AutoGen多角色、多用户、多智能体对话系统

2023-03-11-AutoGen

使用【autoGen+chainlit+deepSeek】实现【多角色、多用户、多智能体对话系统】

1-核心思路

  • 01）技术要点：autoGen+chainlit+deepSeek
  • 02）什么是autoGen->autogen是微软旗下的多智能体的框架
  • 03）什么是chainlit->模型前端展示框架
  • 04）要做什么？->快速实现多角色、多用户、多智能体对话系统
  • 05）什么是RoundRobinGroupChat？->反复调用
  • 06）单智能体-nurses_station_ai ->进行大模型问题咨询
  • 07）智能体与FunctionCall-> 大模型调用FunctionCall
  • 08）多智能体自动选择-> Selector Group Chat
  • 09）为什么设置TextMentionTermination->终止符
  • 10）什么是AutoGen Studio工作流UI->上面都是python代码实现，有没有拖拖拽拽就可以的UI编排
  • 11）最终目标->3分钟复刻Manus智能体！AutoGen+MCP Server+Cline构建最强AI智能体https://www.bilibili.com/video/BV119RHYmEPF

2-参考网址

  • AutoGen入门——快速实现多角色、多用户、多智能体对话系统
  • autogen-Github仓库地址
  • 个人代码实现仓库地址

3-上手实操

1-安装依赖

# 版本说明
- python，3.11
- AutoGen，0.4.2
- chainlit，2.0.2
- 大模型，deepseek# 安装依赖-autogen
pip install -U "autogen-agentchat" "autogen-ext[openai]"# 安装依赖-UI交互界面
pip install chainlit# 运行脚本
chainlit run .\a_01_nurses_station_ai.py -w

2-a_01_nurses_station_ai内容如下

import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient@cl.on_chat_start
async def main():await cl.Message(content="您好，这里是超级无敌大医院，有什么可以帮您？").send()async def run_team(query: str):model_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",api_key="sk-6d775065fa8c405caebed674c125e67e",model_info={"vision": False,"function_calling": False,"json_output": True,"family": "unknown",}, )assistant_agent = AssistantAgent("assistant", model_client=model_client,system_message="你是一所口腔医院的导诊台机器人，负责解答用户的挂号问题，用户描述症状需求，你回答应该挂的科室。""在本医院中有以下科室：牙体牙髓科、口腔修复科、口腔外科、口腔种植科、儿童口腔专科。""如果用户的问题与挂号咨询不符合，回答：“您的描述与症状无关，暂不支持”")team = RoundRobinGroupChat(participants=[assistant_agent], max_turns=1)response_stream = team.run_stream(task=query)async for msg in response_stream:if hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):msg = cl.Message(content=msg.content, author="Agent Team")await msg.send()@cl.on_message
async def main(message: cl.Message):await run_team(message.content)

