Partager via

Comparer une boucle d’agent unique par rapport à plusieurs boucles d’agent pour les flux de travail complexes dans Azure Logic Apps (préversion)

S’applique à : Azure Logic Apps (Standard)

Important

Cette fonctionnalité est en préversion et elle est soumise aux conditions d’utilisation supplémentaires des préversions de Microsoft Azure.

Pour les solutions d’intégration d’IA qui gèrent des scénarios complexes ou des tâches sophistiquées, qui dépassent souvent les fonctionnalités d’une boucle d’agent unique, Azure Logic Apps prend en charge en mode natif des modèles d’orchestration de boucles multiagentes courantes et éprouvées qui vont de flux de travail simples et composés à des systèmes autonomes complexes. Plusieurs boucles d’agent permettent de distribuer les rôles, les responsabilités et les charges de travail dans un flux de travail complexe qui doit effectuer des tâches sophistiquées.

Parfois, votre solution d’intégration d’IA doit gérer un scénario complexe ou des tâches sophistiquées qui peuvent dépasser la capacité, les performances ou l’efficacité d’une boucle d’agent unique. Dans ces scénarios, envisagez d’ajouter et d’utiliser plusieurs boucles d’agent pour distribuer les rôles, les responsabilités et la charge de travail dans votre workflow. Azure Logic Apps prend en charge en mode natif des modèles d’orchestration de boucles multiagents courants et éprouvés qui vont de flux de travail simples et composés à des systèmes autonomes complexes.

Pour vous aider à créer des systèmes de boucles multiagent plus efficaces, ce guide vous aide à apprendre et à comprendre les concepts suivants :

  • Comparaison entre les flux de travail de boucles multiagent et les flux de travail de boucle à agent unique, tels que les limitations des boucles à agent unique et les avantages de la boucle multiagente.
  • Modèles d’orchestration de boucles multiagent pris en charge, qui sont répertoriés du plus simple au plus complexe.
  • Considérations à prendre en compte lors du choix du meilleur modèle pour votre scénario.
  • Quand et comment appliquer chaque modèle.

Limitations des boucles à agent unique par rapport aux avantages de la boucle multiagente

Le tableau suivant répertorie les défis lorsqu’une boucle d’agent unique effectue tout le travail d’une solution complexe, de l’interprétation, du traitement et du raisonnement à la prise de décision et à l’exécution.

Limitation Descriptif
Charge cognitive Les tâches complexes requièrent que la boucle d’agent traite simultanément plusieurs problématiques, ce qui provoque une diminution des performances dans certains secteurs.
Propagation d’erreurs Une erreur peut déraillementer l’ensemble du processus sans mécanisme de récupération.
Aucune spécialisation Vous ne pouvez pas optimiser une boucle d’agent de manière égale pour tous les types de tâches.
Contraintes d’extensibilité Lorsque vous ajoutez des fonctionnalités à une boucle d’agent monolithique, la complexité augmente de façon exponentielle.

Les architectures de boucles multiagents répondent aux limitations de boucles à agent unique en décomposant des problèmes complexes en composants spécialisés et gérables. Lorsque vous concevez et générez votre solution à l’aide de modèles simples et composables, votre implémentation connaît un plus grand succès par rapport à l’utilisation de frameworks complexes. Ce principe de simplicité et de composabilité existe au cœur de la conception de boucles multiagentes.

Plusieurs boucles d’agent peuvent prendre des rôles spécialisés, des responsabilités et distribuer la charge de travail dans un flux de travail. Le tableau suivant répertorie les avantages de la boucle multiagente clé autour de la fiabilité, de la maintenance, de la spécialisation et de l’extensibilité :

Avantage Descriptif
Séparer les responsabilités Chaque boucle d’agent peut se concentrer sur un domaine d’expertise spécifique.
Optimisation indépendante Vous pouvez régler chaque boucle d’agent pour une tâche spécifique.
Isoler les erreurs Les erreurs d'une boucle d'agent ne se propagent pas nécessairement vers d'autres boucles d'agent.
Possibilité de réutilisation Vous pouvez réutiliser des boucles d’agent spécialisées sur différents flux de travail.
Intervention humaine dans le processus Vous avez des points de contrôle naturels pour l’examen humain et l’intervention.
Développement extensible Les équipes peuvent travailler séparément et indépendamment sur différentes boucles d’agent.

