AutoGen සමඟ සැබෑ-ලෝක AI කාර්ය ප්‍රවාහයන් ගොඩනඟන්නේ කෙසේද: පියවරෙන් පියවර මාර්ගෝපදේශය

ඉතින්, ඔබ විශාල භාෂා මාදිලි සමඟ සෙල්ලම් කර ඇති අතර ඔබේ යෙදුම්වලට Generative AI ඒකාබද්ධ කිරීමට පටන් ගෙන තිබේද? ඒක නියමයි! නමුත් අපි සැබෑ වෙමු. LLMs සැමවිටම අපට අවශ්‍ය ආකාරයට හැසිරෙන්නේ නැත. ඔවුන් තමන්ගේම මනසක් ඇති නපුරු කුඩා දරුවන් හා සමානයි!

සරල කඩිනම් දාම පමණක් ප්‍රමාණවත් නොවන බව ඔබට ඉක්මනින් වැටහේ. සමහර විට, අපට තවත් යමක් අවශ්ය වේ. සමහර විට, අපට බහු නියෝජිත කාර්ය ප්‍රවාහ අවශ්‍ය වේ! ඔතනින් තමයි AutoGen එන්නේ.

අපි උදාහරණයක් ගනිමු. ඔබ සටහන් ගැනීමේ යෙදුමක් සාදන බව සිතන්න (පැහැදිලිවම, ලෝකයට ඒවා ප්‍රමාණවත් නැත. 😝). නමුත් හේයි, අපට විශේෂ දෙයක් කිරීමට අවශ්‍යයි. පරිශීලකයෙකු අපට ලබා දෙන සරල, අමු සටහනක් ගෙන එය සම්පුර්ණයෙන්ම ප්‍රතිව්‍යුහගත කළ ලේඛනයක් බවට පත් කිරීමට අපට අවශ්‍යය, සාරාංශයක්, විකල්ප මාතෘකාවක් සහ ස්වයංක්‍රීය කළ යුතු කාර්ය ලැයිස්තුවක් සමඟින් සම්පූර්ණ කරන්න. ඒවගේම අපට මේ සියල්ල කිරීමට අවශ්‍යයි - හොඳයි, අවම වශයෙන් ඔබේ AI නියෝජිතයන් සඳහා.

හරි, දැන්, ඔබ සිතන්නේ කුමක්දැයි මම දනිමි - "මේවා නවක වැඩසටහන් වගේ නේද?" ඒකට මම කියන්නේ ඔයා හරි. අදහස් කරන්නේ ... නමුත් හරි! නමුත් වැඩ ප්‍රවාහයේ සරල බව නිසා රැවටෙන්න එපා. ඔබ මෙහි ඉගෙන ගන්නා කුසලතා - AI නියෝජිතයන් හැසිරවීම, කාර්ය ප්‍රවාහ පාලනය ක්‍රියාත්මක කිරීම සහ සංවාද ඉතිහාසය කළමනාකරණය කිරීම වැනි - ඔබට ඔබේ AI ක්‍රීඩාව ඊළඟ මට්ටමට ගෙන යාමට උදවු වනු ඇත.

අපි AutoGen භාවිතයෙන් AI වැඩ ප්‍රවාහයන් සිදු කරන්නේ කෙසේදැයි ඉගෙන ගැනීමට යන නිසා, බකල් කරන්න!

අප ආරම්භ කිරීමට පෙර, ඔබට GitHub හි ඇති සියලුම ප්‍රභව කේතයට සබැඳියක් සොයාගත හැකි බව සලකන්න.

අභිරුචි වැඩ ප්‍රවාහයන් ගොඩනැගීම

අපි පළමු භාවිත අවස්ථාවෙන් පටන් ගනිමු - “සටහන සඳහා සාරාංශයක් උත්පාදනය කිරීම සහ පසුව කොන්දේසි සහිත මාතෘකාවක්”. සාධාරණ වීමට නම්, අපට මෙහි නියෝජිතයන් භාවිතා කිරීමට අවශ්‍ය නැත. නමුත් හේයි, අපි කොහෙන් හරි පටන් ගන්න ඕන නේද?

