Microsoft Agent Framework-munkafolyamatok vezénylése – Csoportos csevegés

A csoportos csevegés vezénylés több ügynök közötti együttműködésen alapuló beszélgetést modellez, amelyet egy olyan vezénylő koordinál, amely meghatározza a beszélő kiválasztását és a beszélgetés folyamatát. Ez a minta iteratív finomítást, együttműködési problémamegoldást vagy többszempontú elemzést igénylő forgatókönyvekhez ideális.

Belsőleg a csoportos csevegés orchestráció csillagtopológiában szervezi egybe az ügynököket, középen egy orchestrátorral. A vezénylő különböző stratégiákat implementálhat a következő ügynök kiválasztásához, például körkörös kiválasztást, prompt-alapú kiválasztást vagy egyéni logikát, amely a beszélgetési környezeten alapul, így rugalmas és hatékony minta a többügynökös együttműködéshez.

Különbségek a csoportos csevegés és az egyéb minták között

A csoportos csevegés irányítása eltérő jellemzőkkel rendelkezik más többügynöki mintáktól.

• Központosított koordináció: Ellentétben az átadási mintákkal, ahol az ügynökök közvetlenül átadják az irányítást, a csoportos csevegés egy koordinátorral határozza meg, ki beszél legközelebb
• Iteratív pontosítás: Az ügynökök több fordulóban áttekinthetik és felhasználhatják egymás válaszait
• Rugalmas hangszóró kiválasztása: A vezénylő különböző stratégiákat (ciklikus időszeletelés, parancssori, egyéni logika) használhat a hangszórók kiválasztásához
• Megosztott környezet: Minden ügynök a teljes beszélgetési előzményt látja, ami lehetővé teszi az együttműködésen alapuló finomítást

Tudnivalók

• Speciális ügynökök létrehozása csoportos együttműködéshez
• Beszélőválasztási stratégiák konfigurálása
• Munkafolyamatok létrehozása iteratív ügynök finomítással
• Beszélgetési folyamat testreszabása egyéni vezénylőkkel

Az Azure OpenAI-ügyfél beállítása

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

// Set up the Azure OpenAI client
var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT") ??
    throw new InvalidOperationException("AZURE_OPENAI_ENDPOINT is not set.");
var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-4o-mini";
var client = new AzureOpenAIClient(new Uri(endpoint), new DefaultAzureCredential())
    .GetChatClient(deploymentName)
    .AsIChatClient();

Figyelmeztetés

DefaultAzureCredential a fejlesztéshez kényelmes, de a termelési környezetben gondos megfontolást igényel. Éles környezetben fontolja meg egy adott hitelesítő adat (pl. ManagedIdentityCredential) használatát a késési problémák elkerülése, a hitelesítő adatok nem szándékos próbálgatásának és a tartalék mechanizmusokból eredő esetleges biztonsági kockázatok elkerülése érdekében.

Az ügynökök definiálása

Speciális ügynökök létrehozása a csoportbeszélgetés különböző szerepköreihez:

// Create a copywriter agent
ChatClientAgent writer = new(client,
    "You are a creative copywriter. Generate catchy slogans and marketing copy. Be concise and impactful.",
    "CopyWriter",
    "A creative copywriter agent");

// Create a reviewer agent
ChatClientAgent reviewer = new(client,
    "You are a marketing reviewer. Evaluate slogans for clarity, impact, and brand alignment. " +
    "Provide constructive feedback or approval.",
    "Reviewer",
    "A marketing review agent");

Csoportos csevegés konfigurálása Round-Robin Orchestratorral

Hozza létre a csoportos csevegési munkafolyamatot a következővel AgentWorkflowBuilder:

// Build group chat with round-robin speaker selection
// The manager factory receives the list of agents and returns a configured manager
var workflow = AgentWorkflowBuilder
    .CreateGroupChatBuilderWith(agents =>
        new RoundRobinGroupChatManager(agents)
        {
            MaximumIterationCount = 5  // Maximum number of turns
        })
    .AddParticipants(writer, reviewer)
    .Build();

A csoportos csevegés munkafolyamatának futtatása

Hajtsa végre a munkafolyamatot, és figyelje meg az iteratív beszélgetést:

// Start the group chat
var messages = new List<ChatMessage> {
    new(ChatRole.User, "Create a slogan for an eco-friendly electric vehicle.")
};

StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);
await run.TrySendMessageAsync(new TurnToken(emitEvents: true));

await foreach (WorkflowEvent evt in run.WatchStreamAsync().ConfigureAwait(false))
{
    if (evt is AgentResponseUpdateEvent update)
    {
        // Process streaming agent responses
        AgentResponse response = update.AsResponse();
        foreach (ChatMessage message in response.Messages)
        {
            Console.WriteLine($"[{update.ExecutorId}]: {message.Text}");
        }
    }
    else if (evt is WorkflowOutputEvent output)
    {
        // Workflow completed
        var conversationHistory = output.As<List<ChatMessage>>();
        Console.WriteLine("\n=== Final Conversation ===");
        foreach (var message in conversationHistory)
        {
            Console.WriteLine($"{message.AuthorName}: {message.Text}");
        }
        break;
    }
}

Minta interakció

[CopyWriter]: "Green Dreams, Zero Emissions" - Drive the future with style and sustainability.

[Reviewer]: The slogan is good, but "Green Dreams" might be a bit abstract. Consider something
more direct like "Pure Power, Zero Impact" to emphasize both performance and environmental benefit.

[CopyWriter]: "Pure Power, Zero Impact" - Experience electric excellence without compromise.

[Reviewer]: Excellent! This slogan is clear, impactful, and directly communicates the key benefits.
The tagline reinforces the message perfectly. Approved for use.

[CopyWriter]: Thank you! The final slogan is: "Pure Power, Zero Impact" - Experience electric
excellence without compromise.

A csevegőügyfél beállítása

from agent_framework.azure import AzureOpenAIChatClient
from azure.identity import AzureCliCredential

# Initialize the Azure OpenAI chat client
chat_client = AzureOpenAIChatClient(credential=AzureCliCredential())

Az ügynökök definiálása

Speciális ügynökök létrehozása különböző szerepkörökkel:

from agent_framework import Agent

# Create a researcher agent
researcher = Agent(
    name="Researcher",
    description="Collects relevant background information.",
    instructions="Gather concise facts that help answer the question. Be brief and factual.",
    chat_client=chat_client,
)

# Create a writer agent
writer = Agent(
    name="Writer",
    description="Synthesizes polished answers using gathered information.",
    instructions="Compose clear, structured answers using any notes provided. Be comprehensive.",
    chat_client=chat_client,
)

Csoportos csevegés konfigurálása egyszerű választóval

Csoportos csevegés létrehozása egyéni beszélőválasztási logikával:

from agent_framework.orchestrations import GroupChatBuilder, GroupChatState

def round_robin_selector(state: GroupChatState) -> str:
    """A round-robin selector function that picks the next speaker based on the current round index."""

    participant_names = list(state.participants.keys())
    return participant_names[state.current_round % len(participant_names)]


# Build the group chat workflow
workflow = GroupChatBuilder(
    participants=[researcher, writer],
    termination_condition=lambda conversation: len(conversation) >= 4,
    selection_func=round_robin_selector,
).build()

Csoportos csevegés konfigurálása Agent-Based Orchestratorral

Alternatív megoldásként használjon ügynökalapú vezénylőt az intelligens beszélő kiválasztásához. A vezénylő teljes Agent körű hozzáféréssel rendelkezik az eszközökhöz, a környezethez és a megfigyelhetőséghez:

# Create orchestrator agent for speaker selection
orchestrator_agent = Agent(
    name="Orchestrator",
    description="Coordinates multi-agent collaboration by selecting speakers",
    instructions="""
You coordinate a team conversation to solve the user's task.

Guidelines:
- Start with Researcher to gather information
- Then have Writer synthesize the final answer
- Only finish after both have contributed meaningfully
""",
    chat_client=chat_client,
)

# Build group chat with agent-based orchestrator
workflow = GroupChatBuilder(
    participants=[researcher, writer],
    # Set a hard termination condition: stop after 4 assistant messages
    # The agent orchestrator will intelligently decide when to end before this limit but just in case
    termination_condition=lambda messages: sum(1 for msg in messages if msg.role == "assistant") >= 4,
    orchestrator_agent=orchestrator_agent,
).build()