Azure Logic Apps vous aide à créer des systèmes de boucles multiagent en fournissant les fonctionnalités suivantes :

Capacité Descriptif
Conception visuelle Fournit une représentation graphique claire qui montre les interactions de boucle d’agent et les points de décision.
Gestion d’état intégrée Inclut une prise en charge native permettant de préserver le contexte entre les différents appels de la boucle d’agent.
Gestion des erreurs Offre des mécanismes robustes de gestion des erreurs et de nouvelle tentative.
Surveillance et observabilité Fournit une journalisation et une surveillance complètes pour les flux de travail multiagents.
Fonctionnalités d’intégration S’intègre facilement aux services et services réels externes en vous permettant de créer des outils d’agent soutenus par des actions à partir de 1 400 connecteurs dans Azure Logic Apps.
Extensibilité Effectue automatiquement une mise à l’échelle avec une fiabilité de niveau entreprise.

Pour plus d’informations, consultez les articles suivants :

Modèle d'enchaînement d'invites

Ce modèle de flux de travail interrompt une tâche en étapes séquentielles. Chaque étape correspond à un appel de boucle d’agent spécifique. Chaque appel de modèle de langage de grande taille (LLM) gère l'output du modèle précédent. Dans Azure Logic Apps, ce modèle se traduit par une chaîne de plusieurs boucles d’agent où la sortie de chaque boucle d’agent devient l’entrée de la boucle de l’agent suivante.

  • Niveau de complexité faible

  • Utilisez quand le flux de travail répond aux critères suivants :

    • Les tâches complexes nécessitent un traitement séquentiel.
    • Vous pouvez décomposer correctement les tâches en tâches subordonnées fixes qui suivent une séquence linéaire.
    • Vous avez besoin de vérifications de validation entre les étapes.
    • Chaque étape bénéficie d’une attention particulière et ciblée.
    • La qualité est plus importante que la vitesse.

  • Examples

    • Générer une copie marketing → Traduire en langue différente
    • Créer un plan de document → Valider le plan → Écrire le document complet
    • Extraire des données → Valider les données → Format

  • Attributs et avantages clés

    • Les étapes prédéterminées suivent une progression linéaire.
    • Chaque boucle d’agent se concentre sur une tâche unique et bien définie, ce qui favorise une plus grande précision.
    • Chaque étape peut inclure des points de contrôle programmatiques ou des « portes » de validation pour le contrôle de qualité.
    • Plus facile à déboguer et à identifier où se produisent les problèmes dans la chaîne.
    • La modularité vous permet d’optimiser chaque étape indépendamment.
    • Faire un compromis sur la latence pour obtenir une meilleure précision et de meilleurs résultats.

Pour plus d’informations, consultez les ressources suivantes :

Modèle de routage

Ce modèle de flux de travail classifie et dirige l’entrée vers une tâche ultérieure spécialisée. Ce comportement vous permet de séparer les considérations et de créer des prompts spécialisés qui peuvent être optimisés pour des types d'entrées spécifiques.

  • Niveau de complexité faible à moyen

  • Utilisez quand vous avez des catégories d’entrée distinctes qui nécessitent une gestion différente ou spécialisée.

  • Examples

    • Acheminer les requêtes du service client, par exemple :

      • Facturation → Boucle d’agent dédiée à la facturation
      • Assistance technique → Boucle d’agent dédiée à l’assistance technique

    • Classifiez le contenu, par exemple :

      • Flux de travail de priorité urgente→
      • Flux de travail de routine → flux de travail de routine

    • Sélectionnez un LLM, par exemple :

      • Questions de base → boucle agente de base
      • Questions avancées ou complexes → cycle agent avancé

  • Attributs clés

    • L’étape de classification initiale détermine où acheminer.
    • Certaines catégories tirent parti de boucles d’agent conçues spécifiquement pour elles.
    • Empêchez les conflits d’optimisation entre différents types d’entrée.
    • Vous pouvez utiliser des algorithmes de classification traditionnels ou un routage basé sur LLM.

Pour plus d’informations, consultez Lab : Implémenter le modèle de routage.

Modèle de transfert

Ce modèle de flux de travail crée des transitions transparentes entre les boucles de l’agent tout en préservant le contexte et l’état. Ce comportement est efficace pour les scénarios qui nécessitent une escalade ou un transfert d’expertise de type humain.

  • Niveau de complexité moyen

  • Utilisez lorsque vous devez transférer le contrôle entre les boucles d'agents avec différentes spécialisations tout en préservant la continuité de la conversation.

