释放多智能体AI的力量：使用Neon、Langchain、Autogen和Azure Openai构建数据驱动的解决方案！

Rifx.Online
Data Science , Generative AI , Natural Language Processing
05 Mar, 2025

多智能体人工智能解决方案：Neon、Langchain、AutoGen 和 Azure OpenAI

让人工智能为您的数据服务

人工智能代理正在成为数据管理的积极参与者。如今，您可以简单地与您的数据对话，而不是编写 SQL 查询：

“显示我所有当前在运的货物。”

或者更好的是，人工智能代理可以对您的数据进行操作：

“为 Marc 创建一个新的货物并将其状态更新为已离开发货地。”

听起来很有前景？是的！在这篇文章中，我们将探讨如何构建一个简单的多代理人工智能解决方案，不仅可以检索数据，还可以使用 Azure OpenAI、LangChain、AutoGen 和 Neon 无服务器 Postgres 执行操作。

您可以在 GitHub 仓库上找到运行示例项目的逐步说明。

什么是多智能体人工智能？

多智能体人工智能是多个智能体的集合，它们协同工作以完成任务。每个智能体都有特定的角色，并相互沟通以共享信息和协调行动。

不同的人工智能智能体可能根据其角色需要不同级别的访问权限。如果所有智能体都能访问每个表格，它们将处理不必要的数据，并引入数据冲突。我们希望每个智能体在其领域内工作，保持数据的清晰和准确。在我们的案例中，运输管理软件使用多智能体人工智能，不同的智能体以结构化的方式处理运输、客户和产品数据。例如，我们需要管理：

客户和产品信息 — 谁在购买？他们在购买什么？
运输和物流 — 运输在哪里？它们的状态是什么？

而不是将所有内容混合到一个大型数据库中（这可能变得复杂和缓慢）。这两个数据集服务于不同的目的：

CRM 数据库跟踪客户及其订单。
运输数据库跟踪交付细节和物流。

使用的技术

我们结合了四种技术来构建示例：

第一步：定义AI代理及其角色

我们将为每个AI代理分配一个具有特定目的的角色。例如：

ShipmentAgent → 处理与运输相关的查询和操作。
CRMAgent → 管理客户和产品相关的数据。
SchemaAgent → 检索和共享架构信息。

## agents.py
import autogen
from app.database import crm_db, shipment_db
from app.schema_functions import (
    get_schema_info,
    add_customer,
    send_shipment,
)
from langchain_openai import AzureChatOpenAI
from langchain_experimental.sql import SQLDatabaseChain
from app.config import AZURE_OPENAI_KEY, AZURE_OPENAI_ENDPOINT, AZURE_OPENAI_DEPLOYMENT

...

shipment_agent = autogen.ConversableAgent(
    name="ShipmentAgent",
    llm_config=llm_config,
    description="Manage shipments in the main database.",
    system_message=(...),
)

crm_agent = autogen.ConversableAgent(
    name="CRMAgent",
    llm_config=llm_config,
    description="Manages customer and product information in the second database.",
    system_message=(...),
)

schema_agent = autogen.ConversableAgent(
    name="SchemaAgent",
    llm_config=llm_config,
    description="Understands and shares database schema information.",
    system_message=(...),
)

第2步：将代理连接到数据库

每个代理必须能够与Neon 数据库交互，以获取或更新信息。为此，我们使用 LangChain SQLDatabaseChain，它允许代理在数据库上执行 SQL 查询。

## agents.py

...

## Initialize the database chains
shipment_chain = SQLDatabaseChain(llm=azure_llm, database=shipment_db, verbose=True)
crm_chain = SQLDatabaseChain(llm=azure_llm, database=crm_db, verbose=True)

## Query functions for each database
def query_shipment(query):
    return shipment_chain.invoke(query)

def query_crm(query):
    return crm_chain.invoke(query)

第3步：为每个AI代理分配操作

每个代理都有其可以执行的特定功能。例如，ShipmentAgent 应能够调用 send_shipment 函数，而 CRMAgent 应能够调用 add_customer 函数。

## agents.py

...

## Register functions with the agents
shipment_agent.register_function(
    function_map={"query_shipment": query_shipment, "send_shipment": send_shipment}
)

crm_agent.register_function(
    function_map={"query_crm": query_crm, "add_customer": add_customer}
)

schema_agent.register_function(
    function_map={
        "get_schema_info": get_schema_info,
        "get_shared_schema_info": get_shared_schema_info,
    }
)

第 4 步：管理 AI 对话与协作

这些代理使用 AutoGen 进行协作，这是微软推出的一个开源框架，支持多代理的编排与协调。AutoGen 允许 AI 代理：

通过传递消息共享知识。
基于结构化工作流做出决策。
采取现实世界的行动，如插入数据或调用存储过程。

对于那些喜欢低代码方式构建 Agentic 工作流的用户，Autogen 提供了一个工作室。

如果我们将这三个代理组合在一起，流程如下：

用户提问：“当前有哪些产品在运输中？”Langchain 将基于文本的用户请求转换为结构化的数据库查询。
ShipmentAgent 查询 Neon Shipment 数据库并返回结果。
用户请求一个行动：“为 Marc 创建一个新货物。”
CRMAgent 将 Marc 添加为客户，ShipmentAgent 创建货物。

## agents.py

...

## Create a user proxy agent
user_proxy = autogen.UserProxyAgent(
    name="User_proxy",
    system_message="A human admin.",
    code_execution_config={
        "last_n_messages": 4,
        "work_dir": "groupchat",
        "use_docker": False,
    },
    human_input_mode="ALWAYS",  # Using this mode to give input to agents
)

## Set up the group chat and manager
groupchat = autogen.GroupChat(
    agents=[user_proxy, schema_agent, shipment_agent, crm_agent],
    messages=[],
    max_round=30,  # Maximum number of rounds in the conversation
)

manager = autogen.GroupChatManager(groupchat=groupchat)