පියවර 1: අපගේ මූලික LLM වින්‍යාසය නිර්මාණය කිරීම

AutoGen වැනි නියෝජිත රාමු සෑම විටම අපට ආකෘති පරාමිතීන් වින්‍යාස කිරීමට අවශ්‍ය වේ. අපි කතා කරන්නේ භාවිතා කළ යුතු ආකෘතිය සහ පසුබැසීමේ ආකෘතිය, උෂ්ණත්වය, සහ කල් ඉකුත්වීම සහ හැඹිලිගත කිරීම වැනි සැකසුම් ගැන ය. AutoGen හි, එම සැකසුම මේ වගේ දෙයක් පෙනේ:

 # build the gpt_configuration object base_llm_config = { "config_list": [ { "model": "Llama-3-8B-Instruct", "api_key": os.getenv("OPENAI_API_KEY"), "base_url": os.getenv("OPENAI_API_URL"), } ], "temperature": 0.0, "cache_seed": None, "timeout": 600, }

ඔබට පෙනෙන පරිදි, මම විශාල විවෘත-මූලාශ්‍ර AI රසිකයෙක් වන අතර Llama 3 විසින් දිවුරනවා. ඔබට api_key සහ base_url අගයන් සරලව වින්‍යාස කිරීමෙන් ඕනෑම OpenAI-අනුකූල අනුමාන සේවාදායකයකට AutoGen යොමු කළ හැක. එබැවින්, ඔබේ ආකෘතිය දේශීයව සත්කාරකත්වය සැපයීමට Groq, Together.ai, හෝ vLLM භාවිතා කිරීමට නිදහස් වන්න. මම භාවිතා කරන්නේ Inferix .

එය ඇත්තෙන්ම පහසුයි!

මම කුතුහලයෙන් සිටිමි! විවෘත මූලාශ්‍ර AI සත්කාරකත්වය සඳහා සමාන මාර්ගෝපදේශයක් ගැන ඔබ කැමතිද? අදහස් දැක්වීමේදී මට දන්වන්න.

පියවර 2: අපගේ නියෝජිතයන් නිර්මාණය කිරීම

AutoGen හි සංවාද නියෝජිතයන් ආරම්භ කිරීම ඉතා සරල ය; පද්ධති පණිවිඩයක් සමඟ මූලික LLM වින්‍යාසය සපයන්න, ඔබ යන්න හොඳයි.

 import autogen def get_note_summarizer(base_llm_config: dict): # A system message to define the role and job of our agent system_message = """You are a helpful AI assistant. The user will provide you a note. Generate a summary describing what the note is about. The summary must follow the provided "RULES". "RULES": - The summary should be not more than 3 short sentences. - Don't use bullet points. - The summary should be short and concise. - Identify and retain any "catchy" or memorable phrases from the original text - Identify and correct all grammatical errors. - Output the summary and nothing else.""" # Create and return our assistant agent return autogen.AssistantAgent( name="Note_Summarizer", # Lets give our agent a nice name llm_config=base_llm_config, # This is where we pass the llm configuration system_message=system_message, ) def get_title_generator(base_llm_config: dict): # A system message to define the role and job of our agent system_message = """You are a helpful AI assistant. The user will provide you a note along with a summary. Generate a title based on the user's input. The title must be witty and easy to read. The title should accurate present what the note is about. The title must strictly be less than 10 words. Make sure you keep the title short. Make sure you print the title and nothing else. """ # Create and return our assistant agent return autogen.AssistantAgent( name="Title_Generator", llm_config=base_llm_config, system_message=system_message, )

නියෝජිතයන් නිර්මාණය කිරීමේ වැදගත්ම කොටස වන්නේ system_message වේ. මගේ නියෝජිතයන් වින්‍යාස කිරීමට මා භාවිතා කළ system_message එක මොහොතක් බලන්න.

AutoGen හි AI නියෝජිතයන් ක්‍රියා කරන්නේ සංවාදයකට සහභාගී වීමෙන් බව මතක තබා ගැනීම වැදගත්ය. ඔවුන් විග්‍රහ කර සංවාදය ඉදිරියට ගෙන යන ආකාරය ඔවුන් වින්‍යාස කර ඇති system_message මත රඳා පවතී. මෙය ඔබ දේවල් නිවැරදි කර ගැනීමට යම් කාලයක් ගත කරන ස්ථානවලින් එකකි.

