Creación de un flujo de trabajo simultáneo simple

En este tutorial se muestra cómo crear un flujo de trabajo simultáneo mediante Agent Framework. Aprenderá a implementar patrones de difusión y concentración que permiten el procesamiento paralelo, permitiendo que varios ejecutores o agentes funcionen simultáneamente y luego agregar sus resultados.

Lo que vas a construir

Creará un flujo de trabajo que:

• Toma una pregunta como entrada (por ejemplo, "¿Qué es la temperatura?")
• Envía la misma pregunta a dos agentes de inteligencia artificial expertos simultáneamente (físico y químico)
• Recopila y combina respuestas de ambos agentes en una única salida.
• Muestra la ejecución concurrente con agentes de inteligencia artificial mediante los patrones fan-out/fan-in.

Conceptos tratados

• Ejecutores
• Bordes de distribución ramificada
• Bordes de ventilador
• Generador de flujos de trabajo
• Eventos

Prerrequisitos

• SDK de .NET 8.0 o posterior
• Configuración del punto final del servicio Azure OpenAI y su implementación
• CLI de Azure instalada y autenticada (para la autenticación de credenciales de Azure)
• Una nueva aplicación de consola

Paso 1: Instalar paquetes NuGet

En primer lugar, instale los paquetes necesarios para el proyecto de .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

Paso 2: Configuración de dependencias y Azure OpenAI

Comience configurando el proyecto con los paquetes NuGet necesarios y el cliente de 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();

Paso 3: Creación de agentes de IA expertos

Cree dos agentes de inteligencia artificial especializados que proporcionarán perspectivas de expertos:

        // 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."
        );

Paso 4: Crear el ejecutor de inicio

Cree un ejecutor que inicie el procesamiento simultáneo mediante el envío de entrada a varios agentes:

        var startExecutor = new ConcurrentStartExecutor();

La ConcurrentStartExecutor implementación:

/// <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);
    }
}

Paso 5: Crear el ejecutor de agregación

Cree un ejecutor que recopile y combine respuestas de varios agentes:

        var aggregationExecutor = new ConcurrentAggregationExecutor();

La ConcurrentAggregationExecutor implementación:

/// <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);
        }
    }
}

Paso 6: Compilar el flujo de trabajo

Conecte los ejecutores y agentes utilizando patrones de dispersión y concentración.

        // 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();

Paso 7: Ejecutar el flujo de trabajo

Ejecute el flujo de trabajo y capture la salida de streaming:

        // 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}");
            }
        }
    }
}

Funcionamiento

1. Fan-Out: ConcurrentStartExecutor recibe la pregunta de entrada y el borde de distribución la envía a los agentes de física y química simultáneamente.
2. Procesamiento paralelo: ambos agentes de IA procesan la misma pregunta simultáneamente, cada una de las cuales proporciona su perspectiva de experto.
3. Fan-In: ConcurrentAggregationExecutor recopila las respuestas ChatMessage de ambos agentes.
4. Agregación: una vez recibidas ambas respuestas, el agregador los combina en una salida con formato.

Conceptos clave

• Fan-Out Edges: Use AddFanOutEdge() para distribuir la misma entrada a varios ejecutores o agentes.
• Fan-In Edges: Use AddFanInEdge() para recopilar resultados de varios ejecutores fuente.
• Integración del agente de IA: los agentes de IA se pueden usar directamente como ejecutores en flujos de trabajo.
• Clase base Executor: los ejecutores personalizados heredan de Executor<TInput> y sobrescriben el método HandleAsync.
• Turn Tokens (Fichas de Turno): Usa TurnToken para indicar a los agentes que comiencen a procesar los mensajes en cola.
• Ejecución de streaming: use StreamAsync() para obtener actualizaciones en tiempo real a medida que avanza el flujo de trabajo.

Implementación completa

Para obtener la implementación de trabajo completa de este flujo de trabajo simultáneo con agentes de IA, consulte el ejemplo Concurrent/Program.cs en el repositorio de Agent Framework.

En la implementación de Python, creará un flujo de trabajo simultáneo que procesa los datos a través de varios ejecutores paralelos y agrega resultados de diferentes tipos. En este ejemplo se muestra cómo el marco controla los tipos de resultados mixtos del procesamiento simultáneo.

Lo que vas a construir

Creará un flujo de trabajo que:

• Toma una lista de números como entrada
• Distribuye la lista a dos ejecutores paralelos (uno calcula el promedio, otro la suma)
• Agrega los distintos tipos de resultado (float e int) en una salida final.
• Muestra cómo el marco controla diferentes tipos de resultados de ejecutores simultáneos.

Conceptos tratados

• Ejecutores
• Bordes de distribución ramificada
• Bordes de ventilador
• Generador de flujos de trabajo
• Eventos

Prerrequisitos

• Python 3.10 o posterior
• Agent Framework Core instalado: pip install agent-framework-core --pre

Paso 1: Importar dependencias necesarias

Empiece por importar los componentes necesarios desde Agent Framework:

import asyncio
import random

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

Paso 2: Crear el ejecutor del despachador

El distribuidor es responsable de distribuir la entrada inicial a varios ejecutores paralelos:

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)

Paso 3: Crear ejecutores de procesamiento paralelo

Cree dos ejecutores que procesarán los datos simultáneamente:

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)

Paso 4: Crear el ejecutor del agregador

El agregador recopila los resultados de los ejecutores paralelos y produce la salida final:

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)

Paso 5: Compilar el flujo de trabajo

Conecte los ejecutores mediante patrones de ramificación y aglutinación.

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()
    )

Paso 6: Ejecutar el flujo de trabajo

Ejecute el flujo de trabajo con datos de ejemplo y capture la salida:

    # 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())

Funcionamiento

1. Fan-Out: Dispatcher recibe la lista de entrada y la envía simultáneamente a los ejecutores Average y Sum.
2. Procesamiento paralelo: ambos ejecutores procesan la misma entrada simultáneamente y generan diferentes tipos de resultados:
   • Average executor genera un float resultado
   • Sum executor genera un int resultado
3. Fan-In: Aggregator recibe los resultados de ambos ejecutores como una lista que contiene ambos tipos.
4. Control de tipos: el marco controla automáticamente los distintos tipos de resultados mediante tipos de unión (int | float)

Conceptos clave

• Fan-Out Edges: Usar add_fan_out_edges() para enviar la misma entrada a varios ejecutores
• Fan-In Edges: Utiliza add_fan_in_edges() para recopilar los resultados de múltiples ejecutores de origen.
• Tipos de unión: control de diferentes tipos de resultados mediante anotaciones de tipo como list[int | float]
• Ejecución simultánea: varios ejecutores procesan datos simultáneamente, lo que mejora el rendimiento

Implementación completa

Para obtener la implementación de trabajo completa de este flujo de trabajo simultáneo, consulte el ejemplo de aggregate_results_of_different_types.py en el repositorio de Agent Framework.

Pasos siguientes

Más información sobre el uso de agentes en flujos de trabajo