Conversation¶

Conversation 是一种智能体间交换和共享信息的设计模式，常见于游戏、聊天机器人和多智能体讨论场景。

在 AgentScope 中，conversation 的构建在 显式的消息传递 基础上。在本章中，我们将演示如何构建：

User-assistant 之间的对话（聊天机器人）
多实体对话（游戏、讨论等）

它们的主要区别在于

提示的构建方式，以及
信息在智能体之间的 传播/共享 方式。

import asyncio
import json
import os

from agentscope.agent import ReActAgent, UserAgent
from agentscope.memory import InMemoryMemory
from agentscope.formatter import (
    DashScopeChatFormatter,
    DashScopeMultiAgentFormatter,
)
from agentscope.model import DashScopeChatModel
from agentscope.message import Msg
from agentscope.pipeline import MsgHub
from agentscope.tool import Toolkit

User-Assistant 对话¶

User-assistant 对话，也称为聊天机器人（chatbot），是最常见的智能体应用，也是当前大多数 LLM API 的设计模式。在这种对话只有两个参与者：用户（user）和智能体（assistant）。

在 AgentScope 中，名称中带有 "Chat" 的格式化器专为 user-assistant 对话设计，如 DashScopeChatFormatter、AnthropicChatFormatter 等。它们使用消息中的 role 字段来区分用户和智能体，并相应地格式化消息。

这里我们构建智能体 Friday 和用户之间的简单对话。

小技巧

AgentScope 提供了内置的 UserAgent 类，用于人机交互（HITL）。更多详细信息请参考 user-agent。

friday = ReActAgent(
    name="Friday",
    sys_prompt="你是一个名为 Friday 的有用助手",
    model=DashScopeChatModel(
        model_name="qwen-max",
        api_key=os.environ["DASHSCOPE_API_KEY"],
    ),
    formatter=DashScopeChatFormatter(),  # 用于 user-assistant 对话的格式化器
    memory=InMemoryMemory(),
    toolkit=Toolkit(),
)

# 创建用户智能体
user = UserAgent(name="User")

现在，我们可以通过在这两个智能体之间交换消息来开始对话，直到用户输入"exit"结束对话。

async def run_conversation() -> None:
    """运行 Friday 和用户之间的简单对话。"""
    msg = None
    while True:
        msg = await friday(msg)
        msg = await user(msg)
        if msg.get_text_content() == "exit":
            break

asyncio.run(run_conversation())

多实体对话¶

如开头所述，我们演示如何在 提示构建 和 信息共享 方面构建多智能体对话。

构建提示¶

在 AgentScope 中，我们为多智能体对话提供了内置格式化器，其名称中带有 "MultiAgent"，如 DashScopeMultiAgentFormatter、AnthropicMultiAgentFormatter 等。

具体而言，它们使用消息中的 name 字段来区分不同的实体，并将对话历史格式化为单个用户消息。以 DashScopeMultiAgentFormatter 为例：

小技巧

有关格式化器的更多详细信息可以在提示词格式化中找到。

async def example_multi_agent_prompt() -> None:
    msgs = [
        Msg("system", "你是一个名为 Bob 的有用助手。", "system"),
        Msg("Alice", "嗨！", "user"),
        Msg("Bob", "嗨！很高兴见到大家。", "assistant"),
        Msg("Charlie", "我也是！顺便说一下，我是 Charlie。", "assistant"),
    ]

    formatter = DashScopeMultiAgentFormatter()
    prompt = await formatter.format(msgs)

    print("格式化的提示：")
    print(json.dumps(prompt, indent=4, ensure_ascii=False))

    # 我们在这里打印组合用户消息的内容以便更好地理解：
    print("-------------")
    print("组合消息")
    print(prompt[1]["content"])


asyncio.run(example_multi_agent_prompt())

格式化的提示：
[
    {
        "role": "system",
        "content": "你是一个名为 Bob 的有用助手。"
    },
    {
        "role": "user",
        "content": "# Conversation History\nThe content between <history></history> tags contains your conversation history\n<history>\nAlice: 嗨！\nBob: 嗨！很高兴见到大家。\nCharlie: 我也是！顺便说一下，我是 Charlie。\n</history>"
    }
]
-------------
组合消息
# Conversation History
The content between <history></history> tags contains your conversation history
<history>
Alice: 嗨！
Bob: 嗨！很高兴见到大家。
Charlie: 我也是！顺便说一下，我是 Charlie。
</history>