අපට අවශ්‍ය වන්නේ තවත් එක් නියෝජිතයෙක් පමණි. මිනිසුන් වන අපට ප්‍රොක්සියක් ලෙස ක්‍රියා කිරීමට නියෝජිතයෙක්. එහි ආරම්භක විමසුම ලෙස "සටහන" සමඟ සංවාදය ආරම්භ කළ හැකි නියෝජිතයෙක්.

 def get_user(): # A system message to define the role and job of our agent system_message = "A human admin. Supplies the initial prompt and nothing else." # Create and return our user agent return autogen.UserProxyAgent( name="Admin", system_message=system_message, human_input_mode="NEVER", # We don't want interrupts for human-in-loop scenarios code_execution_config=False, # We definitely don't want AI executing code. default_auto_reply=None, )

මෙතන විකාරරූපී දෙයක් වෙන්නේ නැහැ. මම default_auto_reply පරාමිතිය None ලෙස සකසා ඇති බව සලකන්න. ඒක වැදගත්. මෙය කිසිවක් ලෙස සැකසීමෙන් පරිශීලක නියෝජිතයාට පණිවිඩයක් යවන සෑම විටම සංවාදය අවසන් වන බව සහතික කරයි.

අපොයි, මට එම නියෝජිතයන් සෑදීම සම්පූර්ණයෙන්ම අමතක විය. අපි ඒක ඉක්මනින් කරමු.

 # Create our agents user = get_user() note_summarizer = get_note_summarizer(base_llm_config) title_generator = get_title_generator(base_llm_config)

පියවර 3: GroupChat භාවිතා කරමින් නියෝජිත සම්බන්ධීකරණය සකසන්න

ප්‍රහේලිකාවේ අවසාන කොටස වන්නේ අපගේ නියෝජිතයන් සම්බන්ධීකරණය කිරීමයි. අපි ඔවුන්ගේ සහභාගීත්වයේ අනුපිළිවෙල තීරණය කළ යුතු අතර කුමන නියෝජිතයන් කළ යුතුද යන්න තීරණය කළ යුතුය.

හරි, ඒක කෑලි එකකට වඩා වැඩියි. නමුත් ඔබට කාරණය තේරෙනවා! 🙈

හැකි එක් විසඳුමක් වනුයේ නියෝජිතයින් සහභාගී වන අනුපිළිවෙල සොයා ගැනීමට AI හට ඉඩ දීමයි. මෙය නරක අදහසක් නොවේ. ඇත්ත වශයෙන්ම, කාර්ය ප්‍රවාහයේ ස්වභාවය ගතික වන සංකීර්ණ ගැටළු සමඟ කටයුතු කිරීමේදී මෙය මගේ විකල්පයයි.

කෙසේ වෙතත්, මෙම ප්රවේශය එහි අවාසි ඇත. යථාර්ථය නැවතත් පහර දෙයි! මෙම තීරණ ගැනීම සඳහා වගකිව යුතු නියෝජිතයාට බොහෝ විට විශාල ආකෘතියක් අවශ්‍ය වන අතර එහි ප්‍රතිඵලයක් ලෙස ඉහළ ප්‍රමාදයන් සහ පිරිවැයක් දැරීමට සිදුවේ. ඊට අමතරව, එය වැරදි තීරණ ගැනීමේ අවදානමක් ඇත.

තීරණාත්මක කාර්ය ප්‍රවාහයන් සඳහා, අපි කලින් පියවර අනුපිළිවෙල දන්නා තැන, මම පාලනය අල්ලාගෙන නැව මෙහෙයවීමට කැමතියි. වාසනාවකට මෙන්, AutoGen GroupChat නම් පහසු විශේෂාංගයක් සමඟින් මෙම භාවිත අවස්ථාවට සහය දක්වයි.

