不详搭建AI版“谁是卧底”游戏，muAgent框架让图谱秒变编排引擎

muAgent团队 投稿

量子位|公众号QbitAI

全新Agent框架，将学问图谱从学问获取来源获胜升级为Agent编排引擎。

蚂集中团推出muAgent，兼容现存市面千般Agent框架，同期可兑现复杂推理、在线协同、东谈主工交互、学问即用四大中枢各异本领功能。

这套框架面前在蚂集中团内多个复杂DevOps场景落地考据，同期可通过快速搭建的翻新AI文本游戏“谁是卧底”游戏快速感受一下。

站在刻下视角，LLM大模子能很好的责罚通用单步任务（如SQL生成）、单步器具使用（如天气查询），但履行现实中的场景却是复杂多方法的，尤其面向严谨专科罕见规模，LLM只可给出泛泛而谈的谜底（包括ChatGPT），面向C端体验用户可能问题不大，面向B/P端履行分娩时却频频用处不大。

蚂蚁团队以为大模子就像才毕业的名校博士，具备优秀的基础修养，但却无法面向特定规模进一步学习，简略面向特定规模给出完善的任务贪图方案。LLM能矜重协助东谈主来责罚问题或者Agent能履行责罚问题，中枢在于PLANNER推理才略。

不同规模内行中枢竞争力在于行业的耐久千里淀，面向专科规模复杂问题的处理教训

东谈主面向专科复杂事务处理具备丰富的教训，东谈主的教训从那边来？两部分：

老东谈主带新东谈主，特定问题、手把手教=>熏陶新东谈主面向问题该如何处理自我的摸索，文档阅读、交互探索，最终酿成一条得手旅途存于脑中

muAgent基于LLM+EKG（Eventic Knowledge Graph行业学问承载）驱动，协同MultiAgent、FunctionCall、CodeInterpreter等本领，通过画布式拖拽、轻笔墨编写，让大模子在东谈主的教训引导下匡助你完成千般复杂多步任务。

muAgent合座架构

为了兑现复杂多步经由SOP（Standard Operating Procedure）自动化，先来看SOP的组成。拒绝笼统，任何任务流SOP的激动履行由三部分组成“教训”+“器具”+“东谈主物”，连络LLM推理，兑现合座三者的有机联结。

教训：面向特定专科规模，复杂任务是如何操作处理？经由方法是什么？

器具：在经由激动中，临近器具的使用，使用什么器具？如何使用器具？

东谈主物：在经由激动中，临近东谈主物的商讨，找谁（东谈主、智能体）？问什么？

为此，muAgent合座的架构大图如下，和业界Agent框架界说对标，包含Planner、Memory和ActionSpace三大中枢模块，以及Diagnose的调试监控和Interface的居品界面。

Planner即之前说起的“教训”Memory联结Planner即“东谈主物”ActionSpace联结Planner即“器具”

为简便联接，接下来通过“谁是卧底”这一AI文本游戏串联通盘这个词经由的先容。通过简便画布拖拽加上轻笔墨编写，即可兑现这一游戏的快速体验。中间的经由即刚才说起的“教训”，下方深紫框即“器具”，上方浅篮框即“东谈主物”。

muAgent中的教训模块存储结构

面向不同业业、不同类型的职责流/SOP，该如何笼统合股，简略比较好地联想schema来存储教训学问？古语有云“授东谈主以鱼不如授东谈主以渔”，即应该联想存储“过程教训”，而非“落幕教训”。比较存储气象落幕，更应该告诉大模子如何来作念一件事赢得落幕。举例比较于僵化的见告大模子今天天气如何，更符合的作念法是熏陶大模子如何去查询天气。muAgent联想了“场景意图+事件经由+组织东谈主物+合股器具”四大类节点，可知足不同场景所需的SOP教训承载。如下图所示。

由于任务流畅常自然呈现为图或者树结构，因此muAgent选择图数据库来承载教训的存储。比较传统的RAG，或者微软的GraphRAG—-更多的是把学问图谱KG算作一个数据的来源—-muAgent获胜把KG升级算作编排引擎。通过“朦胧式”“轻笔墨”编写兑现特定规模复杂SOP的千里淀以及SOP的自动化。

