Agentic Workflow Patterns

Agenten -Workflow -Muster?

Agentic Workflow Muster ist ein Repository, das Best Practices und Designmuster zum Aufbau von Multi-Agent- und Agenten-Workflows in Python zeigt. Dieses Repository betont modulare, skalierbare und wiederverwendbare Designtechniken, um die intelligente Automatisierung und ein robustes Workflow-Management sowohl durch Single-Agent- als auch durch kollaborative Multi-Agent-Architekturen zu erleichtern. Dieses Repository wird von einem mittelgroßen Artikel begleitet, in dem tief in die Muster eingeht: Entwerfen kognitiver Architekturen: Agenten -Workflow -Muster von Grund auf neu

Inhaltsverzeichnis

• Überblick
• Musterübersicht
• Erste Schritte
• Installation
• Umgebungsaufbau
• Verwendung
• Projektstruktur
• Beitragen
• Lizenz

Überblick

Dieses Repository enthält Beispiele und Vorlagen zum Entwerfen von Agenten-Workflows, bei denen sich Workflows aus eigenständigen Wirkstoffen, die jeweils für unterschiedliche Aufgaben verantwortlich sind, bestehen. Der Fokus liegt auf der Erstellung wiederverwendbarer Komponenten, die für verschiedene Automatisierungsaufgaben angepasst werden können, wodurch intelligente Entscheidungsfindung und optimierte Verarbeitung ermöglicht werden können.

Musterübersicht

Muster 1 - Reflexion

Das Reflexionsmuster implementiert ein iteratives Inhaltserzeugungs- und Verfeinerungssystem unter Verwendung eines Akteur-kritischen Rahmens. Dieses Muster ermöglicht die Erzeugung der selbstverbesserten Inhalte durch kontinuierliche Rückkopplungsschleifen zwischen einem Akteur (Inhaltsgenerator) und einem Kritiker (Content Reviewer).

? Alle Code für dieses Muster finden Sie hier .

Muster 2 - Webzugriff

Das Web -Zugriffsmuster implementiert einen agentischen Workflow zum Abrufen, Verarbeiten und Zusammenfassen von Webinhalten. Es orchestriert eine Pipeline von spezialisierten Agenten, die über verschiedene Aspekte des Erwerbs und Verarbeitung von Webinhalten durch Such-, Kratzen und Fassungsfassen -Vorgänge umgehen.

? Alle Code für dieses Muster finden Sie hier .

Muster 3 - Semantisches Routing

Das semantische Routing -Muster implementiert einen agentischen Workflow, um Benutzeranfragen intelligent an spezialisierte Agenten auf der Grundlage der semantischen Absichten intelligent zu leiten. Dieses Muster verwendet eine Koordinator-Delegate-Architektur, bei der ein Haupt-TravelPlanneragent die Absicht und Routenanfragen des Benutzers an spezielle Subagenten für spezifische Reiseaufgaben wie Flugbuchung, Hotelsuchungen und Autovermietungen bestimmt.

? Alle Code für dieses Muster finden Sie hier .

Muster 4 - Parallele Delegation

Die parallelen Delegationsmuster verarbeitet komplexe Abfragen, indem sie unterschiedliche Entitäten durch benannte Entitätserkennung (NER) identifizieren und diese Entitäten an spezialisierte Agenten für die parallele Verarbeitung delegieren. Es ist effektiv für Szenarien, in denen unabhängige Unteraufgaben gleichzeitig ausgeführt werden können.

? Alle Code für dieses Muster finden Sie hier .

Muster 5 - Dynamisches Sharding

Das dynamische Sharding -Muster verarbeitet große Datensätze effizient, indem die Arbeitsbelastung dynamisch in kleinere, überschaubare Scherben aufgeteilt und parallel verarbeitet wird. Dieses Muster wird durch das Abrufen von Biografien von Prominenten mithilfe von Websuche gezeigt (diskutiert in Muster 2).

? Alle Code für dieses Muster finden Sie hier .

Muster 6 - Aufgabenabzug

Das Aufgaben-Zersetzungsmuster unterteilt eine komplexe Aufgabe in unabhängige Unteraufgaben, die jeweils von separaten Unterschriftenagenten verwaltet werden. Dieses Muster ist von Vorteil, um die Effizienz und Skalierbarkeit zu verbessern.

? Alle Code für dieses Muster finden Sie hier .

Muster 7 - Dynamische Zerlegung

Das dynamische Zersetzungsmuster zersetzt komplexe Aufgaben autonom autonom in mehrere Unteraufgaben unter Verwendung eines großen Sprachmodells (LLM), um Unteraufgaben zu erzeugen, die von getrennten Wirkstoffen verarbeitet werden.

? Alle Code für dieses Muster finden Sie hier .

