Автоматизация задач с помощью многопользовательской системы на Python и OpenAI API

Внедрение многоагентного рабочего процесса с использованием Python, OpenAI API и PrimisAI Nexus

В данной статье мы рассмотрим практическое применение многоагентной системы автоматизации задач с использованием фреймворка PrimisAI Nexus, который полностью интегрирован с OpenAI API. Наша цель — продемонстрировать, как иерархический контроль, интеллектуальное использование инструментов и структурированные выходные данные могут помочь координировать работу нескольких ИИ-агентов для выполнения сложных задач, таких как планирование, разработка, обеспечение качества и анализ данных.

Настройка окружения

Первым шагом в нашем проекте будет установка необходимых зависимостей. Мы будем использовать PrimisAI для оркестрации агентов, OpenAI для доступа к языковой модели, а также библиотеку nest_asyncio для работы с асинхронными задачами в Python. Для начала установите библиотеки с помощью следующей команды:

!pip install primisai openai nest-asyncio

После этого настроим окружение для работы с вашим ключом API OpenAI:

import os
import nest_asyncio
from primisai.nexus.core import AI, Agent, Supervisor
import json

nest_asyncio.apply()

os.environ["OPENAI_API_KEY"] = "Ваш ключ API здесь"
llm_config = {
   "api_key": os.environ["OPENAI_API_KEY"],
   "model": "gpt-3.5-turbo",
   "base_url": "https://api.openai.com/v1",
   "temperature": 0.7
}

Определение схем агентов

На следующем этапе мы создадим JSON-схемы для трех типов агентов: CodeWriter, Data Analyst и Project Planner. Эти схемы обеспечивают структурированность ответов агентов, гарантируя их последовательность и предсказуемость.

code_schema = {
   "type": "object",
   "properties": {
       "description": {"type": "string", "description": "Объяснение кода"},
       "code": {"type": "string", "description": "Реализация на Python"},
       "language": {"type": "string", "description": "Язык программирования"},
       "complexity": {"type": "string", "enum": ["начальный", "средний", "продвинутый"]},
       "test_cases": {"type": "array", "items": {"type": "string"}, "description": "Примеры использования"}
   },
   "required": ["description", "code", "language"]
}

Настройка иерархии агентов

Чтобы смоделировать реальную управленческую структуру, мы создадим многоуровневую иерархию. Главный менеджер проекта будет надзирать за тремя помощниками: DevManager, AnalysisManager и QAManager, каждый из которых отвечает за специфические области.

main_supervisor = Supervisor(
   name="ProjectManager",
   llm_config=llm_config,
   system_message="Вы старший менеджер проекта, координирующий задачи разработки и анализа."
)

dev_supervisor = Supervisor(
   name="DevManager",
   llm_config=llm_config,
   is_assistant=True,
   system_message="Вы управляете задачами разработки."
)

analysis_supervisor = Supervisor(
   name="AnalysisManager",
   llm_config=llm_config,
   is_assistant=True,
   system_message="Вы управляете задачами анализа данных."
)

qa_supervisor = Supervisor(
   name="QAManager",
   llm_config=llm_config,
   is_assistant=True,
   system_message="Вы управляете обеспечением качества и тестированием."
)

Создание специализированных агентов

Теперь мы создадим специализированных агентов для выполнения различных задач, таких как CodeWriter для генерации кода на Python, CodeReviewer для проверки логики и безопасности, а также DataAnalyst для выполнения структурированного анализа данных. Каждый агент будет иметь соответствующие инструменты и инструкции:

code_agent = Agent(
   name="CodeWriter",
   llm_config=llm_config,
   system_message="Вы эксперт по разработке на Python."
)

review_agent = Agent(
   name="CodeReviewer",
   llm_config=llm_config,
   system_message="Вы старший рецензент кода."
)

analyst_agent = Agent(
   name="DataAnalyst",
   llm_config=llm_config,
   system_message="Вы ученый в области данных, специализирующийся на статистическом анализе."
)

planner_agent = Agent(
   name="ProjectPlanner",
   llm_config=llm_config,
   system_message="Вы специалист по планированию проектов."
)

tester_agent = Agent(
   name="QATester",
   llm_config=llm_config,
   system_message="Вы специалист по обеспечению качества, сосредоточенный на комплексных стратегиях тестирования."
)

Тестирование коммуникации между агентами

Мы визуализируем всю иерархию и подтверждаем структуру, чтобы убедиться, что инструкции могут передаваться от главного агента к любому специализированному агенту в сети:

print("\n Иерархия агентов:")
main_supervisor.display_agent_graph()

Выполнение сложных задач

Теперь мы дадим всей системе реальную задачу: создать функцию бинарного поиска, проанализировать её, протестировать и спланировать интеграцию в более крупный проект. Главный менеджер проекта будет бесшовно координировать действия агентов на этапе разработки, обеспечения качества и планирования:

complex_task = "Создайте функцию на Python, реализующую алгоритм бинарного поиска."
complex_response = main_supervisor.chat(complex_task)

Заключение

В заключение, мы успешно построили полностью автоматизированную, совместимую с OpenAI многоагентную систему с использованием PrimisAI Nexus. Каждый агент работает с ясностью, точностью и автономией, будь то написание кода, валидация логики, анализ данных или разбор сложных рабочих процессов. Наша иерархическая структура позволяет эффективно делегировать задачи и обеспечивает модульность и масштабируемость. PrimisAI Nexus является надежной основой для автоматизации реальных задач через интеллектуальное сотрудничество специализированных агентов.

Для получения дополнительной информации и ресурсов, пожалуйста, обратитесь к официальной документации PrimisAI и OpenAI.