Meta sulandumine's Llama 4 mudelit Microsoftiga's AutoGeni raamistik avab uusi võimalusi nutikate ja tõhusate lahenduste loomiseks. AI agendid. Need tehnoloogiad võimaldavad koos arendajatel luua rakendusi, mis suudavad töödelda loomulikku keelt, mõista pilte, lahendada keerulisi probleeme ja teha teiste agentidega koostööd ülesannete täitmiseks.
Laama 4 pakub muljetavaldavaid multimodaalseid võimalusi ja ulatuslikke kontekstiaknaid AutoGen pakub struktureeritud raamistikku mitme agendi koordineerimiseks koostööl põhinevates töövoogudes. Koos moodustavad need võimsa tööriistakomplekti järgmise põlvkonna jaoks AI rakendusi.
See juhend tutvustab protsessi hoone AI agendid, kes kasutavad neid tööriistu, mis sisaldab praktilisi koodinäiteid ja rakendusstrateegiaid iga oskustasemega arendajatele.
Mis teeb Laama 4 ja AutoGen Täiuslik sobivus?
Meta's Laama 4 perekond paistab silma AI maailm oma natiivsed multimodaalsed võimalused ja varajane termotuumasünteesi lähenemine. Koos AutoGeniga -Microsoft's raamistik vestluslike mitmeagentiliste süsteemide loomiseks—arendajad saavad luua AI agendid, kes tõhusalt arutlevad, teevad koostööd ja kohanevad.
Pakutakse Llama 4 mudeleid, sealhulgas Scouti ja Mavericki variante varajane termotuumasünteesi multimodaalne töötlemine mis käsitleb teksti, pilte ja videokaadreid algusest peale ühe märgijadana. See funktsioon koos AutoGeniga's paindlik agentide arhitektuur, mis võimaldab luua AI süsteemid mis võib:
Laskma's luua praktiline mitme agendiga süsteem, mis demonstreerib neid võimeid, luues projektiettepanekute generaatori, mis analüüsib klientide nõudeid ja genereerib kohandatud tööpakkumisi.
Praktilise ehitamine AI Agent süsteem
Laskma's luua mitme agendi süsteem, mis aitab vabakutselistel genereerida kohandatud tööpakkumisi. Meie süsteem:
- Koguge kokku kliendi nõuded
- Koguge vabakutselise kvalifikatsioon
- Looge professionaalseid ettepanekuid sobiva hinnakujundusega.
0. samm: keskkonna seadistamine
Esmalt installige vajalikud paketid:
püüton
pip install autogen-agentchat~=0.2
pip install ipython
1. samm: API juurdepääsu konfigureerimine
Kasutame Llama 4 juurde pääsemiseks Together API-t:
python
import os
import autogen
from IPython.display import display, Markdown
# Load API key from file
with open("together_ai_api.txt") as file:
LLAMA_API_KEY = file.read().strip()
os.environ["LLAMA_API_KEY"] = LLAMA_API_KEY
# Configure LLM settings
llm_config = {
"config_list": [
{
"model": "meta-llama/Llama-4-Scout", # Use Scout for efficiency
"api_key": os.environ.get("LLAMA_API_KEY"),
"base_url": "https://api.together.xyz/v1",
}
],
"temperature": 0.2, # Lower for more consistent outputs
"timeout": 180
}2. samm: spetsiaalsete agentide loomine
Meie süsteem nõuab kolme erinevat agenti, kellel on kindlad rollid:
Kliendi sisestusagent
python
# Agent 1: Interfaces with the human user
client_agent = autogen.UserProxyAgent(
name="Client_Input_Agent",
human_input_mode="ALWAYS", # Always gets input from human
max_consecutive_auto_reply=1,
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
system_message="""Act as the primary contact between the human user and other agents.
First, collect initial project details (requirements, timeline, budget).
When asked questions by the Scope Architect, relay user's answers about skills and experience.
Type TERMINATE when the proposal is satisfactory or the user wants to stop."""
)See agent toimib sillana inimese ja kasutaja vahel. AI Süsteem teabe kogumine ja lõppväljundi esitamine.
Reguleerimisala Arhitekti agent
python
# Agent 2: Analyzes requirements and asks qualifying questions
scope_architect_agent = autogen.AssistantAgent(
name="Scope_Architect",
llm_config=llm_config,
max_consecutive_auto_reply=1,
system_message="""You are a Scope Architect who analyzes project requirements.