消息共享¶

在多智能体对话中，显式交换消息可能不够高效和便利，特别是在多个智能体之间广播消息时。

因此，AgentScope 提供了一个名为 MsgHub 的异步上下文管理器来简化消息广播。具体而言，同一个 MsgHub 中的智能体将自动接收其它参与者通过 reply 函数返回的消息。

下面我们构建一个多人聊天的场景，多个智能体扮演不同的角色：

model = DashScopeChatModel(
    model_name="qwen-max",
    api_key=os.environ["DASHSCOPE_API_KEY"],
)
formatter = DashScopeMultiAgentFormatter()

alice = ReActAgent(
    name="Alice",
    sys_prompt="你是一个名为 Alice 的学生。",
    model=model,
    formatter=formatter,
)

bob = ReActAgent(
    name="Bob",
    sys_prompt="你是一个名为 Bob 的学生。",
    model=model,
    formatter=formatter,
)

charlie = ReActAgent(
    name="Charlie",
    sys_prompt="你是一个名为 Charlie 的学生。",
    model=model,
    formatter=formatter,
)


async def example_msghub() -> None:
    """使用 MsgHub 进行多智能体对话的示例。"""
    async with MsgHub(
        [alice, bob, charlie],
        # 进入 MsgHub 时的公告消息
        announcement=Msg(
            "system",
            "现在大家互相认识一下，简单自我介绍。",
            "system",
        ),
    ):
        await alice()
        await bob()
        await charlie()


asyncio.run(example_msghub())

Alice: 大家好，我叫Alice，是一名学生。很高兴认识大家！我喜欢阅读和探索新知识，也热衷于参加各种户外活动。希望我们能成为好朋友，一起分享学习和生活中的点滴。你们都有什么兴趣爱好呢？
Bob: 大家好，我叫Bob，也是学生。我对科学和技术特别感兴趣，平时喜欢捣鼓一些电子设备，也爱玩视频游戏。我也很期待和大家成为朋友，一起学习进步。很高兴遇到有共同话题的朋友！Alice，你最喜欢哪类书籍？
Charlie: 大家好，我叫Charlie，和你们一样也是学生。我对音乐特别有热情，平时喜欢弹吉他和写歌。我也热爱体育，特别是篮球。在学习上，我对数学和物理很感兴趣。Alice，你最喜欢哪种类型的户外活动？Bob，你最近在玩什么视频游戏？希望我们能一起分享我们的兴趣！

现在我们打印 Alice 的记忆，检查她的记忆是否正确更新。

async def example_memory() -> None:
    """打印 Alice 的记忆。"""
    print("Alice 的记忆：")
    for msg in await alice.memory.get_memory():
        print(
            f"{msg.name}: {json.dumps(msg.content, indent=4, ensure_ascii=False)}",
        )


asyncio.run(example_memory())

Alice 的记忆：
system: "现在大家互相认识一下，简单自我介绍。"
Alice: [
    {
        "id": "WRC9oxPwwWJvsQK5aeJ9YW",
        "type": "tool_use",
        "name": "generate_response",
        "input": {
            "response": "大家好，我叫Alice，是一名学生。很高兴认识大家！我喜欢阅读和探索新知识，也热衷于参加各种户外活动。希望我们能成为好朋友，一起分享学习和生活中的点滴。你们都有什么兴趣爱好呢？"
        }
    }
]
system: [
    {
        "type": "tool_result",
        "id": "WRC9oxPwwWJvsQK5aeJ9YW",
        "name": "generate_response",
        "output": [
            {
                "type": "text",
                "text": "Successfully generated response."
            }
        ]
    }
]
Alice: "大家好，我叫Alice，是一名学生。很高兴认识大家！我喜欢阅读和探索新知识，也热衷于参加各种户外活动。希望我们能成为好朋友，一起分享学习和生活中的点滴。你们都有什么兴趣爱好呢？"
Bob: "大家好，我叫Bob，也是学生。我对科学和技术特别感兴趣，平时喜欢捣鼓一些电子设备，也爱玩视频游戏。我也很期待和大家成为朋友，一起学习进步。很高兴遇到有共同话题的朋友！Alice，你最喜欢哪类书籍？"
Charlie: "大家好，我叫Charlie，和你们一样也是学生。我对音乐特别有热情，平时喜欢弹吉他和写歌。我也热爱体育，特别是篮球。在学习上，我对数学和物理很感兴趣。Alice，你最喜欢哪种类型的户外活动？Bob，你最近在玩什么视频游戏？希望我们能一起分享我们的兴趣！"

进一步阅读¶

Total running time of the script: (0 minutes 16.068 seconds)

Gallery generated by Sphinx-Gallery