3-智能体与FunctionCall

import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient@cl.password_auth_callback
def auth_callback(username: str, password: str):if (username, password) == ("admin", "admin"):return cl.User(identifier="admin", metadata={"role": "admin", "provider": "credentials"})elif (username, password) == ("puhaiyang", "123456"):return cl.User(identifier="puhaiyang", metadata={"role": "admin", "provider": "credentials"})else:return None@cl.on_chat_start
async def main():await cl.Message(content="您好，这里是牙体牙髓科，您牙齿哪里不适？").send()async def x_p_search(tooth_position: str) -> str:"""Find information on the web"""app_user = cl.user_session.get("user")print(f"模拟查询{app_user.identifier}的{tooth_position}牙片数据")if tooth_position == "46":return "牙根尖处有阴影，疑似感染，需要进一步分析诊断"else:return f"{tooth_position}无影像"async def run_team(query: str):model_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",api_key="sk-6d775065fa8c405caebed674c125e67e",model_info={"vision": False,"function_calling": True,"json_output": True,"family": "unknown",})assistant_agent = AssistantAgent("assistant", model_client=model_client, tools=[x_p_search],system_message="你是一个牙体牙髓科的病情诊断机器人，负责对用户输入的症状描述分析原因，在分析病因前先询问出用户是具体哪一颗牙齿需要治疗。""在知道了具体的牙位号后，再调用x_p_search工具进行问题回答，传入给x_p_search工具的参数需要自动转为牙位号，如:28""如果用户的问题与病情咨询无关，回答：“您的描述与症状无关，暂不支持”")team = RoundRobinGroupChat(participants=[assistant_agent], max_turns=1)response_stream = team.run_stream(task=query)async for msg in response_stream:if hasattr(msg, "source") and (msg.type == "ToolCallExecutionEvent" or msg.type == "ToolCallRequestEvent"):# functionCall事件消息不显示给用户continueif hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):if msg.content.endswith("无影像"):res = await cl.AskActionMessage(content=f"{msg.content}，是否需要帮您申请拍摄此牙的CT影像？",actions=[cl.Action(name="continue", payload={"value": "申请"}, label="✅ 申请牙片"),cl.Action(name="cancel", payload={"value": "取消"}, label="❌ 取消"),],).send()if res and res.get("payload").get("value") == "申请":await cl.Message(content="牙片申请已提交!待审核通过后前往第3影像室进行拍摄。",).send()else:msg = cl.Message(content=msg.content, author="Agent Team")await msg.send()@cl.on_message
async def main(message: cl.Message):await run_team(message.content)
  • 执行脚本
# 1-因为添加了chainlit认证配置
conda activate AutoGen3_11
chainlit create-secret# 2-配置JWT-创建.env文件
CHAINLIT_AUTH_SECRET="-Nj%Z@l^x0FQcEKYuNBxJ@mYr~2L>_ua6EU$zSsR6M~Fd.ssav5GFANVyR4%S$Zf"# 3-执行脚本
chainlit run .\a_02_endodontics_dentistry_ai.py -w
  • 触发大模型的FunctionCall功能

4-如何解决chainlit报错

ValueError: You must provide a JWT secret in the environment to use authentication. Run chainlit create-secret to
generate one.

这个错误信息表明，在使用需要身份验证的功能时，你没有在环境变量中提供 JWT（JSON Web Token）密钥。JWT
是一种用于在网络应用中安全传输信息的开放标准，通常用于身份验证和授权。下面为你详细分析和解决这个问题：

1. 生成 JWT 密钥

依据错误提示，你可以运行 chainlit create-secret 命令来生成一个 JWT 密钥。打开命令行终端，激活你的 Python
虚拟环境（AutoGen3_11），然后执行以下命令：

conda activate AutoGen3_11
chainlit create-secret

执行该命令后，会输出一个随机生成的 JWT 密钥，类似如下：

CHAINLIT_AUTH_SECRET="-Nj%Z@l^x0FQcEKYuNBxJ@mYr~2L>_ua6EU$zSsR6M~Fd.ssav5GFANVyR4%S$Zf"
2. 根目录创建.env文件

将刚才的生成的信息复制进去

CHAINLIT_AUTH_SECRET="-Nj%Z@l^x0FQcEKYuNBxJ@mYr~2L>_ua6EU$zSsR6M~Fd.ssav5GFANVyR4%S$Zf"