After receiving initial details from Client_Input_Agent, ask targeted questions about:
- The freelancer's relevant past projects and experience
- Their key skills and tools for this specific project
- Estimated completion time for the described work
Once you have sufficient information, create a concise summary of BOTH
the project requirements AND freelancer qualifications for the Rate Recommender."""
)Scope Architect toimib nõuete analüütikuna, kogudes täpse ettepaneku jaoks vajalikku teavet.
Hinda soovitaja agent
python
# Agent 3: Creates structured proposal with pricing
rate_recommender_agent = autogen.AssistantAgent(
name="Rate_Recommender",
llm_config=llm_config,
max_consecutive_auto_reply=1,
system_message="""Generate professional project proposals based on gathered information.
Wait for the Scope Architect's complete summary before proceeding.
Include these sections in your proposal:
1. Custom Introduction: Personalized greeting referencing client and project
2. Project Scope & Timeline: Clear deliverables with timeline estimates
3. Pricing Options: 2-3 tiers (hourly/fixed/retainer) with justification
4. Next Steps: Brief suggestion for kickoff discussion
Format using proper markdown. Avoid commentary - deliver only the final proposal."""
)See agent koostab lõpliku väljundi, muutes kogutud teabe struktureeritud ettepanekuks.
3. samm: abiagendi loomine (valikuline)
python
# Optional helper to initiate the conversation
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
max_consecutive_auto_reply=1,
llm_config=llm_config,
system_message="Initiate the conversation between agents."
)4. samm: grupivestluse seadistamine
Nüüd loome vestluskeskkonna, kus agendid saavad koostööd teha:
python
# Group Chat Configuration
groupchat = autogen.GroupChat(
agents=[client_agent, scope_architect_agent, rate_recommender_agent],
messages=[],
max_round=4, # Prevent infinite loops
speaker_selection_method="round_robin", # Orderly participation
)
# Conversation Manager
manager = autogen.GroupChatManager(
groupchat=groupchat,
llm_config=llm_config,
system_message="""Direct the conversation flow through these steps:
1. Client_Input_Agent shares project details
2. Scope_Architect asks qualifying questions
3. Client_Input_Agent provides freelancer information
4. Scope_Architect summarizes all information
5. Rate_Recommender creates the final proposal
End when the proposal is complete or Client_Input_Agent says TERMINATE."""
)See seadistus tagab organiseeritud vestluse voo selgete rollide ja vastutustega.
5. samm: vestluse alustamine
Laskma's Käivitage meie agendi töövoog:
python
# Begin the proposal generation process
print("Starting the proposal generation process...")
print("Please provide project details when prompted.")
initial_message = """
Begin the proposal creation process:
1. First collect project details from the user
2. Then gather freelancer qualifications
3. Finally generate a professional proposal
"""
user_proxy.initiate_chat(
manager,
message=initial_message
)6. samm: lõpliku ettepaneku väljavõtmine
Kui vestlus on lõppenud, eraldame ja kuvame lõpliku ettepaneku:
python
# Find and display the proposal
chat_history = manager.chat_messages[client_agent]
final_proposal = None
for msg in reversed(chat_history):
if msg.get("role") == "assistant" and msg.get("name") == rate_recommender_agent.name:
if "Introduction" in msg.get("content", ""):
final_proposal = msg
break
if final_proposal:
proposal_text = final_proposal.get("content", "Proposal not found.")
try:
display(Markdown(proposal_text))
except NameError:
print("\n--- FINAL PROPOSAL ---\n")
print(proposal_text)
else:
print("Could not find the final proposal in the conversation.")Täiustatud tehnikad parema ehitamise jaoks AI Agendid
Kuigi meie põhiline lahendus töötab hästi, on siin mõned edasijõudnutele mõeldud lähenemisviisid, mis muudavad teie AI võimsamad agendid:
A.Välise tööriista integreerimine
Üks AutoGeni tugevusi on võime varustada agente väliste tööriistadega. Siit saate teada, kuidas anda oma Rate Recommenderile turu-uuringute võimalused:
python
# Define function for market research
def research_market_rates(job_type, experience_level):
"""Access external data for pricing information"""
# This would typically connect to an API or database
# Using simple dictionary for demonstration
rate_data = {
"web_development": {
"beginner": "$30-50/hr",
"intermediate": "$50-90/hr",
"expert": "$90-200/hr"
},
"data_analysis": {
"beginner": "$25-45/hr",
"intermediate": "$45-85/hr",
"expert": "$85-180/hr"
}
}
# Retrieve appropriate rate range
try:
return rate_data[job_type][experience_level]
except KeyError:
return "Rate information not available for this combination"
# Configure LLM with function
rate_recommender_config = {
**llm_config,
"functions": [
{
"name": "research_market_rates",
"description": "Find current market rates for specific job types and experience levels",
"parameters": {
"type": "object",
"properties": {
"job_type": {
"type": "string",
"enum": ["web_development", "data_analysis", "content_writing", "graphic_design"]
},
"experience_level": {
"type": "string",
"enum": ["beginner", "intermediate", "expert"]
}
},
"required": ["job_type", "experience_level"]
}
}
]
}
# Update the Rate Recommender with function capabilities
rate_recommender_agent = autogen.AssistantAgent(
name="Rate_Recommender",
llm_config=rate_recommender_config,
system_message="""Generate proposals with accurate market-based pricing.
