Vytvoření jednoduchého souběžného pracovního postupu

Tento kurz ukazuje, jak vytvořit souběžný pracovní postup pomocí rozhraní Agent Framework. Naučíte se implementovat vzory typu fan-out a fan-in, které umožňují paralelní zpracování, což umožňuje několika vykonavatelům nebo agentům pracovat současně a následně agregovat jejich výsledky.

Co budete vytvářet

Vytvoříte pracovní postup, který:

• Vezme otázku jako vstup (například "Co je teplota?").
• Odešle stejnou otázku dvěma odborníkům na umělou inteligenci současně (fyzik a chemik).
• Shromažďuje a kombinuje odpovědi z obou agentů do jednoho výstupu.
• Demonstruje současné spuštění s AI agenty pomocí rozvětvení/sbíhání vzorů.

Pokryté koncepty

• Exekutoři
• Hrany ventilátoru
• Hrany ventilátoru
• Tvůrce pracovních postupů
• Události

Požadavky

• Sada .NET 8.0 SDK nebo novější
• Konfigurace koncového bodu a nasazení služby Azure OpenAI
• Nainstalované a ověřené rozhraní příkazového řádku Azure(pro ověřování přihlašovacích údajů Azure)
• Nová konzolová aplikace

Krok 1: Instalace balíčků NuGet

Nejprve nainstalujte požadované balíčky pro váš projekt .NET:

dotnet add package Azure.AI.OpenAI --prerelease
dotnet add package Azure.Identity
dotnet add package Microsoft.Agents.AI.Workflows --prerelease
dotnet add package Microsoft.Extensions.AI.OpenAI --prerelease

Krok 2: Nastavení závislostí a Azure OpenAI

Začněte nastavením projektu s požadovanými balíčky NuGet a klientem Azure OpenAI:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Threading.Tasks;
using Azure.AI.OpenAI;
using Azure.Identity;
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Workflows;
using Microsoft.Extensions.AI;

public static class Program
{
    private static async Task Main()
    {
        // Set up the Azure OpenAI client
        var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT") ?? throw new Exception("AZURE_OPENAI_ENDPOINT is not set.");
        var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-4o-mini";
        var chatClient = new AzureOpenAIClient(new Uri(endpoint), new AzureCliCredential())
            .GetChatClient(deploymentName).AsIChatClient();

Krok 3: Vytvoření agentů expertní umělé inteligence

Vytvořte dva specializované agenty umělé inteligence, které budou poskytovat odborné perspektivy:

        // Create the AI agents with specialized expertise
        ChatClientAgent physicist = new(
            chatClient,
            name: "Physicist",
            instructions: "You are an expert in physics. You answer questions from a physics perspective."
        );

        ChatClientAgent chemist = new(
            chatClient,
            name: "Chemist",
            instructions: "You are an expert in chemistry. You answer questions from a chemistry perspective."
        );

Krok 4: Vytvoření spouštěcího exekutoru

Vytvořte exekutor, který zahájí souběžné zpracování odesláním vstupu několika agentům:

        var startExecutor = new ConcurrentStartExecutor();

Implementace ConcurrentStartExecutor :

/// <summary>
/// Executor that starts the concurrent processing by sending messages to the agents.
/// </summary>
internal sealed class ConcurrentStartExecutor() : Executor<string>("ConcurrentStartExecutor")
{
    /// <summary>
    /// Starts the concurrent processing by sending messages to the agents.
    /// </summary>
    /// <param name="message">The user message to process</param>
    /// <param name="context">Workflow context for accessing workflow services and adding events</param>
    /// <param name="cancellationToken">The <see cref="CancellationToken"/> to monitor for cancellation requests.
    /// The default is <see cref="CancellationToken.None"/>.</param>
    /// <returns>A task representing the asynchronous operation</returns>
    public override async ValueTask HandleAsync(string message, IWorkflowContext context, CancellationToken cancellationToken = default)
    {
        // Broadcast the message to all connected agents. Receiving agents will queue
        // the message but will not start processing until they receive a turn token.
        await context.SendMessageAsync(new ChatMessage(ChatRole.User, message), cancellationToken);

        // Broadcast the turn token to kick off the agents.
        await context.SendMessageAsync(new TurnToken(emitEvents: true), cancellationToken);
    }
}

Krok 5: Vytvoření exekutoru agregace

Vytvořte exekutor, který shromažďuje a kombinuje odpovědi z více agentů:

        var aggregationExecutor = new ConcurrentAggregationExecutor();

Implementace ConcurrentAggregationExecutor :

