备注
Go to the end to download the full example code.
Multi-Agent Debate¶
Multi-Agent debate 模拟不同智能体之间的多轮讨论场景,通常包括几个 solver 和一个 aggregator。 典型情况下,solver 生成并交换他们的答案,而 aggregator 收集并总结答案。
我们实现了 EMNLP 2024 中的示例,其中两个 solver 智能体将按固定顺序讨论一个话题,根据先前的辩论历史表达他们的论点。 在每一轮中,主持人智能体将决定是否可以在当前轮获得最终的正确答案。
import asyncio
import os
from pydantic import Field, BaseModel
from agentscope.agent import ReActAgent
from agentscope.formatter import (
DashScopeMultiAgentFormatter,
)
from agentscope.message import Msg
from agentscope.model import DashScopeChatModel
from agentscope.pipeline import MsgHub
# 准备一个话题
topic = "两个圆外切且没有相对滑动。圆A的半径是圆B半径的1/3。圆A绕圆B滚动一圈回到起点。圆A总共会旋转多少次?"
# 创建两个辩论者智能体,Alice 和 Bob,他们将讨论这个话题。
def create_solver_agent(name: str) -> ReActAgent:
"""获取一个解决者智能体。"""
return ReActAgent(
name=name,
sys_prompt=f"你是一个名为 {name} 的辩论者。你好,欢迎来到"
"辩论比赛。我们的目标是找到正确答案,因此你没有必要完全同意对方"
f"的观点。辩论话题如下所述:{topic}",
model=DashScopeChatModel(
model_name="qwen-max",
api_key=os.environ["DASHSCOPE_API_KEY"],
stream=False,
),
formatter=DashScopeMultiAgentFormatter(),
)
alice, bob = [create_solver_agent(name) for name in ["Alice", "Bob"]]
# 创建主持人智能体
moderator = ReActAgent(
name="Aggregator",
sys_prompt=f"""你是一个主持人。将有两个辩论者参与辩论比赛。他们将就以下话题提出观点并进行讨论:
``````
{topic}
``````
在每轮讨论结束时,你将评估辩论是否结束,以及话题正确的答案。""",
model=DashScopeChatModel(
model_name="qwen-max",
api_key=os.environ["DASHSCOPE_API_KEY"],
stream=False,
),
# 使用多智能体格式化器,因为主持人将接收来自多于用户和助手的消息
formatter=DashScopeMultiAgentFormatter(),
)
# 主持人的结构化输出模型
class JudgeModel(BaseModel):
"""主持人的结构化输出模型。"""
finished: bool = Field(description="辩论是否结束。")
correct_answer: str | None = Field(
description="辩论话题的正确答案,仅当辩论结束时提供该字段。否则保留为 None。",
default=None,
)
async def run_multiagent_debate() -> None:
"""运行多智能体辩论工作流。"""
while True:
# MsgHub 中参与者的回复消息将广播给所有参与者。
async with MsgHub(participants=[alice, bob, moderator]):
await alice(
Msg(
"user",
"你是正方,请表达你的观点。",
"user",
),
)
await bob(
Msg(
"user",
"你是反方。你不同意正方的观点。请表达你的观点和理由。",
"user",
),
)
# Alice 和 Bob 不需要知道主持人的消息,所以主持人在 MsgHub 外部调用。
msg_judge = await moderator(
Msg(
"user",
"现在你已经听到了他们的辩论,现在判断辩论是否结束,以及你能得到正确答案吗?",
"user",
),
structured_model=JudgeModel,
)
if msg_judge.metadata.get("finished"):
print(
"\n辩论结束,正确答案是:",
msg_judge.metadata.get("correct_answer"),
)
break
asyncio.run(run_multiagent_debate())
Alice: 正方观点是:当半径为圆B三分之一的圆A绕着圆B滚动一圈回到起点时,圆A总共会旋转3次。
解释如下:
1. 当圆A沿着圆B外侧滚动一周时,它走过的路径长度等于圆B的周长。设圆B的半径为R,则其周长C_B = 2πR。
2. 圆A的半径r = R/3,因此圆A自身的周长C_A = 2πr = (2π)(R/3) = (2πR)/3。
3. 圆A绕圆B滚动一圈所经过的距离正好等于圆B的周长,即2πR。为了计算在这个过程中圆A自转了多少圈,我们需要用圆A滚过的总距离除以其自身的周长。
4. 所以,圆A自转次数N = 圆B周长 / 圆A周长 = (2πR) / ((2πR)/3) = 3。
综上所述,当圆A绕着圆B无滑动地滚动一圈并回到原点时,它总共完成了3次完整的自转。
Bob: 谢谢你的观点,Alice。我理解了你的分析过程,但我想提出一个不同的看法。我认为当圆A绕着圆B滚动一圈回到起点时,圆A总共会旋转4次。
我的理由如下:
1. 当圆A沿着圆B外侧滚动一周时,确实它走过的路径长度等于圆B的周长加上两倍的圆A直径(因为是外切滚动)。设圆B的半径为R,则其周长C_B = 2πR;而圆A的半径r = R/3,因此圆A自身的周长C_A = 2πr = (2π)(R/3) = (2πR)/3。
2. 但是,当我们考虑圆A相对于地面的转动次数时,不仅要计算它自身绕着自己的中心轴旋转了多少圈,还要加上它围绕圆B中心旋转的那一圈。也就是说,在这个过程中,圆A不仅进行了自转,还进行了公转。
3. 根据正方给出的数据,我们知道圆A自转的次数N_self = 圆B周长 / 圆A周长 = (2πR) / ((2πR)/3) = 3次。
4. 此外,由于圆A同时也绕着圆B做了一次完整的公转,这意味着圆A又额外完成了一次旋转。
5. 因此,将自转次数与公转次数相加,我们得到圆A总共完成了4次旋转。
综上所述,当圆A绕着圆B无滑动地滚动一圈并回到原点时,考虑到自转和公转的影响,它总共完成了4次完整的旋转。
/home/runner/work/agentscope/agentscope/src/agentscope/model/_dashscope_model.py:232: DeprecationWarning: 'required' is not supported by DashScope API. It will be converted to 'auto'.
warnings.warn(
Aggregator: {
"type": "tool_use",
"name": "generate_response",
"input": {
"finished": true,
"correct_answer": "3次"
},
"id": "call_36625c4cf13b4476aef14d"
}
system: {
"type": "tool_result",
"id": "call_36625c4cf13b4476aef14d",
"name": "generate_response",
"output": [
{
"type": "text",
"text": "Successfully generated response."
}
]
}
Aggregator: 感谢两位辩论者的精彩讨论。经过仔细分析,我们可以得出结论:当圆A绕着圆B无滑动地滚动一圈并回到原点时,它总共完成了3次完整的自转。
Bob的观点中提到的“公转”实际上是圆A绕着圆B中心旋转的那一圈,但这并不意味着圆A会额外完成一次自转。实际上,在圆A绕着圆B滚动的过程中,它的自转次数已经考虑了这一因素。因此,最终答案是圆A总共会旋转3次。
再次感谢Alice和Bob带来的精彩辩论!
辩论结束,正确答案是: 3次
进一步阅读¶
Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate. EMNLP 2024.
Total running time of the script: (0 minutes 33.719 seconds)