# Create the client with type-checked environment variables

client = AzureOpenAIChatCompletionClient(
    azure_deployment=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    model=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
)

from pprint import pprint

# Define the user message

messages = [
    SystemMessage(content="""You are an planner agent.
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(content="Create a travel plan for a family of 2 kids from Singapore to Melbourne", source="user"),
]

response = await client.create(messages=messages, extra_create_args={"response_format": TravelPlan})

# Ensure the response content is a valid JSON string before loading it

response_content: Optional[str] = response.content if isinstance(response.content, str) else None
if response_content is None:
    raise ValueError("Response content is not a valid JSON string")

# Print the response content after loading it as JSON

pprint(json.loads(response_content))

ما يلي هو المخرجات من الكود السابق ويمكنك بعد ذلك استخدام هذه المخرجات المنظمة لتوجيهها إلى assigned_agent وتلخيص خطة السفر للمستخدم النهائي.

{
    "is_greeting": "False",
    "main_task": "Plan a family trip from Singapore to Melbourne.",
    "subtasks": [
        {
            "assigned_agent": "flight_booking",
            "task_details": "Book round-trip flights from Singapore to Melbourne."
        },
        {
            "assigned_agent": "hotel_booking",
            "task_details": "Find family-friendly hotels in Melbourne."
        },
        {
            "assigned_agent": "car_rental",
            "task_details": "Arrange a car rental suitable for a family of four in Melbourne."
        },
        {
            "assigned_agent": "activities_booking",
            "task_details": "List family-friendly activities in Melbourne."
        },
        {
            "assigned_agent": "destination_info",
            "task_details": "Provide information about Melbourne as a travel destination."
        }
    ]
}

يتوفر دفتر ملاحظات يحتوي على الكود السابق هنا.

التخطيط التكراري

تتطلب بعض المهام تكرارًا أو إعادة تخطيط، حيث تؤثر نتيجة مهمة فرعية واحدة على المهمة التالية. على سبيل المثال، إذا اكتشف الوكيل تنسيق بيانات غير متوقع أثناء حجز الرحلات، فقد يحتاج إلى تعديل استراتيجيته قبل الانتقال إلى حجز الفنادق.

بالإضافة إلى ذلك، يمكن أن تؤدي ملاحظات المستخدم (مثل قرار بشري بتفضيل رحلة مبكرة) إلى إعادة تخطيط جزئي. يضمن هذا النهج الديناميكي والتكراري أن الحل النهائي يتماشى مع القيود الواقعية وتفضيلات المستخدم المتغيرة.

على سبيل المثال، كود عينة

from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
#.. same as previous code and pass on the user history, current plan
messages = [
    SystemMessage(content="""You are a planner agent to optimize the
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(content="Create a travel plan for a family of 2 kids from Singapore to Melbourne", source="user"),
    AssistantMessage(content=f"Previous travel plan - {TravelPlan}", source="assistant")
]
# .. re-plan and send the tasks to respective agents

للحصول على تخطيط أكثر شمولاً، تحقق من Magnetic One

لحل المهام المعقدة.

الملخص

في هذه المقالة، نظرنا في مثال على كيفية إنشاء مخطط يمكنه اختيار الوكلاء المتاحين بشكل ديناميكي. يقوم مخرجات المخطط بتقسيم المهام وتعيين الوكلاء بحيث يمكن تنفيذها. يُفترض أن الوكلاء لديهم إمكانية الوصول إلى الوظائف/الأدوات المطلوبة لأداء المهمة. بالإضافة إلى الوكلاء، يمكنك تضمين أنماط أخرى مثل الانعكاس، الملخص، والدردشة الدائرية لتخصيص إضافي.

موارد إضافية

. في هذا التنفيذ، يقوم المنسق بإنشاء خطة محددة للمهام وتفويض هذه المهام إلى الوكلاء المتاحين. بالإضافة إلى التخطيط، يستخدم المنسق أيضًا آلية تتبع لمراقبة تقدم المهمة وإعادة التخطيط حسب الحاجة.

هل لديك المزيد من الأسئلة حول نمط تصميم التخطيط؟

انضم إلى Discord الخاص بـ Azure AI Foundry للتواصل مع متعلمين آخرين، حضور ساعات المكتب، والحصول على إجابات لأسئلتك حول وكلاء الذكاء الاصطناعي.

الدرس السابق

بناء وكلاء ذكاء اصطناعي موثوقين

الدرس التالي

نمط تصميم الوكلاء المتعددين

إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.

This site is open source. Improve this page.