Balinder Walia构建多智能体人工智能系统：会思考的自治团队
单个人工智能代理很强大，但也有局限性。一个代理试图计划、编码、审查、测试和部署就像要求一个人完成公司中的每一项工作。结果充其量只是平庸。多代理人工智能系统通过为各个代理分配专门的角色并让他们协作来解决这个问题——就像组织良好的人类团队一样。
在本文中，我们将探讨什么是多代理系统、如何定义代理角色、哪些框架可用于构建它们，以及如何处理内存和编排。我们将用一个实际的例子来结束：一个人工智能开发团队，可以自主规划功能、编写代码和审查拉取请求。
什么是多智能体人工智能系统？
多代理系统 (MAS) 是一种架构，其中多个 AI 代理在共享环境中运行，每个代理都有定义的角色、工具集和目标。与处理所有事情的整体代理不同，MAS 将复杂的任务分解为子任务并将它们分配给专门的代理。
精心设计的多代理系统的关键属性包括：
- 专业化： 每个代理都专注于一组狭窄的职责，从而产生更高质量的输出。
- 自主权： 代理可以在其领域内做出决策并采取行动，而无需持续的人工监督。
- 通讯： 代理通过结构化消息、共享状态或中央协调器交换信息。
- 协调： 定义的工作流程可确保代理按正确的顺序行事并正确处理依赖关系。
定义代理角色
构建多代理系统的第一步是定义明确的角色。以软件开发为例，考虑以下常见的代理原型：
- 策划代理： 分析高层目标，将其分解为任务，定义验收标准，并创建结构化计划。该代理不编写代码——它进行战略性思考。
- 开发商代理： 接受任务规范并生成代码。它可以访问文件系统工具、代码搜索和文档。它遵循计划，但对实施做出战术决策。
- 审稿代理人： 检查开发人员的输出是否存在错误、安全问题、样式违规和逻辑错误。它提供了开发人员可以采取行动的结构化反馈。
- 测试代理： 生成测试用例、运行它们并报告结果。它侧重于边缘情况和回归测试。
- 部署代理： 处理 CI/CD 管道执行、基础设施配置和监控设置。
每个角色都应该有一个清晰的系统提示，定义其个性、约束和可用工具。角色定义越具体，代理的表现就越好。
多代理系统框架
已经出现了一些框架来简化多代理系统的构建。以下是当今可用的三个最强大的选项：
船员人工智能
CrewAI 提供了用于定义代理、任务和工作人员（代理团队）的高级抽象。它强调基于角色的设计和顺序或并行任务执行。 CrewAI 非常适合想要快速入门而不从头开始构建编排逻辑的团队。其声明性语法可以轻松定义代理角色并将它们连接在一起。
AutoGen（微软）
AutoGen 专注于对话式多代理工作流程。代理通过类似聊天的界面进行通信，从而可以自然地实现辩论、审查和迭代模式。 AutoGen 支持完全自主执行和人机交互模式，这对于需要在关键决策点进行监督的生产系统非常有价值。
克劳德代理SDK
Claude Agent SDK 提供了一个框架，用于构建由 Anthropic 的 Claude 模型提供支持的代理。它提供开箱即用的工具使用、结构化输出和对话管理。它的优势在于底层模型的质量以及定义代理可以调用的精确工具模式的能力。对于已经在堆栈中使用 Claude 的团队来说，Agent SDK 提供了通向多代理架构的自然路径。
内存和状态管理
多智能体系统中最大的挑战之一是内存。代理需要记住已经做了什么、正在进行什么以及当前的上下文是什么样的。有几种方法可以解决这个问题：
- 短期记忆： 对话历史记录在上下文窗口中传递。简单但受到令牌约束的限制。
- 通过向量数据库进行长期记忆： 代理从 Pinecone、Weaviate 或 ChromaDB 等矢量存储中存储和检索信息。这允许代理回忆过去的相关交互、代码片段或文档，而无需填充上下文窗口。
- 共享状态存储： 中央键值存储（Redis、数据库，甚至共享 JSON 文件），代理在其中读取和写入结构化状态。这对于跟踪任务状态、依赖关系和工件非常有用。
- 神器传递： 代理生成输出（文件、计划、评论），这些输出作为输入传递给管道中的下一个代理。这是最简单的内存形式，非常适合线性工作流程。
编排模式
代理如何协调他们的工作与每个代理的工作一样重要。三种最常见的编排模式是：
- 顺序管道： 代理按固定顺序执行。首先运行规划者，然后是开发者，最后是评审者。简单且可预测，但并行工作速度较慢。
- 分层授权： 管理代理接收顶级目标并将子任务委托给工作代理。经理监控进度并在需要时重新分配工作。这反映了人类组织的运作方式。
- 协作循环： 代理以迭代循环的方式工作。开发人员编写代码，审阅者提供反馈，开发人员进行修改。此循环将继续，直到审阅者批准或达到最大迭代计数。
真实示例：人工智能开发团队
让我们用一个具体的例子来把这一切结合起来。想象一下，您想要一个可以处理 GitHub 问题并生成有效拉取请求的 AI 团队：
- 步骤一： 的 规划代理 阅读 GitHub 问题，分析代码库结构，并生成包含要修改的特定文件和验收标准的任务计划。
- 步骤2： 的 开发商代理 接收计划并实施变更。它使用文件读/写工具、代码搜索，并且可以在本地运行测试。
- 步骤3： 的 审稿代理 检查差异、检查错误、安全问题以及对计划的遵守情况。它会生成包含批准/拒绝和评论的结构化审查。
- 第4步： 如果被拒绝，开发者代理会收到反馈并进行迭代。该循环最多运行 3 次。
- 第5步： 一旦获得批准， 部署代理 创建拉取请求、运行 CI 并报告结果。
整个工作流程可以自主运行，仅在最终的公关审查阶段进行人工监督。使其发挥作用的关键是清晰的角色定义、结构良好的工具访问以及通过向量索引文档对代码库的共同理解。
结论
多智能体人工智能系统代表了我们使用大型语言模型的下一步发展。通过将复杂的任务分解为专门的角色，为代理提供正确的工具和内存，并通过明确定义的模式协调他们的协作，我们可以建立自治团队来解决单个代理无法单独处理的问题。从小处开始——定义两个或三个具有明确角色的代理——然后从那里迭代。这些框架足够成熟，可以支持生产使用，而且结果往往令人惊讶。