/// <summary>
/// Executor that aggregates the results from the concurrent agents.
/// </summary>
internal sealed class ConcurrentAggregationExecutor() :
    Executor<List<ChatMessage>>("ConcurrentAggregationExecutor")
{
    private readonly List<ChatMessage> _messages = [];

    /// <summary>
    /// Handles incoming messages from the agents and aggregates their responses.
    /// </summary>
    /// <param name="message">The message from the agent</param>
    /// <param name="context">Workflow context for accessing workflow services and adding events</param>
    /// <param name="cancellationToken">The <see cref="CancellationToken"/> to monitor for cancellation requests.
    /// The default is <see cref="CancellationToken.None"/>.</param>
    /// <returns>A task representing the asynchronous operation</returns>
    public override async ValueTask HandleAsync(List<ChatMessage> message, IWorkflowContext context, CancellationToken cancellationToken = default)
    {
        this._messages.AddRange(message);

        if (this._messages.Count == 2)
        {
            var formattedMessages = string.Join(Environment.NewLine,
                this._messages.Select(m => $"{m.AuthorName}: {m.Text}"));
            await context.YieldOutputAsync(formattedMessages, cancellationToken);
        }
    }
}

Krok 6: Sestavení pracovního postupu

Připojte exekutory a agenty pomocí hraničních vzorů fan-out a fan-in.

        // Build the workflow by adding executors and connecting them
        var workflow = new WorkflowBuilder(startExecutor)
            .AddFanOutEdge(startExecutor, targets: [physicist, chemist])
            .AddFanInEdge(aggregationExecutor, sources: [physicist, chemist])
            .WithOutputFrom(aggregationExecutor)
            .Build();

Krok 7: Provedení pracovního postupu

Spusťte pracovní postup a zachyťte výstup streamování:

        // Execute the workflow in streaming mode
        await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, "What is temperature?");
        await foreach (WorkflowEvent evt in run.WatchStreamAsync())
        {
            if (evt is WorkflowOutputEvent output)
            {
                Console.WriteLine($"Workflow completed with results:\n{output.Data}");
            }
        }
    }
}

Jak to funguje

1. Fan-Out: ConcurrentStartExecutor přijme vstupní otázku a hrana fan-out ji odešle jak agentu fyzikovi, tak agentu chemikovi současně.
2. Paralelní zpracování: Oba agenti umělé inteligence zpracovávají stejnou otázku souběžně, přičemž každý z nich poskytuje svou odbornou perspektivu.
3. Fan-In: Shromažďuje ConcurrentAggregationExecutorChatMessage odpovědi od obou agentů.
4. Agregace: Po přijetí obou odpovědí agregátor je zkombinuje do formátovaného výstupu.

Klíčové koncepty

• Větvení: Pomocí AddFanOutEdge() můžete distribuovat stejný vstup na více vykonavatelů nebo agentů.
• Fan-In hrany: Slouží AddFanInEdge() ke shromažďování výsledků z více zdrojových exekutorů.
• Integrace agenta AI: Agenty AI je možné použít přímo jako exekutory v pracovních postupech.
• Základní třída Executor: Vlastní exekutory dědí ze Executor<TInput> a přepíší metodu HandleAsync.
• Turn Tokens: Použijte TurnToken k signalizaci agentům k zahájení zpracování zpráv ve frontě.
• Spouštění streamování: Slouží StreamAsync() k získání aktualizací v reálném čase při průběhu pracovního postupu.

Dokončení implementace

Kompletní funkční implementaci tohoto souběžného pracovního postupu s agenty AI najdete v ukázce Concurrent/Program.cs v úložišti Agent Framework.

V implementaci Pythonu vytvoříte souběžný pracovní postup, který zpracovává data prostřednictvím několika paralelních exekutorů a agreguje výsledky různých typů. Tento příklad ukazuje, jak architektura zpracovává smíšené typy výsledků ze souběžného zpracování.

Co budete vytvářet

Vytvoříte pracovní postup, který:

• Vezme jako vstup seznam čísel.
• Rozdělí seznam do dvou paralelních exekutorů (jeden výpočet průměru, jeden výpočet součtu).
• Agreguje různé typy výsledků (float a int) do konečného výstupu.
• Ukazuje, jak architektura zpracovává různé typy výsledků od souběžných exekutorů.