Use the research_market_rates function to get current pricing information."""
)
# Register the function with the agent
rate_recommender_agent.register_function(
function_map={"research_market_rates": research_market_rates}
)See täiustus võimaldab Rate Recommenderil pääseda juurde välistele hinnaandmetele, muutes ettepanekud täpsemaks ja konkurentsivõimelisemaks.
B. Püsimälu rakendamine
Mäluvõimaluste lisamine aitab agentidel säilitada konteksti mitme interaktsiooni käigus.
python
# Create a simple memory system for agents
class AgentMemory:
def __init__(self):
self.memories = {}
def store(self, agent_name, key, value):
"""Save information to agent memory"""
if agent_name not in self.memories:
self.memories[agent_name] = {}
self.memories[agent_name][key] = value
def retrieve(self, agent_name, key=None):
"""Get information from agent memory"""
if agent_name not in self.memories:
return None
if key:
return self.memories[agent_name].get(key)
else:
return self.memories[agent_name]
# Initialize memory
memory = AgentMemory()
# Example of storing client information
def process_client_input(message):
"""Extract and store client information"""
# This would typically use more sophisticated parsing
if "budget:" in message.lower():
budget = message.split("budget:")[1].strip().split("\n")[0]
memory.store("client", "budget", budget)
if "timeline:" in message.lower():
timeline = message.split("timeline:")[1].strip().split("\n")[0]
memory.store("client", "timeline", timeline)
return message
# Add memory hook to client agent
def memory_hook(recipient, messages, sender, config):
"""Process and store incoming messages"""
if sender.name == "Client_Input_Agent" and messages:
process_client_input(messages[0].get("content", ""))
return False, None # Continue normal processing
# Register the hook
client_agent.register_hook("memory_hook", memory_hook)See mälusüsteem aitab agentidel kogu vestluse jooksul olulist teavet meelde tuletada, isegi kui seda pole viimastes sõnumites selgesõnaliselt mainitud.
Praktilised rakendused väljaspool ettepanekute koostamist
Meie loodud arhitektuuri saab kohandada paljude teiste äristsenaariumitega:
A. Sisu loomise torujuhe
Muutke meie agente sisutootmise töövoogude haldamiseks:
B. SEO analüüsisüsteem
Looge spetsiaalne SEO tööriist järgmiste agentidega:
C. Klienditoe automatiseerimine
Muutke arhitektuur tugisüsteemiks:
Toimivuse optimeerimise näpunäited
Tootmisvalmis AI agentsüsteemid:
- Nutika mudeli valik: Kasutage kergeid mudeleid lihtsamate ülesannete jaoks (sissevõtt, marsruutimine) ja reserveerige suuremaid mudeleid keerukate arutluste jaoks (pakkumise loomine, hinnakujundus).
- Rakenda vahemälu: Salvestage sagedased vastused API kõnede vähendamiseks ja reageerimisaja pikendamiseks.
python
# Simple cache implementation
response_cache = {}
def get_cached_response(query_key, generator_function, ttl=3600):
"""Get cached response or generate new one"""
if query_key in response_cache:
timestamp, response = response_cache[query_key]
if time.time() - timestamp < ttl:
return response
# Generate fresh response
new_response = generator_function()
response_cache[query_key] = (time.time(), new_response)
return new_responsePakktöötlus: Sõltumatute ülesannete puhul töötle neid paralleelselt, mitte järjestikku:
python
import asyncio
async def run_parallel_research():
task1 = asyncio.create_task(research_agent.async_run("Research topic A"))
task2 = asyncio.create_task(research_agent.async_run("Research topic B"))
task3 = asyncio.create_task(research_agent.async_run("Research topic C"))
results = await asyncio.gather(task1, task2, task3)
return resultsLlama 4 tehniline eelis AI Agendid
Laama 4's spetsiifilised omadused muudavad selle eriti sobivaks agentide rakenduste jaoks:
- Varajane termotuumasünteesi multimodaalne arhitektuur võimaldab agentidel teksti ja pilte loomulikult koos töödelda, erinevalt eelmistest lähenemisviisidest, mis hoidsid modaalsused lahus.
