مایکروسافت ریسرچ معرفی شد AutoGen در سپتامبر 2023 به عنوان یک چارچوب پایتون منبع باز برای ساخت عوامل هوش مصنوعی که قادر به همکاری پیچیده و چند عاملی هستند. AutoGen در حال حاضر با بیش از 290 مشارکت کننده در بین محققان، توسعه دهندگان و سازمان ها مورد توجه قرار گرفته است. GitHub و نزدیک به 900000 دانلود تا مه 2024. مایکروسافت با تکیه بر این موفقیت، AutoGen Studio را معرفی کرد، رابطی با کد کم که به توسعه دهندگان این امکان را می دهد تا به سرعت نمونه اولیه و آزمایش با عوامل هوش مصنوعی را انجام دهند.
این کتابخانه برای توسعه عوامل هوشمند و مدولار است که می توانند به طور یکپارچه برای حل وظایف پیچیده، تصمیم گیری خودکار و اجرای کارآمد کد تعامل داشته باشند.
مایکروسافت نیز اخیرا معرفی کرده است AutoGen Studio که توسعه عامل هوش مصنوعی را با ارائه یک پلت فرم تعاملی و کاربر پسند ساده می کند. برخلاف مدل قبلی خود، AutoGen Studio نیاز به کدنویسی گسترده را به حداقل می رساند و یک رابط کاربری گرافیکی (GUI) ارائه می دهد که در آن کاربران می توانند عوامل را بکشند و رها کنند، گردش کار را پیکربندی کنند و راه حل های مبتنی بر هوش مصنوعی را بدون زحمت آزمایش کنند.
چه چیزی AutoGen را منحصر به فرد می کند؟
شناخت عوامل هوش مصنوعی
در زمینه هوش مصنوعی، یک عامل یک جزء نرم افزاری مستقل است که قادر به انجام وظایف خاص، اغلب با استفاده از پردازش زبان طبیعی و یادگیری ماشین است. چارچوب AutoGen مایکروسافت قابلیت‌های عامل‌های سنتی هوش مصنوعی را افزایش می‌دهد و آنها را قادر می‌سازد تا در مکالمات پیچیده و ساختاریافته شرکت کنند و حتی با سایر عوامل برای دستیابی به اهداف مشترک همکاری کنند.
AutoGen از طیف گسترده ای از انواع عامل و الگوهای مکالمه پشتیبانی می کند. این تطبیق پذیری به آن اجازه می دهد تا گردش های کاری را که قبلاً به مداخله انسانی نیاز داشت، خودکار کند و آن را برای برنامه های کاربردی در صنایع مختلف مانند مالی، تبلیغات، مهندسی نرم افزار و غیره ایده آل می کند.
عوامل مکالمه و قابل تنظیم
AutoGen مفهوم عوامل “مکالمه” را معرفی می کند که برای پردازش پیام ها، تولید پاسخ ها و انجام اقدامات بر اساس دستورالعمل های زبان طبیعی طراحی شده اند. این عوامل نه تنها قادر به درگیر شدن در گفتگوهای غنی هستند، بلکه می توانند برای بهبود عملکرد خود در وظایف خاص نیز سفارشی شوند. این طراحی ماژولار AutoGen را به ابزاری قدرتمند برای پروژه‌های هوش مصنوعی ساده و پیچیده تبدیل می‌کند.
انواع عامل کلیدی:
- معاون نماینده: یک دستیار مجهز به LLM که می تواند کارهایی مانند کدنویسی، اشکال زدایی یا پاسخگویی به سوالات پیچیده را انجام دهد.
- عامل پروکسی کاربر: رفتار کاربر را شبیه سازی می کند و توسعه دهندگان را قادر می سازد تا تعاملات را بدون دخالت کاربر واقعی آزمایش کنند. همچنین می تواند کد را به صورت مستقل اجرا کند.
- عوامل چت گروهی: مجموعه ای از عواملی که به صورت مشترک کار می کنند، ایده آل برای سناریوهایی که به مهارت ها یا دیدگاه های متعدد نیاز دارند.
همکاری چند عاملی
یکی از چشمگیرترین ویژگی های AutoGen پشتیبانی از آن است همکاری چند عاملی. توسعه‌دهندگان می‌توانند شبکه‌ای از عوامل را ایجاد کنند، که هر کدام دارای نقش‌های تخصصی هستند تا وظایف پیچیده‌تری را به نحو مؤثرتری انجام دهند. این عوامل می توانند با یکدیگر ارتباط برقرار کنند، اطلاعات را مبادله کنند و به طور جمعی تصمیم گیری کنند و فرآیندهایی را ساده کنند که در غیر این صورت زمان بر یا مستعد خطا هستند.
ویژگی های اصلی AutoGen
1. چارچوب چند عاملی
AutoGen ایجاد شبکه های عامل را تسهیل می کند که در آن هر عامل می تواند به طور مستقل یا با هماهنگی با دیگران کار کند. این چارچوب انعطاف‌پذیری را برای طراحی جریان‌های کاری که کاملاً مستقل هستند یا در صورت لزوم شامل نظارت انسانی می‌شوند، فراهم می‌کند.
الگوهای مکالمه عبارتند از:
- مکالمات یک به یک: تعاملات ساده بین دو عامل.
- ساختارهای سلسله مراتبی: نمایندگان می توانند وظایف را به عوامل فرعی محول کنند و رسیدگی به مشکلات پیچیده را آسان تر می کند.
- مکالمات گروهی: چت های گروهی چند نماینده که در آن نمایندگان برای حل یک کار با یکدیگر همکاری می کنند.