Pokryté koncepty

• Exekutoři
• Hrany ventilátoru
• Hrany ventilátoru
• Tvůrce pracovních postupů
• Události

Požadavky

• Python 3.10 nebo novější
• Nainstalované rozhraní Agent Framework Core: pip install agent-framework-core

Krok 1: Import požadovaných závislostí

Začněte importem potřebných komponent z agenta Framework:

import asyncio
import random

from agent_framework import Executor, WorkflowBuilder, WorkflowContext, WorkflowOutputEvent, handler
from typing_extensions import Never

Krok 2: Vytvoření vykonavatele dispečera

Dispečer zodpovídá za distribuci počátečního vstupu do několika paralelních exekutorů:

class Dispatcher(Executor):
    """
    The sole purpose of this executor is to dispatch the input of the workflow to
    other executors.
    """

    @handler
    async def handle(self, numbers: list[int], ctx: WorkflowContext[list[int]]):
        if not numbers:
            raise RuntimeError("Input must be a valid list of integers.")

        await ctx.send_message(numbers)

Krok 3: Vytvoření exekutorů paralelního zpracování

Vytvořte dva exekutory, které budou zpracovávat data současně:

class Average(Executor):
    """Calculate the average of a list of integers."""

    @handler
    async def handle(self, numbers: list[int], ctx: WorkflowContext[float]):
        average: float = sum(numbers) / len(numbers)
        await ctx.send_message(average)


class Sum(Executor):
    """Calculate the sum of a list of integers."""

    @handler
    async def handle(self, numbers: list[int], ctx: WorkflowContext[int]):
        total: int = sum(numbers)
        await ctx.send_message(total)

Krok 4: Vytvoření exekutoru agregátoru

Agregátor shromažďuje výsledky z paralelních exekutorů a poskytuje konečný výstup:

class Aggregator(Executor):
    """Aggregate the results from the different tasks and yield the final output."""

    @handler
    async def handle(self, results: list[int | float], ctx: WorkflowContext[Never, list[int | float]]):
        """Receive the results from the source executors.

        The framework will automatically collect messages from the source executors
        and deliver them as a list.

        Args:
            results (list[int | float]): execution results from upstream executors.
                The type annotation must be a list of union types that the upstream
                executors will produce.
            ctx (WorkflowContext[Never, list[int | float]]): A workflow context that can yield the final output.
        """
        await ctx.yield_output(results)

Krok 5: Sestavení pracovního postupu

Připojte vykonavatele pomocí vzorů rozdělovacího a sběrného spoje.

async def main() -> None:
    # 1) Create the executors
    dispatcher = Dispatcher(id="dispatcher")
    average = Average(id="average")
    summation = Sum(id="summation")
    aggregator = Aggregator(id="aggregator")

    # 2) Build a simple fan out and fan in workflow
    workflow = (
        WorkflowBuilder()
        .set_start_executor(dispatcher)
        .add_fan_out_edges(dispatcher, [average, summation])
        .add_fan_in_edges([average, summation], aggregator)
        .build()
    )

Krok 6: Spuštění pracovního postupu

Spusťte pracovní postup s ukázkovými daty a zaznamenejte výstup:

    # 3) Run the workflow
    output: list[int | float] | None = None
    async for event in workflow.run_stream([random.randint(1, 100) for _ in range(10)]):
        if isinstance(event, WorkflowOutputEvent):
            output = event.data

    if output is not None:
        print(output)

if __name__ == "__main__":
    asyncio.run(main())

Jak to funguje

1. Fan-Out: Dispatcher přijme vstupní seznam a současně ho odešle jak exekutorům Average, tak i exekutorům Sum.
2. Paralelní zpracování: Oba exekutory zpracovávají stejný vstup souběžně a vytvářejí různé typy výsledků:
   • Average Exekutor vytvoří float výsledek.
   • Sum Exekutor vytvoří int výsledek.
3. Fan-In: Aggregator shromažďuje výsledky od obou vykonávačů do seznamu, který obsahuje oba typy.
4. Zpracování typů: Architektura automaticky zpracovává různé typy výsledků pomocí sjednocovacího typu (int | float)

Klíčové koncepty

• Rozvětvené hrany: Slouží add_fan_out_edges() k odeslání stejného vstupu do více vykonavatelů.
• Fan-In hrany: Slouží add_fan_in_edges() ke shromažďování výsledků z více zdrojových exekutorů.
• Typy sjednocení: Zpracování různých typů výsledků pomocí poznámek typu, jako je list[int | float]
• Souběžné provádění: Více výkonných jednotek zpracovává data současně, což zlepšuje výkon.

Dokončení implementace

Kompletní funkční implementaci tohoto souběžného pracovního postupu najdete v ukázce aggregate_results_of_different_types.py v úložišti Agent Framework.

Další kroky

Informace o používání agentů v pracovních postupech