Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Gilt für: Azure Logic Apps (Standard)
Von Bedeutung
Diese Funktion befindet sich in der Vorschauphase und unterliegt den Zusätzlichen Nutzungsbedingungen für Microsoft Azure-Vorschauversionen.
Für KI-Integrationslösungen, die komplexe Szenarien oder komplexe Aufgaben verarbeiten, die häufig die Funktionen einer einzelnen Agentschleife überschreiten, unterstützt Azure Logic Apps systemeigene gängige und bewährte Multiagent-Loop-Orchestrierungsmuster, die von einfachen, zusammengesetzten Workflows bis hin zu komplexen autonomen Systemen reichen. Mehrere Agentschleifen helfen beim Verteilen der Rollen, Zuständigkeiten und Workloads in einem komplexen Workflow, der anspruchsvolle Aufgaben ausführen muss.
Manchmal muss Ihre KI-Integrationslösung ein komplexes Szenario oder komplexe Aufgaben behandeln, die die Funktionalität, Leistung oder Effizienz einer einzelnen Agentschleife überschreiten können. In diesen Szenarien sollten Sie mehrere Agentschleifen hinzufügen und verwenden, um die Rollen, Zuständigkeiten und Arbeitsauslastung in Ihrem Workflow zu verteilen. Azure Logic Apps unterstützt systemeigene und bewährte Multiagent-Loop-Orchestrierungsmuster, die von einfachen, zusammengesetzten Workflows bis hin zu komplexen autonomen Systemen reichen.
Um Ihnen dabei zu helfen, effektivere Multiagentschleifensysteme zu erstellen, hilft Ihnen dieses Handbuch, die folgenden Konzepte zu erlernen und zu verstehen:
- Wie Multiagent-Schleifenworkflows mit einzelnen Agentschleifenworkflows verglichen werden, z. B. Einschränkungen für einzelne Agentschleifen und Vorteile von Multiagentschleifen.
- Unterstützte Multiagent-Loop-Orchestrierungsmuster, die von der einfachsten bis zur komplexesten aufgeführt werden.
- Überlegungen zur Auswahl des besten Musters für Ihr Szenario.
- Wann und wie sie jedes Muster anwenden.
Einschränkungen für einzelne Agentschleifen im Vergleich zu Multiagentschleifenvorteilen
In der folgenden Tabelle sind die Herausforderungen aufgeführt, wenn eine einzelne Agentschleife alle Aufgaben in einer komplexen Lösung aus Interpretation, Verarbeitung und Begründung für Entscheidungsfindung und Ausführung ausführt.
| Einschränkung | Description |
|---|---|
| Kognitive Belastung | Komplexe Aufgaben erfordern, dass die Agentenschleife mehrere Anliegen gleichzeitig jongliert, was zu einer verringerten Leistung in einzelnen Aspekten führt. |
| Fehlerverteilung | Ein Fehler kann den gesamten Prozess entgleisen lassen, ohne die Möglichkeit einer Wiederherstellung. |
| Keine Spezialisierung | Sie können eine Agentschleife nicht gleichermaßen gut für alle Arten von Aufgaben optimieren. |
| Skalierbarkeitseinschränkungen | Wenn Sie einer monolithischen Agentschleife Funktionen hinzufügen, erhöht sich die Komplexität exponentiell. |
Multiagent-Schleifenarchitekturen adressieren Einschränkungen von Einzel-Agent-Schleifen, indem komplexe Probleme in spezialisierte, verwaltbare Komponenten dekompiliert werden. Wenn Sie Ihre Lösung mit einfachen, komponierbaren Mustern entwerfen und erstellen, wird ihr Implementierungserfolg im Vergleich zu komplexen Frameworks größer. Dieses Prinzip der Einfachheit und Kompositierbarkeit besteht im Kern des Multiagent-Schleifendesigns.