  • Examples

    • Scénarios de service client, par exemple, support général → spécialiste technique → facturation
    • Flux de travail de création de contenu, par exemple, Recherche → Écrire → Éditer
    • Résolution de problèmes complexe, par exemple, Analyser → solution Concevoir → Implémenter la solution

  • Attributs et avantages clés

    • Chaque boucle d’agent se concentre sur une expertise spécifique au domaine.
    • Les remises ont des critères et des déclencheurs clairs.
    • Les mécanismes de transfert ont un contexte approprié.
    • Les boucles d'agent choisissent quand et où transférer des tâches en fonction du flux de conversation.
    • Maintient les états ou l’intégralité de l’historique des conversations lors des transferts entre boucles d’agent.
    • Imite les modèles d’escalade des services clients humains.
    • Isole les erreurs ou les problèmes dans une boucle d’agent à partir d’autres boucles d’agent.
    • Les actions d’initialisation servent à préparer la boucle de l’agent destinataire.

Pour plus d’informations, consultez Lab : Implémenter le modèle de transfert.

Modèle de parallélisation

Ce modèle de flux de travail présente les variantes principales suivantes :

  • Sectioning : décompose les tâches en tâches subordonnées parallèles indépendantes.

  • Vote : exécute la même tâche plusieurs fois pour des résultats différents.

  • Niveau de complexité moyen

  • Utilisez quand les tâches subordonnées peuvent être traitées indépendamment pour la vitesse ou lorsque plusieurs perspectives améliorent la confiance.

  • Examples

    • Découpage

      • Modérer le contenu, par exemple, un agent en boucle vérifie le contenu, tandis qu'un autre détecte les violations de politique.
      • Passez en revue le code, par exemple, différentes boucles d’agent vérifient la sécurité, les performances, le style, et ainsi de suite.

    • Vote

      • Plusieurs boucles d’agent évaluent la pertinence du contenu à l’aide de différents seuils.
      • Évaluez les vulnérabilités avec la prise de décision basée sur un consensus.

  • Caractéristiques clés

    • Amélioration de la vitesse avec l’exécution simultanée.
    • Résultats agrégés par programmation.
    • Amélioration des performances résultant d’une attention particulière sur des aspects spécifiques.

Pour plus d’informations, consultez Lab : Implémenter le modèle de parallélisation.

Modèle Orchestrateur-Travailleurs - Utilisation de boucles d'agents imbriquées comme outils

Ce modèle de flux de travail traite les boucles d’agent comme des outils sophistiqués que d’autres boucles d’agent peuvent appeler. Un LLM décompose dynamiquement les tâches, délègue le travail à d’autres machines virtuelles et synthétise leurs résultats.

  • Niveau de complexité élevé

  • Utilisez cette option lorsque vous ne pouvez pas prédire les sous-tâches requises à l’avance et que vous avez besoin d’une décomposition dynamique des tâches.

  • Examples

    • Tâches de codage nécessitant des modifications apportées à un nombre imprévisible de fichiers.
    • Tâches de recherche qui collectent des informations à partir de plusieurs sources dynamiques.
    • Tâches d’analyse complexes nécessitant différentes fonctionnalités spécialisées.

  • Différences clés par rapport à la parallélisation

    • Orchestrator détermine dynamiquement les tâches subordonnées nécessaires.
    • Plus flexible, mais aussi plus imprévisible.
    • Nécessite une logique de coordination sophistiquée.

Pour plus d’informations, consultez Lab : Implémenter le modèle orchestrator-workers.

Modèle évaluateur-optimiseur

Ce modèle de flux de travail comporte un appel LLM qui génère une réponse, tandis qu’un autre appel LLM fournit l’évaluation et les commentaires dans une boucle, ce qui imite les processus d’amélioration itérative humaine.

  • Niveau de complexité élevé

  • Utilisez quand des critères d’évaluation clairs existent et lorsque l’affinement itératif fournit une valeur mesurable.

  • Examples

    • Traduisez le contenu littéraire avec une évaluation et un raffinement nuancés.
    • Effectuez des tâches de recherche complexes nécessitant plusieurs rounds pour l’analyse.
    • Créez du contenu, évaluez la qualité et apportez des améliorations sur plusieurs itérations.

  • Attributs clés

    • Exécute des boucles d’affinement itératives.
    • Nécessite des critères d’évaluation clairs.
    • Recourt aux rôles de boucle d’agent générateur et évaluateur.
    • Empêche les boucles infinies à l’aide de conditions d’arrêt.

Pour plus d’informations, consultez Lab : Implémenter le modèle évaluateur-optimiseur.

Contenu connexe

  • Last updated on