 from autogen import GroupChatManager from autogen.agentchat.groupchat import GroupChat from autogen.agentchat.agent import Agent def get_group_chat(agents, generate_title: bool = False): # Define the function which decides the agent selection order def speaker_selection_method(last_speaker: Agent, group_chat: GroupChat): # The admin will always forward the note to the summarizer if last_speaker.name == "Admin": return group_chat.agent_by_name("Note_Summarizer") # Forward the note to the title generator if the user wants a title if last_speaker.name == "Note_Summarizer" and generate_title: return group_chat.agent_by_name("Title_Generator") # Handle the default case - exit return None return GroupChat( agents=agents, messages=[], max_round=3, # There will only be 3 turns in this group chat. The group chat will exit automatically post that. speaker_selection_method=speaker_selection_method, )

GroupChat සියලු නියෝජිතයින්ට කතාබස් කිරීමට සහ සහයෝගයෙන් කටයුතු කළ හැකි WhatsApp කණ්ඩායමක් ලෙස සිතන්න. මෙම සැකසුම නියෝජිතයින්ට එකිනෙකාගේ වැඩ මත ගොඩ නැගීමට ඉඩ සලසයි. GroupChat පන්තිය සහ GroupChatManager නම් සහකාර පන්තියක් කණ්ඩායම් පරිපාලකයින් මෙන් ක්‍රියා කරයි, සංවාද ඉතිහාසය සමඟ සෑම දෙනාම ලූපයේ රැඳී සිටින බව සහතික කිරීම සඳහා එක් එක් නියෝජිතයා යවන සියලුම පණිවිඩ නිරීක්ෂණය කරයි.

ඉහත කේත කොටසෙහි, අපි අභිරුචි speaker_selection_method සමඟ GroupChat එකක් සාදා ඇත. speaker_selection_method අපට අපගේ අභිරුචි කාර්ය ප්‍රවාහය නියම කිරීමට ඉඩ දෙයි. මෙන්න එහි දෘෂ්‍ය නිරූපණයකි.

speaker_selection_method මූලිකවම Python ශ්‍රිතයක් වන බැවින්, අපට එය සමඟ අපට අවශ්‍ය ඕනෑම දෙයක් කළ හැක! මෙය අපට සැබවින්ම ප්‍රබල වැඩ ප්‍රවාහ කිහිපයක් නිර්මාණය කිරීමට උපකාරී වේ. උදාහරණයක් ලෙස, අපට හැකි:

• එකිනෙකාගේ වැඩ සත්‍යාපනය කිරීමට නියෝජිතයන් යුගල කරන්න.
• පෙර නියෝජිතයින් කිසියම් දෝෂයක් ප්‍රතිදානය කරන්නේ නම් "දෝශ නිරාකරණ" නියෝජිතයෙකු සම්බන්ධ කර ගන්න.
• ලබා ඇති ප්‍රගතිය පිළිබඳව ඔවුන්ට දැනුම් දීම සඳහා බාහිර පද්ධති වෙත webhook ක්‍රියාරම්භ කරන්න.

හැකියාව ගැන සිතන්න! 😜

පියවර 4: සියල්ල සැකසීම සහ සංවාදය ආරම්භ කිරීම

අවසාන පියවර වන්නේ GroupChat හි අවස්ථාවක් නිර්මාණය කිරීම, එය GroupChatManager එකක් තුළ ඔතා සංවාදය ආරම්භ කිරීමයි.

 # Create our group chat groupchat = get_group_chat([user, note_summarizer, title_generator], generate_title=True) manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=base_llm_config) # Start the chat user.initiate_chat( manager, clear_history=True, message=note, )

සටහන: පරිශීලකයා කතා කරන්නේ GroupChatManager සමග මිස තනි නියෝජිතයන් සමග නොවේ. අවසාන පිළිතුර සැපයීම සඳහා සංවාදයට සම්බන්ධ වන්නේ කුමන නියෝජිතයන්දැයි එහි කිසිදු හෝඩුවාවක් නොමැත. හොරා නේද?