Muster 8 - DAG -Orchestrierung

Das DAG (gerichtete acyclische Graphen) Orchestrierungsmuster verwaltet komplexe Workflows flexibler und ermöglicht die Ausführung mehrerer Aufgaben in einer bestimmten Reihenfolge. Es verwendet eine YAML-definierte DAG, um den Workflow zu strukturieren.

? Alle Code für dieses Muster finden Sie hier .

Erste Schritte

Klonen Sie dieses Repository, um loszulegen. Dieses Projekt erfordert Python 3.8 oder höher.

Voraussetzungen

• Python 3.8+
• pip (kommt mit Python 3.8+)

Installation

1. Klonen Sie das Repository:

   git clone https://github.com/arunpshankar/Agentic-Workflow-Patterns.git
   cd Agentic-Workflow-Patterns

2. Richten Sie eine virtuelle Umgebung ein:

   python -m venv .venv
   source .venv/bin/activate  # On Windows, use `.venvScriptsactivate`

3. Upgrade PIP upgraden und Abhängigkeiten installieren:

   pip install --upgrade pip
   pip install -r requirements.txt

Anmeldeinformationen einrichten?

1. Erstellen Sie einen credentials im Projektroot:

   mkdir credentials

2. Richten Sie GCP -Service -Konto -Anmeldeinformationen ein:

   • Gehen Sie zur Google Cloud -Konsole (https://console.cloud.google.com/).
   • Erstellen oder wählen Sie ein vorhandenes Projekt.
   • Navigieren Sie zu "APIs & Services"> "Anmeldeinformationen".
   • Klicken Sie auf "Anmeldeinformationen erstellen"> "Dienstkonto -Taste".
   • Wählen Sie JSON als Schlüsseltyp und klicken Sie auf "Erstellen".
   • Speichern Sie die heruntergeladene JSON -Datei als key.json im Ordner " credentials ".

3. SERP API -Anmeldeinformationen einrichten:

   • Melden Sie sich für ein SERP -API -Konto unter https://serpapi.com/ an.
   • Holen Sie sich Ihre API -Taste aus dem Dashboard.
   • Erstellen Sie eine Datei namens key.yml im Ordner credentials .
   • Fügen Sie Ihr SERP API -Token hinzu:

      serp :
       key : your_serp_api_key_here

Hinweis : Der Ordner credentials ist in .gitignore enthalten, um zu verhindern, dass sensible Informationen festgelegt werden.

Umgebungsaufbau?

Konfigurieren Sie die folgenden Umgebungsvariablen, um eine saubere Umgebung zu erhalten und die Erzeugung von Python -Bytecode zu deaktivieren:

 export PYTHONDONTWRITEBYTECODE=1
export PYTHONPATH= $PYTHONPATH :.

Projektstruktur

• ./src/patterns/ - Enthält alle Quellcode für die Workflow -Muster.
• ./data/patterns/ - enthält Vorlagen für System- und Benutzeranforderungen, JSON -Schemas für strukturierte Ausgänge und die Ausgänge (endgültig und mittler) der Agenten.

Verwendung

Nach dem Einrichten der Umgebung können Sie mit den in diesem Repository enthaltenen Workflow -Muster experimentieren. Jedes Muster wird mit Beispielen dokumentiert, um seine Anwendung bei den Bauarbeiten zu demonstrieren.

Zum Beispiel das Reflexionsmuster ausführen:

python src/patterns/reflection/pipeline.py

Beitragen?

Wir begrüßen und schätzen Beiträge! Hier erfahren Sie, wie Sie zu agenten -Workflow -Mustern beitragen:

1. Fork das Repository : Erstellen Sie Ihre eigene Gabel für GitHub, um Änderungen unabhängig vorzunehmen.
2. Erstellen Sie einen Zweig : Arbeiten Sie für jede Funktion oder Fix an einem separaten Zweig.

   git checkout -b feature-branch-name

3. Änderungen vornehmen : Halten Sie den Codestil konsistent und stellen Sie sicher, dass Ihre Änderungen gut dokumentiert sind.
4. Bestimmen Sie Ihre Änderungen : Schreiben Sie eine klare und präzise Commit -Nachricht.

   git commit -m " Add feature or fix description "

5. Senden Sie eine Pull -Anfrage : Drücken Sie Ihre Änderungen und öffnen Sie eine Pull -Anfrage.

Richtlinien

• Codierungsstil : Befolgen Sie die vorhandenen Codekonventionen.
• Dokumentation : Stellen Sie sicher, dass Ihr Code und Ihre Beiträge gut dokumentiert sind.
• Tests :

Fügen Sie gegebenenfalls Tests hinzu, um die Repository -Stabilität aufrechtzuerhalten.

• Problemberichterstattung : Melden Sie Fehler oder schlagen Sie Funktionen über Probleme vor.

Lizenz

Dieses Repository ist unter der MIT -Lizenz lizenziert. Weitere Informationen finden Sie in der Lizenzdatei.