完整指南：构建高效的多智能体系统与langflow的最佳实践！

Rifx.Online
Large Language Models , AI Applications , Best Practices
23 Feb, 2025

AI代理概述

AI代理在生成式AI的领域并不新鲜，但在企业层面上，它们真正开始起飞仅仅是在过去的两个月里。

什么是AI代理？

我们可以将AI代理定义为一个超专业化、目标导向和自主的AI实体，其特征由以下组件构成：

一个作为代理大脑的大型语言模型
一条设定代理使命的系统消息
一个使管理代理组件更容易的编排层（LangChain、语义内核、自动生成等都是编排器的例子）
提供对话上下文的记忆
提供相关信息以供检索的知识库
允许代理在周围生态系统中执行操作的工具。

例如，假设我们想为学生构建一个AI辅导助手。

AI代理最显著的特征之一——标志着应用开发领域的范式转变——是它们可以被视为一组模块化、可共享和可重复使用的组件。

但这并不是全部。遵循相同的逻辑，一个代理本身可以被视为一个可重复和可共享的组件，可以以不同的方式使用：

作为独立代理
作为另一个代理的工具
作为多代理工作流的一部分

在多代理系统中，我们需要定义的一个关键元素是工作流设计——换句话说，就是我们的代理将如何协同工作。有三种主要类型的工作流：

协作 → 代理可以自由地进行点对点的交流。
层级 → 代理由一个管理代理调用和编排，该代理将始终是用户查询的第一个接触点。
顺序 → 代理以“硬编码”的方式按顺序排列，使得一个代理的输出成为下一个代理的输入。

请注意，在设计工作流时，我们可以添加任何我们需要的额外逻辑，包括循环、条件分支、回退等。

在下面的例子中，我们将保持简单，采用层级工作流，利用LangFlow作为图形界面。

LangFlow

LangFlow 是一个开源图形界面，旨在使使用LangChain变得简单直观。您可以直观地设计AI工作流，快速测试想法，并在几分钟内使您的项目变为现实。

此外，当涉及到AI代理时，LangFlow变得非常方便：正如我们上面提到的，AI代理具有模块化和可重复性，这与LangFlow的设计完美契合。实际上，LangFlow配备了一组组件（可以包括工具、LLM、记忆、vectorDB，以及您可以从头编写的自定义组件），这些组件最终可以发布在商店中（您还可以在这里找到其他贡献者的组件）。

要开始使用LangFlow，您需要通过

pip install langflow

安装它，然后运行以下命令在本地主机上启动它：

## Command to run LangFlow
langflow

为了更熟悉该工具，我建议您查看官方文档 here。

构建您的电子商务多代理体验

商业场景：我们是一家攀岩电子商店的老板，我们希望通过创建一个多代理AI助手来提升客户体验。这个助手利用Azure OpenAI服务为我们的客户提供实时的智能支持，帮助他们：

确定完美的攀岩装备

获取美丽的徒步旅行灵感

将商品添加到购物车

我们拥有以下资产：

一个电子商务网站：

用户购物车的后端数据库：
产品数据库：

从用户界面，用户可以通过点击“添加到购物车”按钮将商品添加到购物车。然而，我们希望提供一个对话式用户界面，最终能够代表用户完成此操作。

当您初始化LangFlow时，您可以选择从商店中选择一个预构建的工作流开始，或者从空白画布草拟您的工作流，这正是我们要做的：

如您所见，左侧有一个可以利用的组件完整列表。在这个场景中，我们将使用预构建组件和自定义组件的混合。让我们开始吧！

步骤 1：攀岩装备代理

我们要初始化的第一个代理是我们的销售代表。该代理将能够：

从SQL数据库中检索产品信息
将商品添加到我们的电子商务网站购物车中

我们需要的第一个组件是一个代理，我们可以用我们选择的大型语言模型进行配置。然后我们需要一个SQL工具，我将使用左侧菜单中可用的LangChain预构建组件：

注意：由于我们将使用此SQL代理作为多代理系统的一部分，我们需要将其配置为“工具”，以便最终可以被我们的攀岩装备代理使用（我们也会对后者进行相同的操作，以便可以被经理代理调用）。您可以通过点击工具模式切换按钮将代理（以及许多其他组件）转换为工具：

由于SQL组件需要它，我还添加了一个Azure OpenAI大型语言模型来启用该工具。

我们需要的第二个工具将是添加到购物车工具，这将是一个自定义工具。您可以通过点击左下角的“新建自定义组件”来添加自定义工具。这是我配置我的组件的方式：

from langflow.field_typing import Data
from langflow.custom import Component
from langflow.io import MessageTextInput, Output
from langflow.schema import Data
import requests

class AddToCart(Component):
    display_name = "AddToCart"
    description = "Use as a template to add an item to the cart."
    documentation: str = "http://docs.langflow.org/components/custom"
    icon = "code"
    name = "AddToCart"

inputs = [
        MessageTextInput(
            name="item_name",
            display_name="Item Name",
            info="Name of the item to add",
            value="Example Item",
            tool_mode=True,
        ),
        MessageTextInput(
            name="item_price",
            display_name="Item Price",
            info="Price of the item to add",
            value="10.00",
            tool_mode=True,
        ),
    ]

outputs = [
        Output(display_name="Output", name="output", method="build_output"),
    ]

def build_output(self) -> Data:
        """Add an item to the cart."""
        url = "http://localhost:3000/cart"
        cart_item = {
            "name": self.item_name,
            "price": float(self.item_price),
        }
        response = requests.post(url, json=cart_item)

        if response.status_code == 201:
            result = f"Item '{self.item_name}' added to cart successfully."
        else:
            result = f"Failed to add item to cart: {response.status_code} {response.text}"

        data = Data(value=result)
        self.status = data
        return data