5-多智能体自动选择

核心代码：创建多个AssistantAgent放入到SelectorGroupChat供大模型根据上线文进行选择

import chainlit as clfrom autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.conditions import MaxMessageTermination, TextMentionTermination
from autogen_agentchat.teams import SelectorGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClientmodel_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",api_key="sk-6d775065fa8c405caebed674c125e67e",model_info={"vision": False,"function_calling": True,"json_output": True,"family": "unknown",}, )planning_agent = AssistantAgent("PlanningAgent",description="用于规划的Agent，当一个任务到达时此Agent是第一个参与者",model_client=model_client,system_message="""你是一个任务规划智能体。你的工作是将复杂的任务分解为更小的、可管理的子任务。你的团队成员有3个，分别是：DentalPulpAgent: 牙体牙髓科智能体RestorativeAgent: 牙齿修复科智能体DentalImplantAgent: 牙齿种植科智能体你只计划和委派任务，而不自己执行它们分配任务时，请使用此格式:1. <agent> : <task>当所有智能体把任务完成后，再总结结果以"TERMINATE"结束。                        """)dental_pulp_agent = AssistantAgent("DentalPulpAgent",description="牙体牙髓科智能体",model_client=model_client,system_message="""你是一个口腔医院的牙体牙髓科智能体。你可以解答关于牙体牙髓科中患者提出的问题，你的解答非常专业，且可靠。""")restorative_agent = AssistantAgent("RestorativeAgent",description="牙齿修复科智能体",model_client=model_client,system_message="""你是一个口腔医院的牙齿修复科智能体。你可以解答关于牙齿修复中患者提出的问题，比如牙冠、烤瓷牙、嵌体修复等。你的解答非常专业，且可靠。""")dental_implant_agent = AssistantAgent("DentalImplantAgent",description="牙齿种植科智能体",model_client=model_client,system_message="""你是一个口腔医院的牙齿种植科的智能体。你可以解答关于牙齿种植科中患者提出的问题，你的解答非常专业，且可靠。""")@cl.on_chat_start
async def main():await cl.Message(content="您好，这里是口腔医院专家团队，有什么可以帮您？").send()async def run_team(query: str):text_mention_termination = TextMentionTermination("TERMINATE")max_messages_termination = MaxMessageTermination(max_messages=25)termination = text_mention_termination | max_messages_terminationteam = SelectorGroupChat([planning_agent, dental_pulp_agent, restorative_agent, dental_implant_agent],model_client=model_client,termination_condition=termination,)response_stream = team.run_stream(task=query)async for msg in response_stream:if hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):msg = cl.Message(content=msg.content, author=msg.source)await msg.send()@cl.on_message
async def main(message: cl.Message):await run_team(message.content)
  • 执行脚本
chainlit run .\a_03_dentistry_selector_ai.py -w
  • 测试问题
什么是烤瓷牙？
什么是根管治疗？

5-AutoGen Studio工作流UI

比较好的是AutoGen中也提供了与Dify类似UI界面操作的方式，即：AutoGen Studio。

  • 安装命令
# 安装autogenstudio
pip install -U autogenstudio# 运行脚本-指定一个文件夹进行数据存放
autogenstudio ui --port 8081 --appdir autogenstuido_test# 程序运行打印
2025-03-12 01:07:58.662 | INFO     | autogenstudio.web.app:lifespan:35 - Application startup complete. Navigate to http://127.0.0.1:8081

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/73310.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

问deepseek: OpenFOAM并行分区后，是如何实现ldumatrix矩阵向量乘法计算逻辑的？

问deepseek: OpenFOAM并行分区后，是如何实现ldumatrix矩阵向量乘法计算逻辑的？

在OpenFOAM中&#xff0c;lduMatrix 是用于存储稀疏矩阵的类&#xff0c;支持并行计算。并行分区后&#xff0c;lduMatrix 的矩阵向量乘法通过以下步骤实现&#xff1a; 1. 矩阵分区 分区&#xff1a;将矩阵和向量分配到多个处理器上&#xff0c;每个处理器负责一部分。接口&…
阅读更多...
数据类设计_图片类设计之4_规则类图形混合算法(前端架构)

数据类设计_图片类设计之4_规则类图形混合算法(前端架构)

前言 学的东西多了,要想办法用出来.C和C是偏向底层的语言,直接与数据打交道.尝试做一些和数据方面相关的内容 引入 接续上一篇,讨论图片类型设计出来后在场景中如何表达,以及图片的混合算法.前面的内容属于铺垫和基础,这篇内容和实际联系起来了. 背景图和前景图 这里笔者想先…
阅读更多...
【openwebui 搭建本地知识库（RAG搭建本地知识库）】

【openwebui 搭建本地知识库（RAG搭建本地知识库）】

安装准备 openwebui 这个本地安装之前写过使用python安装。也可以直接用docker 命令 docker run --rm -d \-p 3080:8080 \-p 3081:8081 \-e WEBUI_AUTHtrue \-e DEFAULT_LOCALEcn \-e GLOBAL_LOG_LEVEL"INFO" \-e AIOHTTP_CLIENT_TIMEOUT100 \--privilegedtrue \-…
阅读更多...
Nginx的流式响应配置详解

