Python多智能体系统中的协同智能

使用 LangChain 等 Python 工具，可以更轻松地实现多智能体系统，从而创建超越简单自动化的智能系统。

译自 Collaborative Intelligence in Multiagent Systems With Python，作者 Oladimeji Sowole。

近年来，大型语言模型 (LLM) 通过生成类似人类的文本、解决复杂问题和自主执行任务，重新定义了人工智能的能力。

然而，随着任务变得更加复杂和跨学科，单个 AI 模型可能并不总是足够。这就是 多智能体系统 (MAS) 在 LLM 中的概念发挥作用的地方。MAS 允许多个 AI 智能体协作，每个智能体专门负责问题的不同方面，共同努力实现共同目标。

本教程将使用 Python 探索 LLM 中多智能体系统的最新趋势。我们将介绍什么是多智能体系统、它们为什么重要以及如何使用 LangChain 等工具使用 Python 分步实现它们。

什么是多智能体系统？

多智能体系统 (MAS) 是一个环境，其中多个自主智能体相互交互、合作甚至竞争以解决问题。每个智能体都有自己的能力、优势和关注领域，使系统能够更有效地处理复杂的任务。这些系统在需要协作、并行任务执行甚至协商的场景中表现出色。

在 LLM 中，多智能体系统可以：

• 协作完成需要多个专业领域的任务（例如，一个智能体专注于数学，而另一个智能体处理自然语言理解）。
• 互相协商以解决目标冲突。
• 并行解决复杂的、多步骤的问题，提高速度和准确性。

多智能体系统的用例

• 财务规划: 一个智能体可以专注于分析股票趋势，而另一个智能体可以预测市场的未来行为。
• 医疗保健: 一个智能体专注于诊断分析，而另一个智能体协助患者病史回顾，共同为全面的医疗保健建议提供帮助。
• 供应链优化: 智能体可以专门从事物流、采购或需求预测，从而改善整个供应链的决策。

为什么要使用多智能体系统？

• 专业化: 不同的智能体专门负责不同的任务，使解决问题更加高效。
• 并行性: 智能体可以同时工作，显着减少完成多步骤操作所需的时间。
• 协作: 多个智能体共同努力，利用其独特的优势来实现最佳结果。
• 适应性: 智能体可以实时协商或调整策略，以适应不断变化的任务。

使用 Python 设置多智能体系统

让我们从理论转向实践。在本节中，我们将演示如何使用 Python 和 LangChain 库构建多智能体系统，该库允许不同 LLM 支持的智能体之间无缝交互。

安装依赖项

首先，我们需要安装 LangChain 并设置一个 LLM 服务，例如 OpenAI。

pip install langchain openai

您还需要一个 OpenAI API 密钥，您可以通过注册 OpenAI 的 API 服务来获取。

初始化智能体和工具

首先，我们将定义我们的 LLM（GPT 模型）以及我们的智能体将使用的一组工具。这些工具可以是任何东西，从计算器到网络搜索功能。让我们初始化协作解决涉及信息检索和数学计算的任务的智能体。

from langchain.agents import initialize_agent, load_tools
from langchain.llms import OpenAI

# Initialize OpenAI model
llm = OpenAI(api_key="your_openai_api_key", model="gpt-4")

# Load tools (agents) such as search and calculator
tools = load_tools(["serpapi", "calculator"], llm)

# Initialize a multi-agent system
multi_agent = initialize_agent(
    tools, 
    llm, 
    agent_type="multi-agent", 
    verbose=True
)

# Example task: Find the exchange rate of USD to EUR and calculate for 1500 units
task = "What is the current exchange rate of USD to EUR? Multiply it by 1500."

# Run the multi-agent system to complete the task
result = multi_agent.run(task)
print(result)

工作原理

• 智能体协作: 在此示例中，一个智能体使用搜索工具（例如 SERP API）获取实时汇率，而另一个智能体使用计算器工具将汇率乘以 1,500。
• 任务分解: LLM 将任务分解为子任务（获取汇率和执行计算），并将这些子任务分配给相应的智能体。

构建复杂的智能体系统

现在我们已经看到了一个基本示例，让我们构建一个更复杂的系统，该系统涉及多个智能体来解决问题的不同部分。考虑一个场景，我们正在构建一个旅行助手，它可以处理与预订航班、查看天气和执行预算计算相关的多个查询。

分步代码：旅行助手多智能体系统

# Define task-specific tools
from langchain.tools import Tool

# Weather checking tool
def get_weather(city):
    return f"The weather in {city} is sunny with a temperature of 25°C."

# Flight booking tool
def book_flight(destination, date):
    return f"Flight to {destination} on {date} has been booked."

# Budget calculation tool
def calculate_budget(amount, expenses):
    remaining = amount - sum(expenses)
    return f"Your remaining budget is {remaining}."

# Define our agents
weather_tool = Tool("get_weather", get_weather)
flight_tool = Tool("book_flight", book_flight)
budget_tool = Tool("calculate_budget", calculate_budget)

# Combine agents into a multi-agent system
tools = [weather_tool, flight_tool, budget_tool]
multi_agent = initialize_agent(tools, llm, agent_type="multi-agent", verbose=True)

# Example task
task = """
I want to book a flight to Paris for December 20th, check the weather in Paris, 
and calculate my remaining budget if I have $2000 and my expenses are $500 and $300.
"""

# Execute the multi-agent system
result = multi_agent.run(task)
print(result)

发生了什么？

• 航班智能体: book_flight 智能体处理任务的航班预订部分。
• 天气智能体: get_weather 智能体检索巴黎的天气数据。
• 预算智能体: calculate_budget 智能体根据用户的输入计算用户的剩余预算。

在这种情况下，每个代理都负责解决更大问题中的特定部分，并协同工作以提供全面的结果。整个过程由 LLM 驱动，LLM 协调代理的工作。

多代理系统的先进用例

医疗保健协作

在医疗保健领域，不同的代理可以专注于患者治疗过程的不同部分。例如：

• 一个代理可以分析医学影像。
• 另一个代理审查患者的病史。
• 第三个代理提供诊断建议。

通过协同工作，这些代理可以生成一份综合报告，帮助做出更准确、更快速的医疗决策。

供应链优化

多代理系统可用于管理供应链的不同方面：

• 物流代理跟踪运输时间。
• 采购代理监控库存水平。
• 预测代理预测未来需求。

它们共同可以优化供应链，减少延误，降低成本，提高整体效率。

结论

多代理系统 (MAS) 代表了人工智能驱动解决方案发展中的一个突破性趋势。通过允许多个代理协同工作，每个代理都有自己的专业领域，MAS 极大地提高了大规模问题解决任务的效率和有效性。借助 LangChain 等 Python 工具，实现多代理系统变得越来越容易，使开发人员能够创建超越简单自动化的智能系统。

您是否想探索与 AI 代理和 Python 合作的可能性？阅读 Andela 的博客，了解如何在 Python 中使用 LangGraph 开发主 AI 代理！