AgentScope简介

关于AgentScope

在此教程中，我们将通过回答问题的方式向您介绍AgentScope，包括：

什么是AgentScope？

AgentScope 能做什么？

为什么应该选择AgentScope？

让我们开始吧！

什么是AgentScope？

AgentScope是以开发者为中心的多智能体平台，它使开发者能够更轻松地构建基于大语言模型的多智能体应用程序。

大模型的出现使得开发者能够构建多样化的应用程序，为了连接大语言模型和数据以及服务，并更好地解 决复杂任务，AgentScope提供了一系列的开发工具和组件来提高开发效率。AgentScope以

• 易用性

• 鲁棒性

• 支持多模态数据

• 分布式部署

为特点。

关键概念

消息（Message）

是信息的载体（例如指令、多模态数据和对话内容）。在AgentScope中，消息是Python字典的子类， 具有name和content作为必要字段，url作为可选字段并指向额外的资源。

智能体（Agent）

是能够与环境和其他智能体交互，并采取行动改变环境的自主实体。在AgentScope中， 智能体以消息作为输入，并生成相应的响应消息。

服务（Service）

是使智能体能够执行特定任务的功能性API。在AgentScope中，服务分为模型API服务 （用于使用大语言模型）和通用API服务（提供各种工具函数）。

工作流（Workflow）

表示智能体执行和智能体之间的消息交换的有序序列，类似于TensorFlow中的计算图， 但其并不一定是DAG结构。

为什么选择AgentScope？

面向开发者的易用性。 AgentScope为开发者提供了高易用性，包括灵活易用的语法糖、即拿即用的组件和预构建的multi-agent样例。

可靠稳定的容错机制。 AgentScope确保了对多种模型和APIs的容错性，并允许开发者构建定制的容错策略。

全面兼容多模态数据。 AgentScope支持多模态数据（例如文件、图像、音频和视频）的对话展示、消息传输和数据存储。

高效分布式运行效率。 AgentScope引入了基于actor的分布式机制，使得复杂的分布式工作流的集中式编程和自动并行优化成为可能。

AgentScope是如何设计的？

AgentScope由三个层次的层次结构组成。 这些层次提供了对多智能体应用程序的支持，包括：

单个智能体的基本和高级功能（实用程序层）

资源和运行时管理（管理器和包装层）

智能体级到工作流级的编程接口（智能体层）

AgentScope引入了直观的抽象，旨在满足每个层次固有的多样化功能，并简化构建多智能体系统时的复杂层间依赖关系。 此外，我们提供了编程接口和默认机制，以增强多智能体系统在不同层次上对故障的韧性。

AgentScope代码结构

AgentScope
├── src
│   ├── agentscope
│   |   ├── agents               # 与智能体相关的核心组件和实现。
│   |   ├── memory               # 智能体记忆相关的结构。
│   |   ├── models               # 用于集成不同模型API的接口。
│   |   ├── pipelines            # 基础组件和实现，用于运行工作流。
│   |   ├── rpc                  # Rpc模块，用于智能体分布式部署。
│   |   ├── service              # 为智能体提供各种功能的服务。
|   |   ├── web                  # 基于网页的用户交互界面。
│   |   ├── utils                # 辅助工具和帮助函数。
│   |   ├── prompt.py            # 提示工程模块。
│   |   ├── message.py           # 智能体之间消息传递的定义和实现。
│   |   ├── ... ..
│   |   ├── ... ..
├── scripts                      # 用于启动本地模型API的脚本。
├── examples                     # 不同应用程序的预构建示例。
├── docs                         # 教程和API参考文档。
├── tests                        # 单元测试模块，用于持续集成。
├── LICENSE                      # AgentScope使用的官方许可协议。
└── setup.py                     # 用于安装的设置脚本。
├── ... ..
└── ... ..

快速开始

AgentScope内置了灵活的通信机制。在本教程中，我们将通过一个简单的独立对话示例介绍AgentScope的基本用法。

第一步：准备模型

为了更好的构建多智能体应用，AgentScope将模型的部署与调用解耦开，以API服务调用的方式支持各种不同的模型。

在模型部署方面，用户可以使用第三方模型服务，例如OpenAI API，Google Gemini API, HuggingFace/ModelScope Inference API等，或者也可以通过AgentScope仓库中的脚本快速部署本地开源模型服务，

模型调用方面，用户需要通过设定模型配置来指定模型服务。以OpenAI Chat API为例，需要准备如下的模型配置：

model_config = {
    "config_name": "{config_name}", # A unique name for the model config.
    "model_type": "openai_chat",    # Choose from "openai_chat", "openai_dall_e", or "openai_embedding".

    "model_name": "{model_name}",   # The model identifier used in the OpenAI API, such as "gpt-3.5-turbo", "gpt-4", or "text-embedding-ada-002".
    "api_key": "xxx",               # Your OpenAI API key. If unset, the environment variable OPENAI_API_KEY is used.
    "organization": "xxx",          # Your OpenAI organization ID. If unset, the environment variable OPENAI_ORGANIZATION is used.
}

更多关于模型调用，部署和开源模型的信息请见模型章节。

准备好模型配置后，用户可以通过调用AgentScope的初始化方法init函数来注册您的配置。此外，您还可以一次性加载多个模型配置。

import agentscope

# 一次性初始化多个模型配置
openai_cfg_dict = {
    # ...
}
modelscope_cfg_dict = {
    # ...
}
agentscope.init(model_configs=[openai_cfg_dict, modelscope_cfg_dict])

第二步: 创建智能体

创建智能体在AgentScope中非常简单。在初始化AgentScope时，您可以使用模型配置初始化AgentScope，然后定义每个智能体及其对应的角色和特定模型。

import agentscope
from agentscope.agents import DialogAgent, UserAgent

# 读取模型配置
agentscope.init(model_configs="./model_configs.json")

# 创建一个对话智能体和一个用户智能体
dialogAgent = DialogAgent(name="assistant", model_config_name="gpt-4", sys_prompt="You are a helpful ai assistant")
userAgent = UserAgent()

注意：请参考定制你自己的Agent以获取所有可用的智能体以及创建自定义的智能体。

第三步：智能体对话

消息（Message）是AgentScope中智能体之间的主要通信手段。 它是一个Python字典，包括了一些基本字段，如消息的content和消息发送者的name。可选地，消息可以包括一个url，指向本地文件（图像、视频或音频）或网站。

from agentscope.message import Msg

# 来自Alice的简单文本消息示例
message_from_alice = Msg("Alice", "Hi!")

# 来自Bob的带有附加图像的消息示例
message_from_bob = Msg("Bob", "What about this picture I took?", url="/path/to/picture.jpg")

为了在两个智能体之间开始对话，例如dialog_agent和user_agent，您可以使用以下循环。对话将持续进行，直到用户输入"exit"，这将终止交互。

x = None
while True:
    x = dialogAgent(x)
    x = userAgent(x)

    # 如果用户输入"exit"，则终止对话
    if x.content == "exit":
        print("Exiting the conversation.")
        break

进阶的使用中，AgentScope提供了Pipeline来管理智能体之间消息流的选项。 其中sequentialpipeline代表顺序对话，每个智能体从上一个智能体接收消息并生成其响应。

from agentscope.pipelines.functional import sequentialpipeline

# 在Pipeline结构中执行对话循环
x = None
while x is None or x.content != "exit":
  x = sequentialpipeline([dialog_agent, user_agent])

有关如何使用Pipeline进行复杂的智能体交互的更多细节，请参考Pipeline和MsgHub。