Tworzenie prostego współbieżnego przepływu pracy

Co będziesz budować

Utworzysz przepływ pracy, który:

• Przyjmuje pytanie jako dane wejściowe (na przykład "Co to jest temperatura?")
• Wysyła to samo pytanie do dwóch ekspertów agentów sztucznej inteligencji jednocześnie (Fizyk i Chemik)
• Zbiera i łączy odpowiedzi z obu agentów w pojedyncze dane wyjściowe
• Demonstruje współbieżne wykonywanie z agentami AI przy użyciu wzorców rozdzielania-łączenia

Omówione pojęcia

• Executors
• Krawędzie wentylatora
• Krawędzie wejściowe
• Konstruktor przepływu pracy
• Events

Wymagania wstępne

• Pakiet .NET 8.0 SDK lub nowszy
• Skonfigurowany punkt końcowy usługi Azure OpenAI i wdrożenie
• Zainstalowany i uwierzytelniony interfejs wiersza polecenia platformy Azure(na potrzeby uwierzytelniania poświadczeń platformy Azure)
• Nowa aplikacja konsolowa

Krok 1. Instalowanie pakietów NuGet

Najpierw zainstaluj wymagane pakiety dla projektu .NET:

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

Krok 2. Konfigurowanie zależności i interfejsu Azure OpenAI

Zacznij od skonfigurowania projektu przy użyciu wymaganych pakietów NuGet i klienta usługi Azure OpenAI:

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();

Krok 3: Tworzenie ekspertów agentów AI

Utwórz dwóch wyspecjalizowanych agentów sztucznej inteligencji, którzy zapewnią perspektywy ekspertów:

        // 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."
        );

Krok 4: Utwórz Startowy Egzekutor

Utwórz funkcję wykonawcczą, która inicjuje przetwarzanie współbieżne, wysyłając dane wejściowe do wielu agentów:

        var startExecutor = new ConcurrentStartExecutor();

Implementacja ConcurrentStartExecutor :

/// <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);
    }
}

Krok 5. Tworzenie modułu wykonawczego agregacji

Utwórz funkcję wykonawcza, która zbiera i łączy odpowiedzi z wielu agentów:

        var aggregationExecutor = new ConcurrentAggregationExecutor();

Implementacja ConcurrentAggregationExecutor :

/// <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);
        }
    }
}

Krok 6. Kompilowanie przepływu pracy

Połącz procesy wykonawcze z agentami przy użyciu wzorców rozgałęzienia i zbiegania.

        // 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();

Krok 7. Wykonywanie przepływu pracy

Uruchom przepływ pracy i przechwyć dane wyjściowe przesyłania strumieniowego:

        // 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}");
            }
        }
    }
}

Jak to działa

1. Fan-Out: Odbiera ConcurrentStartExecutor pytanie wejściowe, a krawędź wentylatora wysyła go zarówno do agentów fizyka, jak i chemika jednocześnie.
2. Przetwarzanie równoległe: obaj agenci sztucznej inteligencji przetwarzają to samo pytanie jednocześnie, z których każdy zapewnia swoją perspektywę eksperta.
3. Fan-In: Funkcja ConcurrentAggregationExecutor zbiera ChatMessage odpowiedzi od obu agentów.
4. Agregacja: Po odebraniu obu odpowiedzi agregator łączy je w sformatowane dane wyjściowe.

Kluczowe pojęcia

• Fan-Out Edges: użyj AddFanOutEdge() do dystrybuowania tych samych danych wejściowych do wielu wykonawców lub agentów.
• Fan-In Edges: służy AddFanInEdge() do zbierania wyników z wielu funkcji wykonawczych źródła.
• Integracja agenta sztucznej inteligencji: agenci sztucznej inteligencji mogą służyć bezpośrednio jako funkcje wykonawcze w przepływach pracy.
• Klasa bazowa wykonawcy: Niestandardowi wykonawcy dziedziczą Executor<TInput> i zastępują metodę HandleAsync.
• Włącz tokeny: użyj polecenia TurnToken , aby zasygnalizować agentów, aby rozpocząć przetwarzanie komunikatów w kolejce.
• Wykonywanie przesyłania strumieniowego: Użyj StreamAsync() do pobierania aktualizacji w czasie rzeczywistym w miarę postępu przepływu pracy.

Kompletna implementacja

Aby uzyskać pełną działającą implementację tego współbieżnego przepływu pracy z agentami sztucznej inteligencji, zobacz przykład Concurrent/Program.cs w repozytorium Platformy agentów.

W implementacji języka Python utworzysz współbieżny przepływ pracy, który przetwarza dane za pomocą wielu równoległych funkcji wykonawczych i agreguje wyniki różnych typów. W tym przykładzie pokazano, jak platforma obsługuje mieszane typy wyników z przetwarzania współbieżnego.

Co będziesz budować

Utworzysz przepływ pracy, który:

• Przyjmuje listę liczb jako dane wejściowe
• Dystrybuuje listę do dwóch równoległych modułów wykonawczych (jeden obliczający średnią, drugi obliczający sumę)
• Agreguje różne typy wyników (zmiennoprzecinkowe i int) do końcowych danych wyjściowych
• Pokazuje, jak struktura obsługuje różne typy wyników od współbieżnych funkcji wykonawczych

Omówione pojęcia

• Executors
• Krawędzie wentylatora
• Krawędzie wejściowe
• Konstruktor przepływu pracy
• Events

Wymagania wstępne

• Środowisko Python w wersji 3.10 lub nowszej
• Zainstalowano program Agent Framework Core: pip install agent-framework-core --pre

Krok 1. Importowanie wymaganych zależności

Zacznij od zaimportowania niezbędnych składników z programu Agent Framework:

import asyncio
import random

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

Krok 2: Utwórz Dispatcher Executor

Dyspozytor jest odpowiedzialny za dystrybucję początkowych danych wejściowych do wielu równoległych funkcji wykonawczych:

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)

Krok 3. Tworzenie funkcji wykonawczych przetwarzania równoległego

Utwórz dwie funkcje wykonawcze, które będą przetwarzać dane jednocześnie:

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)

Krok 4: Utwórz wykonawcę agregatora

Agregator zbiera wyniki z równoległych funkcji wykonawczych i zwraca końcowe dane wyjściowe:

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)

Krok 5. Tworzenie przepływu pracy

Połącz egzekutory używając wzorców fan-out i fan-in:

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()
    )

Krok 6. Uruchamianie przepływu pracy

Wykonaj przepływ pracy z przykładowymi danymi i przechwyć dane wyjściowe:

    # 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())

Jak to działa

1. Fan-Out: Obiekt Dispatcher odbiera listę danych wejściowych i wysyła ją jednocześnie do funkcji wykonawczej Average i Sum
2. Przetwarzanie równoległe: obie funkcje wykonawcze przetwarzają te same dane wejściowe jednocześnie, generując różne typy wyników:
   • Average funkcja wykonawcza generuje float wynik
   • Sum funkcja wykonawcza generuje int wynik
3. Fan-In: Aggregator funkcja odbiera wyniki z obu funkcji wykonawczych jako listę zawierającą oba typy
4. Obsługa typów: platforma automatycznie obsługuje różne typy wyników przy użyciu typów unii (int | float)

Kluczowe pojęcia

• Fan-Out Edges: użyj add_fan_out_edges() aby wysłać te same dane wejściowe do wielu egzekutorów.
• Fan-In Edges: służy add_fan_in_edges() do zbierania wyników z wielu funkcji wykonawczych źródła
• Typy unii: zarządzanie różnymi typami rezultatów przy użyciu adnotacji typu, takich jak list[int | float]
• Współbieżne wykonywanie: wiele funkcji wykonawczych przetwarza dane jednocześnie, zwiększając wydajność

Kompletna implementacja

Aby uzyskać pełną działającą implementację tego współbieżnego przepływu pracy, zobacz przykład aggregate_results_of_different_types.py w repozytorium Platformy agentów.