Mehrere Agentschleifen können spezielle Rollen, Zuständigkeiten übernehmen und die Arbeitsauslastung in einem Workflow verteilen. In der folgenden Tabelle sind die wichtigsten Vorteile von Multiagentschleifen rund um Zuverlässigkeit, Wartung, Spezialisierung und Skalierbarkeit aufgeführt:
| Nutzen | Description |
|---|---|
| Separate Aspekte | Jede Agent-Schleife kann sich auf ein bestimmtes Fachgebiet konzentrieren. |
| Unabhängige Optimierung | Sie können jede Agentschleife für eine bestimmte Aufgabe optimieren. |
| Isolieren von Fehlern | Fehler in einer Agentschleife schlagen nicht unbedingt auf andere Agentschleifen durch. |
| Wiederverwendbarkeit | Sie können spezielle Agentschleifen in verschiedenen Workflows wiederverwenden. |
| Human in the Loop | Sie haben natürliche Prüfpunkte für menschliche Überprüfung und Intervention. |
| Skalierbare Entwicklung | Teams können separat und unabhängig an verschiedenen Agenten-Schleifen arbeiten. |
Mit Azure Logic Apps können Sie Multiagent-Schleifensysteme erstellen, indem sie die folgenden Funktionen bereitstellen:
| Fähigkeit | Description |
|---|---|
| Visuelles Design | Stellt eine klare grafische Darstellung bereit, die Agentschleifeninteraktionen und Entscheidungspunkte anzeigt. |
| Integrierte Zustandsverwaltung | Umfasst native Unterstützung für die Erhaltung des Kontexts über Agenten-Schleifenaufrufe hinweg. |
| Fehlerbehandlung | Bietet robuste Fehlerbehandlungs- und Wiederholungsmechanismen. |
| Überwachung und Beobachtbarkeit | Bietet umfassende Protokollierung und Überwachung für Multiagent-Workflows. |
| Integrationsfunktionen | Sie können einfach mit externen Diensten aus der realen Welt integriert werden, indem Sie Agenten-Tools erstellen, die durch Aktionen von 1.400 Connectors in Azure Logic Apps unterstützt werden. |
| Skalierbarkeit | Skaliert automatisch mit unternehmensgerechter Zuverlässigkeit. |
Weitere Informationen finden Sie in den folgenden Artikeln:
- KI-Agenten-Schleifenorchestrierungsmuster
- Wie man ein Multi-Agent-Schleifensystem verwendet
- KI-Agents: Das Multidesignmuster
Verkettungsmuster für Prompts
Dieses Workflowmuster unterteilt eine Aufgabe in sequenzielle Schritte. Jeder Schritt entspricht einem bestimmten Agent-Schleifenaufruf. Jeder Aufruf eines großen Sprachmodells (LLM) verarbeitet die Ausgabe des vorherigen LLM. In Azure Logic Apps wird dieses Muster in eine Kette mit mehreren Agentschleifen übersetzt, bei denen die Ausgabe jeder Agentschleife zur Eingabe für die nächste Agentschleife wird.
Niedrige Komplexitätsstufe
Wird verwendet, wenn der Workflow die folgenden Kriterien erfüllt:
- Komplexe Aufgaben erfordern eine sequenzielle Verarbeitung.
- Sie können Vorgänge sauber in feste Teilvorgänge zerlegen, die einer linearen Sequenz folgen.
- Sie benötigen Überprüfungen zwischen Schritten.
- Jeder Schritt profitiert von einer bestimmten, fokussierten Aufmerksamkeit.
- Qualität ist wichtiger als Geschwindigkeit.
Examples
- Generieren einer Marketingkopie → Übersetzen in eine andere Sprache
- Erstellen einer Dokumentgliederung → Überprüfen der Gliederung → Schreiben des vollständigen Dokuments
- Extrahieren von Daten → Validieren von Daten → Formatieren von Daten
Wichtige Attribute und Vorteile
- Die vorgegebenen Schritte folgen einer linearen Entwicklung.
- Jede Agentschleife konzentriert sich auf einen einzelnen, gut definierten Vorgang, der eine höhere Genauigkeit fördert.
