Een eenvoudige gelijktijdige werkstroom maken

Deze zelfstudie laat zien hoe u een gelijktijdige werkstroom maakt met behulp van Agent Framework. U leert hoe u fan-out- en fan-inpatronen implementeert die parallelle verwerking mogelijk maken, zodat meerdere uitvoerders of agents tegelijkertijd kunnen werken en vervolgens hun resultaten aggregeren.

Wat je gaat bouwen

U maakt een werkstroom die:

• Neemt een vraag als invoer (bijvoorbeeld 'Wat is temperatuur?')
• Stuurt dezelfde vraag naar twee deskundige AI-agents tegelijk (fysicus en chemicus)
• Verzamelt en combineert antwoorden van beide agents in één uitvoer
• Demonstreert gelijktijdige uitvoering met AI-agenten via fan-out/fan-in-patronen

Behandelde concepten

• Uitvoerders
• Uitwaaierranden
• Ventilatorranden
• Workflow Bouwer
• Events

Vereiste voorwaarden

• .NET 8.0 SDK of hoger
• Azure OpenAI-service-eindpunt en -implementatie geconfigureerd
• Azure CLI geïnstalleerd en geverifieerd (voor Azure-referentieverificatie)
• Een nieuwe consoletoepassing

Stap 1: NuGet-pakketten installeren

Installeer eerst de vereiste pakketten voor uw .NET-project:

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

Stap 2: Afhankelijkheden en Azure OpenAI instellen

Begin met het instellen van uw project met de vereiste NuGet-pakketten en De Azure OpenAI-client:

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();

Stap 3: Expert AI-agents maken

Maak twee gespecialiseerde AI-agents die deskundige perspectieven bieden:

        // 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."
        );

Stap 4: De startuitvoering maken

Maak een uitvoerprogramma waarmee de gelijktijdige verwerking wordt gestart door invoer naar meerdere agents te verzenden:

        var startExecutor = new ConcurrentStartExecutor();

De ConcurrentStartExecutor implementatie:

/// <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);
    }
}

Stap 5: de aggregatieuitvoerer maken

Maak een uitvoerder waarmee antwoorden van meerdere agents worden verzameld en gecombineerd:

        var aggregationExecutor = new ConcurrentAggregationExecutor();

De ConcurrentAggregationExecutor implementatie:

/// <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);
        }
    }
}

Stap 6: De werkstroom bouwen

Verbind de uitvoerders en agents met behulp van fan-out- en fan-in edge-patronen:

        // 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();

Stap 7: De werkstroom uitvoeren

Voer de werkstroom uit en leg de streaming-uitvoer vast:

        // 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}");
            }
        }
    }
}

Hoe het werkt

1. Fan-Out: De ConcurrentStartExecutor ontvangt de invoervraag en de fan-out-kant stuurt deze gelijktijdig naar zowel de fysicus als de chemicus.
2. Parallelle verwerking: beide AI-agents verwerken dezelfde vraag gelijktijdig, elk met hun deskundige perspectief.
3. Fan-In: De ConcurrentAggregationExecutor verzamelt ChatMessage reacties van beide agents.
4. Aggregatie: Zodra beide antwoorden zijn ontvangen, combineert de aggregator deze in een opgemaakte uitvoer.

Sleutelbegrippen

• Fan-Out Edges: gebruik AddFanOutEdge() om dezelfde invoer te distribueren naar meerdere executors of agents.
• Fan-In Edges: gebruiken AddFanInEdge() om resultaten van meerdere bronexecutors te verzamelen.
• INTEGRATIE van AI-agent: AI-agents kunnen rechtstreeks worden gebruikt als uitvoerders in werkstromen.
• Executor-basisclass: Aangepaste uitvoerders erven van Executor<TInput> en overschrijven de HandleAsync-methode.
• Turn Tokens: Gebruik TurnToken om agenten te signaleren om berichten in de wachtrij te verwerken.
• Streaming-uitvoering: gebruik StreamAsync() om realtime updates op te halen terwijl de werkstroom vordert.

Implementatie voltooien

Zie het voorbeeld Concurrent/Program.cs in de Agent Framework-opslagplaats voor de volledige werkende implementatie van deze gelijktijdige workflow met AI-agents.

In de Python-implementatie bouwt u een gelijktijdige werkstroom waarmee gegevens worden verwerkt via meerdere parallelle uitvoerders en resultaten van verschillende typen worden geaggregeerd. In dit voorbeeld ziet u hoe het framework gemengde resultaattypen verwerkt van gelijktijdige verwerking.

Wat je gaat bouwen

U maakt een werkstroom die:

• Neemt een lijst met getallen als invoer
• Distribueert de lijst naar twee parallelle processen (één berekent gemiddelde, één berekent som)
• Voegt de verschillende resultaattypen (float en int) samen in een uiteindelijke uitvoer
• Demonstreert hoe het framework verschillende resultaattypen verwerkt van gelijktijdige uitvoerders

Behandelde concepten

• Uitvoerders
• Uitwaaierranden
• Ventilatorranden
• Workflow Bouwer
• Events

Vereiste voorwaarden

• Python 3.10 of hoger
• Agent Framework Core geïnstalleerd: pip install agent-framework-core --pre

Stap 1: Vereiste afhankelijkheden importeren

Begin met het importeren van de benodigde onderdelen uit Agent Framework:

import asyncio
import random

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

Stap 2: De Dispatcher Executor maken

De dispatcher is verantwoordelijk voor het distribueren van de initiële invoer naar meerdere parallelle uitvoerders:

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)

Stap 3: Parallelle verwerkingsexecutors maken

Maak twee uitvoerders waarmee de gegevens gelijktijdig worden verwerkt:

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)

Stap 4: De Aggregator Executor maken

De aggregator verzamelt resultaten van de parallelle uitvoerders en levert de uiteindelijke uitvoer op:

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)

Stap 5: De werkstroom bouwen

Verbind de uitvoerders met behulp van Fan-out- en Fan-in-randpatronen:

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()
    )

Stap 6: De werkstroom uitvoeren

Voer de werkstroom uit met voorbeeldgegevens en leg de uitvoer vast:

    # 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())

Hoe het werkt

1. Fan-Out: De Dispatcher ontvangt de invoerlijst en verzendt deze tegelijkertijd naar zowel de Average als de Sum uitvoerders.
2. Parallelle verwerking: beide uitvoerders verwerken dezelfde invoer gelijktijdig, waardoor verschillende resultaattypen worden geproduceerd:
   • Average uitvoerder produceert een float resultaat
   • Sum uitvoerder produceert een int resultaat
3. Fan-In: De Aggregator ontvangt resultaten van beide uitvoerders als een lijst met beide typen
4. Typeafhandeling: Het framework verwerkt automatisch de verschillende resultaattypen met behulp van samenvoegtypen (int | float)

Sleutelbegrippen

• Fan-Out Edges: Gebruik add_fan_out_edges() om dezelfde invoer naar meerdere uitvoerders te verzenden
• Fan-In Edges: gebruiken add_fan_in_edges() om resultaten van meerdere bronexecutors te verzamelen
• Samenvoegtypen: verschillende resultaattypen verwerken met behulp van typeaantekeningen zoals list[int | float]
• Gelijktijdige uitvoering: meerdere uitvoerders verwerken gegevens tegelijkertijd, waardoor de prestaties worden verbeterd

Implementatie voltooien

Zie het aggregate_results_of_different_types.py voorbeeld in de agentframeworkopslagplaats voor de volledige werkende implementatie van deze gelijktijdige werkstroom.

Volgende stappen

Meer informatie over het gebruik van agents in werkstromen