教训获取

有了教训的存储联想，就像有了东谈主脑，接下来要责罚学问的获取构建问题。muAgent提供两种教训构建才略。第一种是刚才说起的通过居品侧画布式轻笔墨编写；第二种是面向海量的存量文档，muAgent具备自动化抽取的才略，能将闲居文本和经由图自动抽取波折为图谱结构。关于抽取的部分信息误差或者信息缺失，通过简便的裁剪调试即可获取完善的SOP教训。

由于图谱的引擎联想当然继承了图谱的才略兑现，在承载教训的同期，muAgent提供“教训拆分”和“教训团结”的才略。

教训拆分：

咱们盼愿模子具备一定的泛化才略，而不是告诉什么回答什么（雷同DiFY固定僵化的任务流，同期不同于AutoGPT纯立时发散的推理），举个例子，当千里淀了“杭州旅游行程贪图”后，那么应该笼统出“旅游行程贪图”，在濒临“北京旅游行程贪图”的Query问题时，也应该能很好的作答。再发散极少，笼统原子教训“酒店订购、车票订购、餐饮选择”，那么在濒临“北京差旅行程贪图”时也能掌握好原子教训进行回答！雷同于告诉东谈主一个特定问题的责罚想路的时候，他会举一反三，咱们盼愿领有原子教训的模子也具备这一才略。为此muAgent提供“教训拆分”，通过“满足-任务-判断-论断”这一四段论的体式，联结下一末节的推理才略，兑面前东谈主的教训引导下的发散推理。

教训团结：

一千个东谈主读哈姆雷特有一千个宗旨，如同盲东谈主摸象，录入承载的教训更像是一个笼统类的具象化，更好的作念法是将不同共建的教训团结来提供事物履行的样式。以旅游车票订购为例，距离较远的东谈主会千里淀教训“车票订购-飞机”，距离较近的会千里淀“车票订购-高铁”，土产货游的会千里淀“车票订购-地铁”，将这几个教训对王人团结，才气完好的酿成原子教训“车票订购”。

教训推理

有了教训的学问存储，接下要责罚学问的掌握推理问题。推理方面muAgent合座包含两大模块：

意图识别：

面向多层意图，救援“法例+获胜”意图定位；面向不同问题，救援意图分类（施行OR商讨）；濒临朦胧意图，救援反问用户以得到信息补充。

法例OR获胜定位：面向多层意图不同场景所需，可逐层法例意图找寻，也可向量匹配+模子精筛获胜匹配定位（面向意图刻画联想不清场景）施行OR商讨证明：不同场景Query意图不同。以天气查询为例，当用户问“帮我查一下杭州天气”时，muAgent会施行通盘这个词任务流，以获取最终的落幕给出输出；当用户问“如何搜检杭州天气”时，muAgent只会复返任务节点的经由方法，而不作念履行的教训施行，这一兑现也可庸俗应用于日常业务中老东谈主带新东谈主和答疑商讨等场景

图谱推理：

基于用户千里淀教训，协同FuncCall，面向不同类型用户问题，多路推理（施行OR问答）。

游走推理：针对用户Query，LLM大模子按照节点文本刻画、关系连结和属性建设履行施行任务节点（包括和器具、东谈主物交互），并针对不同落幕输出方案：是否本节点不息任务施行或者往卑劣节点激动（救援多分枝和轮回）发散推理：针对用户Query，自我编排推理。予以拆分出的原子教训，针对刻下满足选择雷同教训参考方案施行（救援Few-shot发散），并面向输出落幕/新满足，轮回想考施行（新的原子教训参考）图谱问答：针对用户Query，大模子基于依然千里淀的图谱数据，自动检索联系内容，并以当然讲话的体式回答用户问题（即KGQA,KnowledgeGraphQuestionAnswer）

muAgent中的东谈主物模块东谈主物组成

在职务流/教训激动的过程中，幸免不了和“东谈主物”的交互。muAgent中对东谈主物的组成合座上不错分为三类：“智能体”、“用户东谈主”、“企业东谈主”。在谁是卧底的场景中，咱们依然感受到了“用户东谈主”和“智能体”，在这合股作念下先容和诠释。