- Jeder Schritt kann programmgesteuerte Prüfpunkte oder Validierungsgates für die Qualitätskontrolle enthalten.
- Einfacheres Debuggen und Identifizieren von Problemen in der Kette.
- Modularität ermöglicht es Ihnen, jeden Schritt unabhängig voneinander zu optimieren.
- Abwendung der Latenz für eine bessere Genauigkeit und Ergebnisse.
Weitere Informationen finden Sie in den folgenden Ressourcen:
- Aufrufen von KI-Agent-Schleifen sequenziell zum Ausführen von Teilvorgängen für komplexe Workflows in Azure Logic Apps
- Übung: Implementieren der Muster für die Eingabeaufforderungskette
Routing-Pattern
Dieses Workflowmuster klassifiziert und leitet Eingaben an eine spezielle nachfolgende Aufgabe weiter. Mit diesem Verhalten können Sie Bedenken trennen und spezielle Eingabeaufforderungen ermöglichen, die Sie für bestimmte Eingabetypen optimieren können.
Niedrige bis mittlere Komplexitätsstufe
Verwenden Sie dies, wenn Sie über unterschiedliche Eingabekategorien verfügen, die eine andere oder spezielle Behandlung benötigen.
Examples
Weiterleiten von Kundendienstabfragen, z. B.:
- Abrechnung → Abrechnungs-Agent-Schleife
- Technischer Support → Agenten-Schleife technischer Support
Klassifizieren von Inhalten, z. B.:
- Dringender → Prioritätsworkflow
- Routine → Routineworkflow
Wählen Sie z. B. eine LLM aus:
- Grundlegende Fragen → Standard-Agentschleife
- Erweiterte oder komplexe Fragen → Fortgeschrittene Agenten-Schleife
Schlüsselattribute
- Der erste Klassifizierungsschritt bestimmt, wo sie weitergeleitet werden sollen.
- Verschiedene Kategorien erhalten spezialisierte Agentenschleifen.
- Verhindern sie Optimierungskonflikte zwischen verschiedenen Eingabetypen.
- Sie können herkömmliche Klassifizierungsalgorithmen oder LLM-basiertes Routing verwenden.
Weitere Informationen finden Sie unter Lab: Implementieren des Routingmusters.
Übergabemuster
Dieses Workflowmuster erstellt nahtlose Übergänge zwischen Agentschleifen, während der Kontext und der Zustand beibehalten werden. Dieses Verhalten ist für Szenarien wirksam, die eine menschliche Eskalation oder Kompetenzübertragung erfordern.
Mittlere Komplexitätsstufe
Verwenden Sie diese Funktion, wenn Sie die Kontrolle zwischen Agenten-Schleifen mit unterschiedlichen Spezialisierungen übertragen müssen, während die Gesprächskontinuität beibehalten wird.
Examples
- Kundendienstszenarien, z. B. allgemeiner Support → Technischer Spezialist → Abrechnung
- Workflows zum Erstellen von Inhalten, z. B. "Recherchieren → Schreiben → Bearbeiten"
- Komplexe Problemlösung, z. B. Analysieren → Designlösung → Implementieren einer Lösung
Wichtige Attribute und Vorteile
- Jede Agentschleife konzentriert sich auf domänenspezifische Expertise.
- Übergaben haben klare Kriterien und Auslöser.
- Übertragungsmechanismen haben einen ordnungsgemäßen Kontext.
- Agentenschleifen entscheiden, wann und wo Aufgaben basierend auf dem Gesprächsverlauf übergeben werden.
- Behält Status oder vollständige Aufgezeichnete Unterhaltungen über Agent-Schleifen-Übergaben hinweg bei.
- Imitiert die Eskalationsmuster des menschlichen Kundendiensts.
- Isoliert Fehler oder Probleme in einer Agentschleife aus anderen Agentschleifen.
- Initialisierungsaktionen sind vorhanden, um die Empfänger-Agent-Schleife vorzubereiten.
Weitere Informationen finden Sie unter Lab: Implementieren des Übergabemusters.
