Agentic Workflow Patterns
1.0.0
Les modèles de flux de travail agentiques sont un référentiel présentant les meilleures pratiques et les modèles de conception pour la création de flux de travail multi-agents et agentiques dans Python. Ce référentiel met l'accent sur les techniques de conception modulaires, évolutives et réutilisables, visant à faciliter l'automatisation intelligente et la gestion robuste du flux de travail via des architectures multi-agents à agent unique et collaboratif. Ce référentiel s'accompagne d'un article moyen qui se plonge en profondeur en profondeur: Concevoir des architectures cognitives: motifs de flux de travail agentiques à partir de zéro
Ce référentiel fournit des exemples et des modèles de conception de workflows agentiques, qui sont des flux de travail composés d'agents autonomes, chacun responsable des tâches distinctes. L'accent est mis sur la création de composants réutilisables qui peuvent être adaptés à diverses tâches d'automatisation, permettant une prise de décision intelligente et un traitement rationalisé.
Le modèle de réflexion implémente un système de génération et de raffinement itératif de contenu à l'aide d'un cadre acteur-critique. Ce modèle permet une génération de contenu auto-améliorée grâce à des boucles de rétroaction continues entre un acteur (générateur de contenu) et un critique (réviseur de contenu).
? Tout le code de ce modèle peut être trouvé ici .
Le modèle d'accès Web implémente un flux de travail agentique pour récupérer, traiter et résumer le contenu Web. Il orchestre un pipeline d'agents spécialisés gantant différents aspects de l'acquisition et du traitement du contenu Web grâce à la recherche, à l'éraflure et à résumer les opérations.
? Tout le code de ce modèle peut être trouvé ici .
Le modèle de routage sémantique implémente un flux de travail agentique pour le routage intelligent des requêtes utilisateur vers des agents spécialisés basés sur l'intention sémantique. Ce modèle utilise une architecture coordonnatrice-déléguée où un principalplannerager détermine l'intention de l'utilisateur et achemine les demandes de sous-agents spécialisés pour des tâches spécifiques liées aux voyages comme la réservation de vols, les recherches d'hôtel et la location de voitures.
? Tout le code de ce modèle peut être trouvé ici .
Le modèle de délégation parallèle traite des requêtes complexes en identifiant des entités distinctes par le biais de la reconnaissance des entités nommées (NER) et en déléguant ces entités à des agents spécialisés pour un traitement parallèle. Il est efficace pour les scénarios où des sous-tâches indépendantes peuvent être exécutées simultanément.
? Tout le code de ce modèle peut être trouvé ici .
Le motif de rupture dynamique traite efficacement de grands ensembles de données en divisant dynamiquement la charge de travail en de fragments plus petits et gérables et en les traitant en parallèle. Ce modèle est démontré en récupérant les biographies de célébrités utilisant la recherche Web (discutée dans le modèle 2).
? Tout le code de ce modèle peut être trouvé ici .
Le modèle de décomposition de la tâche divise une tâche complexe en sous-tâches indépendantes, chacune gérée par des agents de sous-tâche distincts. Ce modèle est bénéfique pour améliorer l'efficacité et l'évolutivité.
? Tout le code de ce modèle peut être trouvé ici .
Le modèle de décomposition dynamique décompose de manière autonome les tâches complexes en plusieurs sous-tâches en utilisant un modèle de langue grand (LLM) pour générer des sous-tâches, traitées par des agents distincts.
? Tout le code de ce modèle peut être trouvé ici .
Le motif d'orchestration DAG (graphique acyclique réalisé) gère des flux de travail complexes de manière flexible, permettant l'exécution de plusieurs tâches dans un ordre spécifié. Il utilise un DAG défini par YAML pour structurer le workflow.
? Tout le code de ce modèle peut être trouvé ici .
Clone ce référentiel pour commencer. Ce projet nécessite Python 3.8 ou version ultérieure.
pip (est livré avec Python 3.8+) Clone le référentiel:
git clone https://github.com/arunpshankar/Agentic-Workflow-Patterns.git
cd Agentic-Workflow-PatternsConfigurer un environnement virtuel:
python -m venv .venv
source .venv/bin/activate # On Windows, use `.venvScriptsactivate`Améliorer les dépendances PIP et installez:
pip install --upgrade pip
pip install -r requirements.txt Créez un dossier credentials dans la racine du projet:
mkdir credentialsConfigurer des informations d'identification du compte de service GCP:
key.json dans le dossier credentials .Configurer des informations d'identification API SERP:
key.yml dans le dossier credentials . serp :
key : your_serp_api_key_here Remarque : Le dossier credentials est inclus dans .gitignore pour éviter que les informations sensibles ne soient engagées.
Pour maintenir un environnement propre et désactiver la génération de bytecode python, configurez les variables d'environnement suivantes:
export PYTHONDONTWRITEBYTECODE=1
export PYTHONPATH= $PYTHONPATH :../src/patterns/ - Contient tout le code source pour les modèles de workflow../data/patterns/ - Contient des modèles pour les invites système et utilisateur, schémas JSON pour les sorties structurées et les sorties (finales et intermédiaires) des agents. Après avoir configuré l'environnement, vous pouvez commencer à expérimenter les modèles de workflow inclus dans ce référentiel. Chaque modèle est documenté avec des exemples pour démontrer son application dans la construction de workflows agentiques.
Par exemple, pour exécuter le modèle de réflexion:
python src/patterns/reflection/pipeline.pyNous accueillons et apprécions les contributions! Voici comment contribuer aux modèles de flux de travail agentiques :
git checkout -b feature-branch-namegit commit -m " Add feature or fix description "Ajoutez des tests le cas échéant pour maintenir la stabilité du référentiel.
Ce référentiel est concédé sous licence MIT. Voir le fichier de licence pour plus de détails.