智能体：在谁是卧底游戏中仅仅简便的Prompt+LLM，在履行场景应用中，不错多层嵌套。Agent自己即是一套由muAgent构建的，赋予教训、器具和东谈主物的才略；简便于企业级的团队合作场景，比如开辟智能体、测试智能体、运维智能体等，在外还有一层合座任务流限度智能体。用户东谈主：联想之初主要面向于需要东谈主参与体验互动的经由激动，比如AI文本游戏中的玩家。也可用于在线引导教唆等场景，需要“用户东谈主的输入”才可不息经由激动。企业东谈主：主要面向企业经由联想，包含“企业职工”和“组织架构”两部分。在履行中，不是通盘才略都能被笼统量化为API接口，好多场景（比如任务审批流）如故需要东谈主的参与审核、疏导，企业东谈主的纳入，即需要商讨特定的东谈主给出明确回答后才气不息激动。组织架构的纳入主要奇迹于东谈主员变动，不错往上进一步追忆商讨。

4.2.东谈主物交流

什么是多Agent/MultiAgent框架？中枢在于多Agent信断交互的兑现。多Agent信断交互即多Agent策划模式。

基于东谈主类交流策划的模式，muAgent笼统归纳出8种策划模式，可同期知足不同场景信息进犯诉求（一起/部分/单独可见）。

公开商讨：由主握东谈主公开商讨不同Agent回答公怒放知：由主握东谈主公怒放知不同Agent信息私行商讨：由主握东谈主私行商讨不同Agent回答私行讲述：由主握东谈主私行讲述不同Agent信息法例发言：由主握东谈主触发Agent法例公开回答同期发言：由主握东谈主触发Agent同期公开回答解放策划：由主握东谈主触发Agent解放公开策划私行策划：由主握东谈主触发Agent解放私行策划

这里又不错归结为两大类问题，信息通讯（我能、应该看到什么信息？）和信息加工（我如何能更好的看到信息？），muAgent可通过属性的松弛建设和边的连结来兑现不同的场景需求。接下来，咱们将通过谁是卧底的案例带世界合座默契下不同的信息通讯模式。

信息通讯

公怒放知：座位分拨重要每个东谈主都知谈对方的座位在哪，由主握东谈主合股分拨，同期不需要针对分拨落幕给出回答。muAgent通过任务节点-信息进犯属性的“公开”开辟兑现。

私行讲述：单词分拨重要每个东谈主只知谈我方分拨到的单词，主握东谈主合股分拨且知谈每个东谈主的单词，针对分拨单词不需要给出回答。muAgent通过任务节点-信息进犯属性的“罕见”开辟兑现。

法例发言：共享策划重要，主握东谈主证据分拨座位号，以及现场存活的东谈主员，制定接下来发言的法例，然后履行发起每个东谈主的共享（需回答），每个东谈主知谈其他东谈主的回答。这里新增一个器具使用模式的开辟，将在器具章节闪耀先容。

信息加工

有了风雅的信息通讯的兑现保险不同场景所需，接下来的问题即是若何让东谈主更好的看到信息。举个世界都会遭受的场景，瞬息被拉入一个群聊被艾特一个问题，需要从很长的历史长下文中梳理出我到底要干什么？那么有莫得更好的方式，获胜把高下文挂牵索要好了从而一眼就能知谈我要干什么？这即是信息加工模块存在的必要性。这里提供3种信息加工的模式（通过属性开辟来兑现），分别如下：

信息检索：找寻历史对话和刻下Query相近音问，具体分为章程检索（如K邻信息）和模子检索（如向量检索）信息加工：通过挂牵精好意思历史对话信息兑现信息快速联接，具体分为模子挂牵、信息精排（救援Prompt开辟）全局变量：通过全局变量的改动，简便快速知谈变量刻下气象来更好的奇迹贪图方案，举个例子，谁是卧底里面刻下存活的东谈主员，或者狼东谈主杀中女巫的毒药解药（要是不开辟，当模子推理才略不彊且游戏多轮后，常常容易搞错）muAgent中的器具模块使用方式

先容完教训和东谈主物，还剩经由激动中的终末一环-器具。先从器具使用方式启航来先容。面前业界合座的职责不错归纳为3种想考使用方式：

莫得想考：针对问题获胜给出单步方案，上风是速率快，面向固定场景能快速施行，纰谬是不简便作念单节点多步任务；通过任务节点-施行方式“单次”的属性开辟兑现。谋定后动：针对问题获胜给出完好的Plan想法，然后针对这个想法去履行施行，简便于限度场景，可兑现多步任务施行，但不行证据中间施行落幕的偏离作念调养，通过“想法”和“并行”/同期施行的属性开辟兑现。边想边作念：即面前主流的ReAct模式，下一步的方案依赖上一步的落幕输出。纰谬是速率最慢，上风是不错活泼的证据中间方法调养。通过“交互”属性的开辟来兑现。

以票选凶犯重要为例，同步商讨不同的智能体，同期给出回答，幸免不同智能体证据别东谈主的信息输出来伪装我方的刻画。

器具料理器具注册方式：业界的兑现基本上基于OpenAI界说的条约和圭表，muAgent也不例外。muAgent投降简化Swagger条约，简便不同的API器具快速接入。器具注册料理：从大模子履行欠缺的才略启航，界说了5大类器具限制（如大模子数值诡计薄弱，对此提供沙箱施行环境，简便代码编写施行），比物连类料理，便于大模子器具选择使用。

使用遵循

跟着以ChatGPT为首的闭源模子和Qwen等开源模子的速即发展，客岁掂量火热的垂类模子或者定制微调（LoRA）在束缚的弱化，很可能侦查了很久都不如外部新版块迭代来的遵循好。但面向器具场景，muAgent主打预置插件/器具，通常的模子见过的器具（微调）详情比没见过的模子遵循好，尤其是企业里面复杂的API器具。为此，团队搭建了多Agent自动化数据构建链路，兑现给定插件，自动化数据构建（Q+A），模子微调奇迹。保险在专考场景器具使用遵循的准确性和自在性。

muAgent四大中枢各异

基于上述的架构联想先容，回看最来源说起的muAgent框架，比较现存市面千般Agent框架，四大中枢各异体面前如下几个方面：

复杂推理：现存市面框架的推理逻辑有两大类，以AutoGPT为代表的纯模子推理（PureLLM），以及以DiFy为代表的固定推理（FixFlow），前者自在性较差、同期面向专有规模无法奇迹，后者活泼性较差、和工程兑现莫得履行死别。muAgent选择图谱算作编排引擎承载学问，同期通过原子教训的联想以及图谱的发散推理，可友好的兑现让大模子在东谈主的教训/联想引导下作念事。合座活泼可控，面向未知所在能解放探索，也将得手探索教训挂牵/图谱千里淀，从而面向相似问题可少走弯路。合座经由唤起救援平台对接（章程建设）和当然讲话触发，能知足千般诉求。东谈主工交互：基于东谈主物节点的联想（智能体、企业东谈主、用户东谈主）、不同信息通讯和加工方法，muAgent不错活泼的处理企业任务流的学问承载，让东谈主能加入到经由的激动；同期又可活泼应用于多东谈主文本游戏的翻新场景研发。学问即用：通过场景意图、事件经由、合股器具、组织东谈主物四部分的合股图谱联想，muAgent能知足千般SOP场景所需学问承载，简便朦胧拽轻笔墨编写即可获胜可用；同期面向海量存量文档（通用文本、经由画板等），muAgent救援文本智能阐明、一键导入，以及教训拆分团结泛化。多东谈主协同：通过捏造团队构建、场景意图分歧，让你体验在线文档VS土产货文档的死别；同期，文本语义输入的节点使用方式，让你感受有注视代码VS无注视代码的死别，充分体面前方协同的上风。

同期muAgent还提供调试启动功能。图谱裁剪完成后，通过可视调试，能快速发现经由误差、进行修改优化。同期面向调试得手旅途，可关联建设自动千里淀，从而减少模子交互/支拨、加快推理经由；此外，在线启动中，muAgent提供全链路可视化监控，让排查和改动愈加简便。

GitHub边幅地址：

https://github.com/codefuse-ai/CodeFuse-muAgent

— 完 —

量子位 QbitAI · 头条号签约

关爱咱们，第一时辰获知前沿科技动态