A csoportos csevegés munkafolyamatának futtatása

Hajtsa végre a munkafolyamatot és dolgozza fel az eseményeket:

from typing import cast
from agent_framework import AgentResponseUpdate, Role

task = "What are the key benefits of async/await in Python?"

print(f"Task: {task}\n")
print("=" * 80)

final_conversation: list[Message] = []
last_executor_id: str | None = None

# Run the workflow
async for event in workflow.run_stream(task):
    if event.type == "output" and isinstance(event.data, AgentResponseUpdate):
        # Print streaming agent updates
        eid = event.executor_id
        if eid != last_executor_id:
            if last_executor_id is not None:
                print()
            print(f"[{eid}]:", end=" ", flush=True)
            last_executor_id = eid
        print(event.data, end="", flush=True)
    elif event.type == "output":
        # Workflow completed - data is a list of Message
        final_conversation = cast(list[Message], event.data)

if final_conversation:
    print("\n\n" + "=" * 80)
    print("Final Conversation:")
    for msg in final_conversation:
        author = getattr(msg, "author_name", "Unknown")
        text = getattr(msg, "text", str(msg))
        print(f"\n[{author}]\n{text}")
        print("-" * 80)

print("\nWorkflow completed.")

Minta interakció

Task: What are the key benefits of async/await in Python?

================================================================================

[Researcher]: Async/await in Python provides non-blocking I/O operations, enabling
concurrent execution without threading overhead. Key benefits include improved
performance for I/O-bound tasks, better resource utilization, and simplified
concurrent code structure using native coroutines.

[Writer]: The key benefits of async/await in Python are:

1. **Non-blocking Operations**: Allows I/O operations to run concurrently without
   blocking the main thread, significantly improving performance for network
   requests, file I/O, and database queries.

2. **Resource Efficiency**: Avoids the overhead of thread creation and context
   switching, making it more memory-efficient than traditional threading.

3. **Simplified Concurrency**: Provides a clean, synchronous-looking syntax for
   asynchronous code, making concurrent programs easier to write and maintain.

4. **Scalability**: Enables handling thousands of concurrent connections with
   minimal resource consumption, ideal for high-performance web servers and APIs.

--------------------------------------------------------------------------------

Workflow completed.

Alapfogalmak

• Központosított kezelő: A csoportos csevegés egy vezetővel koordinálja a beszélő kiválasztását és a folyamatot
• AgentWorkflowBuilder.CreateGroupChatBuilderWith(): Munkafolyamatokat hoz létre egy manager factory függvénnyel
• RoundRobinGroupChatManager: Beépített kezelő, amely körkörös módon váltogatja a beszélőket
• MaximumIterationCount: Az ügynök leállítás előtti fordulásának maximális számát szabályozza
• Egyéni menedzserek: RoundRobinGroupChatManager kiterjesztése vagy egyéni logika implementálása
• Iteratív pontosítás: Az ügynökök áttekintik és javítják egymás hozzájárulását
• Megosztott környezet: Minden résztvevő a teljes beszélgetési előzményt látja

• Rugalmas vezénylési stratégiák: Válasszon az egyszerű választók, az ügynökalapú vezénylők vagy az egyéni logika között, konstruktorparaméterek (selection_func, orchestrator_agent, vagy orchestrator) használatával.
• GroupChatBuilder: Munkafolyamatok létrehozása konfigurálható hangszóró-kijelöléssel
• GroupChatState: Beszélgetési állapotot biztosít a kiválasztási döntésekhez
• Iteratív együttműködés: Az ügynökök egymás hozzájárulásaira építenek
• Eseménystreamelés: Adatok valós idejű feldolgozása WorkflowOutputEventAgentResponseUpdate
• list[Message] Kimenet: Minden folyamat a csevegőüzenetek listáját adja vissza

Speciális: Egyéni hangszóró kiválasztása

Egyéni csoport csevegőmenedzserének létrehozásával implementálhatja az egyéni kezelő logikáját:

public class ApprovalBasedManager : RoundRobinGroupChatManager
{
    private readonly string _approverName;

    public ApprovalBasedManager(IReadOnlyList<AIAgent> agents, string approverName)
        : base(agents)
    {
        _approverName = approverName;
    }