Nginx的流式响应配置详解

现在大模型场景繁多&#xff0c;项目中涉及nginx转发大模型的流式数据时&#xff0c;需配置nginx的转发策略&#xff1a; location /streaming {proxy_pass http://backend_server;proxy_cache off; # 关闭缓存proxy_buffering off; # 关闭代理缓冲chunked_transfer_encoding …
阅读更多...
git使用命令总结

git使用命令总结

文章目录 Git 复制创建提交步骤Git 全局设置:创建 git 仓库:已有仓库? 遇到问题解决办法&#xff1a;问题一先git pull一下&#xff0c;具体流程为以下几步&#xff1a; 详细步骤 Git 复制 git clone -b RobotModelSetting/develop https://gitlab.123/PROJECT/123.git创建提…
阅读更多...
flutter 图片资源路径管理

flutter 图片资源路径管理

1. 创建统一资源管理类 创建一个单独的 Dart 文件&#xff08;比如 manager.dart&#xff09;&#xff0c;将所有图片路径集中管理。这样在引用图片时&#xff0c;不需要每次都手动输入完整路径&#xff0c;只需通过常量引用即可。 //manager.dartclass Manager { static co…
阅读更多...
Android Retrofit 框架配置与构建模块深入源码分析(六)

Android Retrofit 框架配置与构建模块深入源码分析(六)

一、引言 Retrofit 是一个在 Android 和 Java 开发中广泛使用的类型安全的 HTTP 客户端。它通过简洁的 API 设计&#xff0c;使得网络请求的处理变得高效且易于管理。配置与构建模块作为 Retrofit 的基础部分&#xff0c;承担着初始化和定制 Retrofit 实例的重要任务。开发者可…
阅读更多...
80.Dictionary 字典 C#例子

80.Dictionary 字典 C#例子

使用 C# 中的 Dictionary 数据结构 在 C# 中&#xff0c;Dictionary<TKey, TValue> 是一个非常强大的数据结构&#xff0c;用于存储键值对。它提供了高效的查找、插入和删除操作&#xff0c;适用于需要快速访问数据的场景。本文将通过一个简单的示例&#xff0c;介绍如何…
阅读更多...
tomcat负载均衡配置

tomcat负载均衡配置

这里拿Nginx和之前做的Tomcat 多实例来实现tomcat负载均衡 1.准备多实例与nginx tomcat单机多实例部署-CSDN博客 2.配置nginx做负载均衡 upstream tomcat{ server 192.168.60.11:8081; server 192.168.60.11:8082; server 192.168.60.11:8083; } ser…
阅读更多...
C语言中scanf(“%c“,s)会出现的问题

C语言中scanf(“%c“,s)会出现的问题

scanf("%c%c", &word[0], &word[1]);的行为与输入缓冲区的内容密切相关。你提到输入ab后&#xff0c;word[0]是\n&#xff0c;这通常是因为输入缓冲区中残留了换行符&#xff08;\n&#xff09;。 一、原因分析 换行符残留 若在输入ab之前有其他输入操作&a…
阅读更多...
SealOS部署k8s集群（单节点）

SealOS部署k8s集群（单节点）

一、 先决条件 每个集群节点应该有不同的主机名。需要在 K8s 集群的第一个 master 节点上运行 sealos run 命令。建议使用干净的操作系统来创建集群。不要自己装 Docker&#xff01;支持大多数 Linux发行版&#xff0c;但内核版本建议5以上。例如&#xff1a;Ubuntu、CentOS、…
阅读更多...
Linux 服务器安全配置：密码复杂度与登录超时设置

Linux 服务器安全配置：密码复杂度与登录超时设置

Linux服务器安全配置指南：密码复杂度与登录超时设置 一、密码复杂度设置 通过PAM模块pam_cracklib.so实现密码强度策略，配置文件： system-auth该文件主要用于定义系统范围内的认证策略，涵盖了用户登录、su 命令切换用户、sudo 权限提升等多种认证场景。当用户尝试进行系…
阅读更多...
AI Agent开发框架分析：前端视角