2. اجرای کد و اتوماسیون
برخلاف بسیاری از چارچوب‌های هوش مصنوعی، AutoGen به عوامل اجازه می‌دهد تا کد تولید، اجرا و اشکال‌زدایی خودکار را ایجاد کنند. این ویژگی برای کارهای مهندسی نرم افزار و تجزیه و تحلیل داده ها بسیار ارزشمند است، زیرا دخالت انسان را به حداقل می رساند و چرخه های توسعه را سرعت می بخشد. User Proxy Agent می تواند بلوک های کد اجرایی را شناسایی کند، آنها را اجرا کند و حتی خروجی را به طور مستقل اصلاح کند.
3. یکپارچه سازی با ابزارها و API ها
عوامل AutoGen می توانند با ابزارهای خارجی، سرویس ها و API ها تعامل داشته باشند و به طور قابل توجهی قابلیت های خود را گسترش دهند. AutoGen چه واکشی داده ها از پایگاه داده، چه درخواست های وب یا ادغام با خدمات Azure باشد، اکوسیستمی قوی برای ساخت برنامه های کاربردی غنی از ویژگی ها ارائه می دهد.
4. حل مسئله انسان در حلقه
در سناریوهایی که ورودی انسانی لازم است، AutoGen پشتیبانی می کند تعامل انسان و عامل. توسعه‌دهندگان می‌توانند پیش از انجام کارهای خاص، عواملی را برای درخواست راهنمایی یا تأیید از یک کاربر انسانی پیکربندی کنند. این ویژگی تضمین می کند که تصمیمات حیاتی با دقت و با نظارت صحیح اتخاذ می شوند.
AutoGen چگونه کار می کند: یک شیرجه عمیق
راه اندازی و پیکربندی عامل
اولین گام در کار با AutoGen شامل تنظیم و پیکربندی عوامل شماست. هر عاملی را می توان برای انجام وظایف خاص تنظیم کرد و توسعه دهندگان می توانند پارامترهایی مانند مدل LLM مورد استفاده، مهارت های فعال و محیط اجرا را سفارشی کنند.
تعاملات عامل ارکستراتور
AutoGen جریان مکالمه بین عوامل را به روشی ساختاریافته مدیریت می کند. یک گردش کار معمولی ممکن است به شکل زیر باشد:
- معرفی کار: یک کاربر یا عامل یک پرس و جو یا کار را معرفی می کند.
- پردازش عامل: عوامل مربوطه ورودی ها را تجزیه و تحلیل می کنند، پاسخ ها را تولید می کنند یا اقداماتی را انجام می دهند.
- ارتباط بین عاملی: نمایندگان داده ها و بینش ها را به اشتراک می گذارند و برای تکمیل کار با یکدیگر همکاری می کنند.
- اجرای وظیفه: عامل ها کد را اجرا می کنند، اطلاعات را واکشی می کنند یا در صورت نیاز با سیستم های خارجی تعامل دارند.
- فسخ: مکالمه زمانی پایان می‌یابد که کار تکمیل شود، به آستانه خطا رسیده یا شرایط خاتمه ایجاد شود.
مدیریت خطا و خود بهبودی
عوامل AutoGen برای مدیریت هوشمندانه خطاها طراحی شده اند. اگر یک کار شکست بخورد یا نتیجه نادرستی ایجاد کند، عامل می تواند مشکل را تجزیه و تحلیل کند، سعی کند آن را برطرف کند و حتی راه حل آن را تکرار کند. این قابلیت خوددرمانی برای ایجاد سیستم‌های هوش مصنوعی قابل اعتماد که می‌توانند به طور مستقل در دوره‌های طولانی کار کنند، حیاتی است.
پیش نیازها و نصب
قبل از کار با AutoGen، مطمئن شوید که درک کاملی از عوامل هوش مصنوعی، چارچوب‌های ارکستراسیون و اصول برنامه‌نویسی پایتون دارید. AutoGen یک چارچوب مبتنی بر پایتون است و پتانسیل کامل آن زمانی که با سایر سرویس‌های هوش مصنوعی مانند مدل‌های GPT OpenAI یا Microsoft Azure AI ترکیب شود، تحقق می‌یابد.
با استفاده از AutoGen نصب کنید pip:
برای ویژگی‌های اضافی، مانند قابلیت‌های جستجوی بهینه یا ادغام با کتابخانه‌های خارجی:
تنظیم محیط
AutoGen از شما می خواهد که متغیرهای محیط و کلیدهای API را به صورت ایمن پیکربندی کنید. بیایید مراحل اساسی مورد نیاز برای مقداردهی اولیه و پیکربندی فضای کاری خود را طی کنیم:
- بارگذاری متغیرهای محیطی: ذخیره کلیدهای API حساس در a
.envفایل و با استفاده از آنها بارگذاری کنیدdotenvبرای حفظ امنیت (api_key = os.environ.get (“OPENAI_API_KEY”)) - انتخاب پیکربندی مدل زبان خود: در مورد LLM که استفاده خواهید کرد، مانند GPT-4 از OpenAI یا هر مدل ترجیحی دیگری تصمیم بگیرید. تنظیمات پیکربندی مانند نقاط پایانی API، نام مدل ها و کلیدها باید به وضوح تعریف شوند تا ارتباط یکپارچه بین عامل ها امکان پذیر شود.
ساخت عوامل AutoGen برای سناریوهای پیچیده
برای ساختن یک سیستم چند عاملی، باید عوامل را تعریف کرده و نحوه رفتار آنها را مشخص کنید. AutoGen از انواع مختلف عامل پشتیبانی می کند که هر کدام دارای نقش ها و قابلیت های متفاوتی هستند.
ایجاد Assistant و User Proxy Agents: عواملی را با پیکربندی های پیچیده برای اجرای کد و مدیریت تعاملات کاربر تعریف کنید:
