Agent

本教程帮助你更深入地理解Agent，并引导你通过使用AgentScope定制自己的自定义agent。我们首先介绍一个称为AgentBase的基本抽象概念，它作为基类维护所有agent的通用行为。然后，我们将探讨AgentPool，这是一个由预构建的、专门化的agent组成的集合，每个agent都设计有特定的目的。最后，我们将演示如何定制你自己的agent，确保它符合你项目的需求。

理解 `AgentBase`

AgentBase类是AgentScope内所有agent结构的架构基石。作为所有自定义agent的超类，它提供了一个包含基本属性和方法的综合模板，这些属性和方法支撑了任何会话agent的核心功能。

每个AgentBase的派生类由几个关键特性组成：

memory（记忆）：这个属性使agent能够保留和回忆过去的互动，允许它们在持续的对话中保持上下文。关于memory的更多细节，我们会在记忆和消息管理部分讨论。
model（模型）：模型是agent的计算引擎，负责根据现有的记忆和输入做出响应。关于model的更多细节，我们在使用模型API与不同模型源部分讨论
sys_prompt（系统提示）和engine（引擎）：系统提示作为预定义的指令，指导agent在其互动中的行为；而engine用于动态生成合适的提示。关于它们的更多细节，我们会在提示引擎部分讨论。
to_dist（分布式）：用于创建 agent 的分布式版本，以支持多 agent 的高效协作。请注意to_dist是一个保留字段，将自动添加到AgentBase所有子类的初始化函数中。关于 to_dist 的更多细节，请见分布式部分。

除了这些属性，AgentBase 还为agent提供了一些关键方法，如 observe 和 reply：

observe()：通过这个方法，一个agent可以注意到消息而不立即回复，允许它根据观察到的消息更新它的记忆。
reply()：这是开发者必须实现的主要方法。它定义了agent对于传入消息的响应行为，封装了agent输出的逻辑。

此外，为了统一接口和类型提示，我们引入了另一个基类Operator，它通过 __call__ 函数表示对输入数据执行某些操作。并且我们让 AgentBase 成为 Operator 的一个子类。

class AgentBase(Operator):
    # ... [code omitted for brevity]

    def __init__(
            self,
            name: str,
            sys_prompt: Optional[str] = None,
            model_config_name: str = None,
            use_memory: bool = True,
    ) -> None:

    # ... [code omitted for brevity]
    def observe(self, x: Union[dict, Sequence[dict]]) -> None:
        # An optional method for updating the agent's internal state based on
        # messages it has observed. This method can be used to enrich the
        # agent's understanding and memory without producing an immediate
        # response.
        if self.memory:
            self.memory.add(x)

    def reply(self, x: Optional[Union[Msg, Sequence[Msg]]] = None) -> Msg:
        # The core method to be implemented by custom agents. It defines the
        # logic for processing an input message and generating a suitable
        # response.
        raise NotImplementedError(
            f"Agent [{type(self).__name__}] is missing the required "
            f'"reply" function.',
        )

    # ... [code omitted for brevity]

探索AgentPool

在 AgentScope 中的 AgentPool 是一个经过精选的，随时可用的，专门化agent集合。这些agent中的每一个都是为了特定的角色量身定做，并配备了处理特定任务的默认行为。AgentPool 旨在通过提供各种 Agent 模板来加快开发过程。

以下是一个总结了 AgentPool 中一些关键agent的功能的表格：

Agent 种类	描述	Typical Use Cases
`AgentBase`	作为所有agent的超类，提供了必要的属性和方法。	构建任何自定义agent的基础。
`DialogAgent`	通过理解上下文和生成连贯的响应来管理对话。	客户服务机器人，虚拟助手。
`DictDialogAgent`	通过理解上下文和生成连贯的响应来管理对话，返回的消息为 Json 格式。	客户服务机器人，虚拟助手。
`UserAgent`	与用户互动以收集输入，生成可能包括URL或基于所需键的额外具体信息的消息。	为agent收集用户输入
`ReActAgent`	实现了 ReAct 算法的 Agent，能够自动调用工具处理较为复杂的任务。	借助工具解决复杂任务
更多agent	AgentScope 正在不断扩大agent池，加入更多专门化的agent，以适应多样化的应用。

从Agent池中定制Agent

从 AgentPool 中定制一个agent，使您能够根据您的多agent应用的独特需求来调整其功能。您可以通过调整配置和提示来轻松修改现有agent，或者，对于更广泛的定制，您可以进行二次开发

下面，我们提供了如何配置来自 AgentPool 的各种agent的用法：

`DialogAgent`

回复方法：reply 方法是处理输入消息和生成响应的主要逻辑所在

def reply(self, x: Optional[Union[Msg, Sequence[Msg]]] = None) -> Msg:
    # Additional processing steps can occur here

    # Record the input if needed
    if self.memory:
        self.memory.add(x)

    # Generate a prompt for the language model using the system prompt and memory
    prompt = self.model.format(
        Msg("system", self.sys_prompt, role="system"),
        self.memory
        and self.memory.get_memory()
        or x,  # type: ignore[arg-type]
    )

    # Invoke the language model with the prepared prompt
    response = self.model(prompt).text

    #Format the response and create a message object
    msg = Msg(self.name, response, role="assistant")

    # Print/speak the message in this agent's voice
    self.speak(msg)

    # Record the message to memory and return it
    if self.memory:
        self.memory.add(msg)

    return msg

用法：为了定制一个用于客户服务机器人的 DialogAgent：

from agentscope.agents import DialogAgent

# Configuration for the DialogAgent
dialog_agent_config = {
    "name": "ServiceBot",
    "model_config_name": "gpt-3.5",  # Specify the model used for dialogue generation
    "sys_prompt": "Act as AI assistant to interact with the others. Try to "
    "reponse on one line.\n",  # Custom prompt for the agent
    # Other configurations specific to the DialogAgent
}

# Create and configure the DialogAgent
service_bot = DialogAgent(**dialog_agent_config)

`UserAgent`

回复方法：这个方法通过提示内容以及在需要时附加的键和URL来处理用户输入。收集到的数据存储在agent记忆中的一个message对象里，用于记录或稍后使用，并返回该message作为响应。

def reply(
    self,
    x: Optional[Union[Msg, Sequence[Msg]]] = None,
    required_keys: Optional[Union[list[str], str]] = None,
) -> Msg:
    # Check if there is initial data to be added to memory
    if self.memory:
        self.memory.add(x)

    content = input(f"{self.name}: ")  # Prompt the user for input
    kwargs = {}

    # Prompt for additional information based on the required keys
    if required_keys is not None:
        if isinstance(required_keys, str):
            required_keys = [required_keys]
        for key in required_keys:
            kwargs[key] = input(f"{key}: ")

    # Optionally prompt for a URL if required
    url = None
    if self.require_url:
        url = input("URL: ")

    # Create a message object with the collected input and additional details
    msg = Msg(self.name, content=content, url=url, **kwargs)

    # Add the message object to memory
    if self.memory:
        self.memory.add(msg)

    return msg

用法：配置一个 UserAgent 用于收集用户输入和URL（文件、图像、视频、音频或网站的URL）：

from agentscope.agents import UserAgent

# Configuration for UserAgent
user_agent_config = {
    "name": "User",
    "require_url": True,  # If true, the agent will require a URL
}

# Create and configure the UserAgent
user_proxy_agent = UserAgent(**user_agent_config)

[返回顶部]

Agent

理解 AgentBase

探索AgentPool

从Agent池中定制Agent

DialogAgent

UserAgent

理解 `AgentBase`

`DialogAgent`

`UserAgent`