Parallelisierungsmuster
Dieses Workflowmuster weist die folgenden primären Variationen auf:
Abschnitt: Unterteilt Vorgänge in unabhängige parallele Teilvorgänge.
Abstimmung: Führt denselben Vorgang mehrmals für verschiedene Ausgaben aus.
Mittlere Komplexitätsstufe
Wird verwendet, wenn Teilvorgänge unabhängig zur Geschwindigkeit verarbeitet werden können oder wenn mehrere Perspektiven das Vertrauen verbessern.
Examples
Schnitt
- Inhalt moderieren, zum Beispiel überprüft eine Agentenschleife den Inhalt, während eine andere auf Richtlinienverstöße prüft.
- Überprüfen Sie den Code, indem Sie verschiedene Agent-Schleifen-Überprüfungen z. B. bezüglich Sicherheit, Leistung, Stil usw. ausführen.
Stimmabgabe
- Mehrere Agentschleifen bewerten die Angemessenheit von Inhalten mithilfe unterschiedlicher Schwellenwerte.
- Bewerten von Sicherheitsrisiken mit konsensbasierter Entscheidungsfindung.
Hauptmerkmale
- Verbesserte Geschwindigkeit durch gleichzeitiges Ausführen.
- Programmgesteuert aggregierte Ergebnisse.
- Bessere Leistung, die sich aus fokussierter Aufmerksamkeit auf bestimmte Aspekte ergibt.
Weitere Informationen finden Sie unter Lab: Implementieren des Parallelisierungsmusters.
Orchestrator-Worker-Muster – Geschachtelte Agent-Schleifen als Werkzeuge
Dieses Workflowmuster behandelt Agentschleifen als komplexe Tools, die andere Agentschleifen aufrufen können. Ein LLM bricht die Aufgaben dynamisch auf, delegiert die Arbeit an andere LLMs und synthetisiert ihre Ergebnisse.
Hohe Komplexitätsstufe
Verwenden Sie diese Methode, wenn Sie die erforderlichen Teilvorgänge im Voraus nicht vorhersagen können und eine dynamische Vorgangsaufteilung benötigen.
Examples
- Codieren von Aufgaben, die Änderungen an unvorhersehbarer Anzahl von Dateien erfordern.
- Recherchieren Sie Aufgaben, die Informationen aus mehreren dynamischen Quellen sammeln.
- Komplexe Analyseaufgaben, die unterschiedliche spezielle Funktionen erfordern.
Wichtige Unterschiede bei der Parallelisierung
- Orchestrator bestimmt dynamisch die erforderlichen Teilvorgänge.
- Flexibler, aber auch unvorhersehbarer.
- Erfordert anspruchsvolle Koordinationslogik.
Weitere Informationen finden Sie unter Lab: Implementieren des Orchestrator-Worker-Musters.
Evaluator-Optimierer-Muster
Dieses Workflowmuster verfügt über einen LLM-Aufruf, der eine Antwort generiert, während ein anderer LLM-Aufruf die Auswertung und das Feedback in einer Schleife bereitstellt, die menschliche iterative Verbesserungsprozesse nachahmt.
Hohe Komplexitätsstufe
Wird verwendet, wenn klare Auswertungskriterien vorhanden sind und wenn iterative Verfeinerung messbare Werte bereitstellt.
Examples
- Übersetzen Sie literarische Inhalte mit differenzierter Bewertung und Verfeinerung.
- Führen Sie komplexe Suchaufgaben aus, die mehrere Runden für die Analyse erfordern.
- Erstellen Sie Inhalte, bewerten Sie die Qualität und nehmen Sie Verbesserungen über mehrere Iterationen vor.
Schlüsselattribute
- Führt iterative Verfeinerungsschleifen aus.
- Erfordert klare Bewertungskriterien.
- Verwendet Generator- und Evaluator-Agent-Schleifenrollen.
- Verhindert endlose Schleifen mithilfe von Beendigungsbedingungen.
Weitere Informationen finden Sie unter Lab: Implementieren des Evaluator-Optimierermusters.