    // Override to add custom termination logic
    protected override ValueTask<bool> ShouldTerminateAsync(
        IReadOnlyList<ChatMessage> history,
        CancellationToken cancellationToken = default)
    {
        var last = history.LastOrDefault();
        bool shouldTerminate = last?.AuthorName == _approverName &&
            last.Text?.Contains("approve", StringComparison.OrdinalIgnoreCase) == true;

        return ValueTask.FromResult(shouldTerminate);
    }
}

// Use custom manager in workflow
var workflow = AgentWorkflowBuilder
    .CreateGroupChatBuilderWith(agents =>
        new ApprovalBasedManager(agents, "Reviewer")
        {
            MaximumIterationCount = 10
        })
    .AddParticipants(writer, reviewer)
    .Build();

A beszélgetési állapot alapján kifinomult kiválasztási logikát implementálhat:

def smart_selector(state: GroupChatState) -> str:
    """Select speakers based on conversation content and context."""
    conversation = state.conversation

    last_message = conversation[-1] if conversation else None

    # If no messages yet, start with Researcher
    if not last_message:
        return "Researcher"

    # Check last message content
    last_text = last_message.text.lower()

    # If researcher finished gathering info, switch to writer
    if "I have finished" in last_text and last_message.author_name == "Researcher":
        return "Writer"

    # Else continue with researcher until it indicates completion
    return "Researcher"

workflow = GroupChatBuilder(
    participants=[researcher, writer],
    selection_func=smart_selector,
).build()

Fontos

Ha egyéni implementációt használ BaseGroupChatOrchestrator a speciális forgatókönyvekhez, minden tulajdonságot be kell állítani, beleértve a participant_registry, a max_rounds és a termination_condition. max_rounds és termination_condition, amelyeket a létrehozóban állítottak be, a rendszer figyelmen kívül hagyja.

Környezetszinkronizálás

Ahogy az útmutató elején említettük, a csoportos csevegés összes ügynöke a teljes beszélgetési előzményeket látja.

Az Ügynök-keretrendszerben az ügynökök az ügynöki munkamenetekre (AgentSession) támaszkodnak a környezet kezeléséhez. A csoportos csevegések vezénylésében az ügynökök nem ugyanazt a munkamenet-példányt használják, de a vezénylő biztosítja, hogy minden ügynök munkamenete szinkronizálva legyen a teljes beszélgetési előzményekkel minden egyes sor előtt. Ennek érdekében az egyes ügynökök sorát követően a vezénylő az összes többi ügynöknek közvetíti a választ, biztosítva, hogy minden résztvevő a legújabb kontextusban legyen a következő fordulóhoz.

Jótanács

Az ügynökök nem osztják meg ugyanazt a munkamenet-példányt, mert a különböző ügynöktípusok eltérő implementációval rendelkezhetnek az AgentSession absztrakcióhoz. Ha ugyanazt a munkamenet-példányt osztja meg, az inkonzisztenciát okozhat abban, hogy az egyes ügynökök hogyan dolgoznak fel és tartanak fenn kontextust.

A válasz elküldése után a vezénylő eldönti a következő előadót, és egy kérést küld a kiválasztott ügynöknek, amely most már a teljes beszélgetési előzményekkel rendelkezik a válasz létrehozásához.

Mikor érdemes csoportos csevegést használni?

A csoportos csevegés vezénylése ideális az alábbiakhoz:

• Iteratív finomítás: A felülvizsgálat és a fejlesztés több fordulója
• Együttműködésen alapuló problémamegoldás: A kiegészítő szakértelemmel rendelkező ügynökök együttműködnek
• Tartalom létrehozása: Író-véleményező munkafolyamatok dokumentumlétrehozáshoz
• Több perspektíva-elemzés: Különböző nézőpontok lekérése ugyanazon a bemeneten
• Minőségbiztosítás: Automatizált felülvizsgálati és jóváhagyási folyamatok

A következő esetekben érdemes megfontolni az alternatív megoldásokat:

• Szigorú szekvenciális feldolgozásra van szükség (szekvenciális vezénylés használata)
• Az ügynököknek teljesen függetlenül kell működnie (egyidejű vezénylés használata)
• Közvetlen ügynök-ügynök átadásra van szükség (átadás-irányítás használata)
• Összetett dinamikus tervezésre van szükség (Magentic vezénylés használata)

Következő lépések

Magentic Orchestration