- Ekspertide segu disain võimaldab mudelil aktiveerida iga ülesande jaoks ainult asjakohased parameetrid, muutes vastused nii kiiremaks kui ka täpsemaks.
- Erakordne pika konteksti käsitlemine (kuni 10 miljonit Scouti märgist) võimaldab agentidel säilitada vestluste ajalugu ja viidata pikkadele dokumentidele ilma sidusust kaotamata.
- Mitmekeelsed võimalused 12 ametlikult toetatud keeles muudavad agendid ülemaailmsetele kasutajatele juurdepääsetavaks.
hes, sa saad luua AI agendid, kes mitte ainult ei mõista päringuid ja vasta neile, vaid teevad aktiivselt koostööd keeruliste probleemide lahendamiseks – esindades tõeliselt järgmist põlvkonda AI rakendused.
Populaarseimad KKK-d
Mille poolest erineb Llama 4 teistest keelemudelitest?
Llama 4 kasutab multimodaalseks töötlemiseks varajast fusioonimeetodit ja tõhususe tagamiseks hõredat ekspertide segu arhitektuuri. See käsitleb teksti, pilte ja videot ühe märgijadana ja aktiveerib iga sisendi jaoks ainult asjakohased "ekspertide" alammudelid.
Kas AutoGen võib töötada ka muude LLM-idega peale Llama 4?
Jah, AutoGen on mudelist sõltumatu ja töötab erinevate õigusteaduste magistriõppe programmidega, sh avatud õpetlastega.AI mudelid, antropoloogilised mudelid ja muud avatud lähtekoodiga mudelid, näiteks Mistral AI või DeepSeek.
Kas hoone AI Kas agendid vajavad edasijõudnud programmeerimisoskusi?
Mitte tingimata. Pythoni põhiteadmiste ja LLM-ide mõistmisega saate seadistada ja käivitada agendi töövooge. AutoGen lihtsustab mitme agendi loomise ja koordineerimise protsessi.
Kas need võivad AI Kas agendid töötavad kohalikul riistvaral?
Jah, AutoGen toetab integreerimist kohalike LLM-idega selliste tööriistade nagu Ollama abil, mis võimaldab teil käitada agente oma riistvaras.
Kuidas API-võtmeid tootmises turvaliselt käsitseda?
Salvestage API võtmed pigem keskkonnamuutujates või turvalistes hoidlates kui koodis. Tootmise juurutamiseks kasutage õiget autentimist ja krüptimist.
Kas saan laiendada agente kohandatud tööriistade ja API-dega?
Absoluutselt. AutoGen võimaldab ühendada agente väliste API-de, andmebaaside ja kohandatud tööriistadega, võimaldades neil suhelda erinevate süsteemide ja teenustega.
Soovitatavad lugemised:
Järeldus
Ehitus AI Llama 4 ja AutoGeni agendid avavad põnevaid võimalusi intelligentsete ja koostööl põhinevate süsteemide loomiseks, mis suudavad lahendada keerulisi ülesandeid. Nende kombinatsioon Laama 4's multimodaalne intelligentsus ja AutoGen's paindlik agentide raamistik pakub arendajatele võimsaid tööriistu loomiseks AI agendid, kes suudavad arutleda, koostööd teha ja erinevate stsenaariumidega kohaneda.
Meie näidisprojekt – mitme agendi ettepanekute generaator – demonstreerib nende tehnoloogiate vaid ühte praktilist rakendust. Samu põhimõtteid saab rakendada ehitama AI sisu loomise agendid, andmete analüüs, klienditeeninduse, uurimistöö, projektijuhtimise ja paljudes muudes valdkondades.
Kui sa ise oma AI Llama 4 ja AutoGeniga agendid, pidage meeles järgmisi põhiprintsiipe:
BONUS: Hankige meie 200 dollaritAI "Meisterlikkuse tööriistakomplekt" TASUTA registreerumisel!