AI Agent开发框架分析：前端视角

1. Mastra (https://mastra.ai/docs) 优点&#xff1a; 提供直观的界面构建器&#xff0c;适合无代码/低代码开发支持JavaScript/TypeScript&#xff0c;可直接集成到前端项目可视化工作流设计&#xff0c;降低入门门槛内置多种UI组件&#xff0c;加速前端开发 缺点&#xf…
阅读更多...
linux上使用unsloth微调大模型的环境踩坑之路-4070ti、4090

linux上使用unsloth微调大模型的环境踩坑之路-4070ti、4090

我们实验室有2套环境 一套&#xff1a;4070ti。安装了cuda12.4 一套&#xff1a;3张4090.安装了cuda12.4 现在开始给第一套装能运行unsloth能运行的环境 第一步&#xff1a;开始创建虚拟环境 conda create -n test_env python3.11 第二步&#xff1a;进入虚拟环境 conda activa…
阅读更多...
网络安全演练有哪些形式

网络安全演练有哪些形式

OPENVAS使用 1、确定指定IP是否能ping通 2、创建扫描目标 3、创建扫描任务&#xff08;scan management →newtask&#xff09; 4、开始任务start 5、查看扫描细节 6、查看扫描结果&#xff0c;包含漏洞详细信息&#xff0c;亦可到处PDF文件 7、导出扫描结果报告 8、为…
阅读更多...
ConcurrentModificationException：检测到并发修改完美解决方法

ConcurrentModificationException：检测到并发修改完美解决方法

&#x1f6a6; ConcurrentModificationException&#xff1a;检测到并发修改完美解决方法 &#x1f4a1; 摘要 1. 什么是ConcurrentModificationException&#xff1f;&#x1f914; 2. ConcurrentModificationException的常见场景 &#x1f6a6; 2.1 使用for-each循环遍历集合…
阅读更多...
电路原理（电容 集成电路NE555）

电路原理（电容 集成电路NE555）

电容 1.特性&#xff1a;充放电&#xff0c;隔直流&#xff0c;通交流 2.电容是通过聚集正负电荷来存储电能的 3.电容充放电过程可等效为导通回路 4.多电容并联可以把容量叠加&#xff0c;但是多电容串联就不会&#xff0c;只会叠加电容的耐压值。 6.电容充放电时相当于通路&a…
阅读更多...
深入解析 React 最新特性：革新、应用与最佳实践

深入解析 React 最新特性：革新、应用与最佳实践

深入解析 React 最新特性&#xff1a;革新、应用与最佳实践 1. 引言 React 作为前端开发的核心技术之一&#xff0c;近年来不断推出 新的 API 和优化机制&#xff0c;从 Concurrent Rendering&#xff08;并发模式&#xff09; 到 Server Components&#xff08;服务器组件&a…
阅读更多...
【氮化镓】高输入功率应力诱导的GaN 在下的退化LNA退化

【氮化镓】高输入功率应力诱导的GaN 在下的退化LNA退化

2019年，中国工程物理研究院电子工程研究所的Tong等人基于实验与第一性原理计算方法，研究了Ka波段GaN低噪声放大器（LNA）在高输入功率应力下的退化机制。实验结果表明，在27 GHz下施加1 W连续波（CW）输入功率应力后，LNA的增益下降约1 dB，噪声系数（NF）增加约0.7 dB。进一…
阅读更多...
C#程序员接口调用工具与方法

C#程序员接口调用工具与方法

作为专注于接口调用的C#软件工程师&#xff0c;以下工具和方法能显著提升开发效率与代码质量&#xff1a; 一、接口开发与测试自动化工具 1. API测试与Mock工具 Postman Newman 支持RESTful/GraphQL接口调试与自动化测试&#xff0c;通过集合&#xff08;Collection&#xf…
阅读更多...
最新文章

Copyright @ 2022~2023