ප්‍රතිදානය මේ වගේ දෙයක් පෙනෙනු ඇත:

 Admin (to chat_manager): Note: Convo with editor: - discuss titles and thumbnails - discuss video editing tips tracker - Zeeshan presents the tracker - what trick helps with what - he decidedls if we can experiment with something new - make sure all all videos since how config management works in k8s are backed u - make list of YouTube thumbnail templates - make list of YouTube idea generation limits -------------------------------------------------------------------------------- Next speaker: Note_Summarizer Note_Summarizer (to chat_manager): The note is about a conversation with an editor regarding video production. They discussed titles and thumbnails, as well as a video editing tips tracker presented by Zeeshan, which highlights tricks for specific tasks. Additionally, they ensured that all videos on Kubernetes configuration management are backed up and created lists of YouTube thumbnail templates and idea generation limits. -------------------------------------------------------------------------------- Next speaker: Title_Generator Title_Generator (to chat_manager): "Video Production Chat: Titles, Thumbnails, and Editing Tips" --------------------------------------------------------------------------------

සංවාදය පාලනය කිරීම

ඊළඟට, අපි අවසාන භාවිත අවස්ථාවට කිමිදෙමු: ලබා දී ඇති “සටහනක්” ගැනීම, වඩා හොඳ පැහැදිලිකම සඳහා එය ප්‍රතිව්‍යුහගත කිරීම, පසුව පරිශීලකයා සඳහා කාර්ය ලැයිස්තුවක් නිර්මාණය කිරීම.

අපි ඒ ගැන යන්න යන්නේ මෙහෙමයි.

සටහනේ ආවරණය කර ඇති මාතෘකා ලැයිස්තුවක් හඳුනා ගැනීමෙන් අපි ආරම්භ කරමු. මෙම ලැයිස්තුව සමස්ත ක්‍රියාවලිය පිටුපස ඇති ගාමක බලවේගයයි. එය ප්‍රතිසංවිධානය කළ සටහන සඳහා කොටස් ස්ථාපිත කරන අතර අපගේ උත්පාදනය කරන ලද කාර්යයන් සඳහා විස්තර මට්ටම තීරණය කරයි.

එක පොඩි ප්‍රශ්නයක් විතරයි තියෙන්නේ. Paraphrazer සහ Task_Creator නියෝජිතයා සැබවින්ම එකිනෙකාගේ ප්‍රතිදානය ගැන සැලකිල්ලක් නොදක්වයි. ඔවුන් සැලකිලිමත් වන්නේ Topic_Analyzer හි ප්‍රතිදානය ගැන පමණි.

එබැවින්, අපට මෙම නියෝජිතයින්ගේ ප්‍රතිචාර සංවාද ඉතිහාසය අවුල් කිරීමෙන් වළක්වා ගැනීමට ක්‍රමයක් අවශ්‍ය වේ, නැතහොත් එය සම්පූර්ණ අවුල් සහගත වනු ඇත. අපි දැනටමත් වැඩ ප්‍රවාහය පාලනය කර ඇත; දැන්, සංවාද ඉතිහාසයේ ප්‍රධානියා වීමට කාලයයි! 😎

පියවර 1: නියෝජිතයන් නිර්මාණය කිරීම

පළමුව, අපි අපගේ නියෝජිතයන් සැකසිය යුතුයි. මම ඔබව විස්තර සමඟ වෙහෙසට පත් නොකරනු ඇත, එබැවින් මෙන්න කේතය:

 def get_topic_analyzer(base_llm_config: dict): # A system message to define the role and job of our agent system_message = """You are a helpful AI assistant. The user will provide you a note. Generate a list of topics discussed in that note. The output must obey the following "RULES": "RULES": - Output should only contain the important topics from the note. - There must be atleast one topic in output. - Don't reuse the same text from user's note. - Don't have more than 10 topics in output.""" # Create and return our assistant agent return autogen.AssistantAgent( name="Topic_Analyzer", llm_config=base_llm_config, system_message=system_message, ) def get_paraphrazer(base_llm_config: dict): # A system message to define the role and job of our agent system_message = """You are a helpful AI content editor. The user will provide you a note along with a summary. Rewrite that note and make sure you cover everything in the note. Do not include the title. The output must obey the following "RULES": "RULES": - Output must be in markdown. - Make sure you use each points provided in summary as headers. - Each header must start with `##`. - Headers are not bullet points. - Each header can optionally have a list of bullet points. Don't put bullet points if the header has no content. - Strictly use "-" to start bullet points. - Optionally make an additional header named "Addional Info" to cover points not included in the summary. Use "Addional Info" header for unclassified points. - Identify and correct spelling & grammatical mistakes.""" # Create and return our assistant agent return autogen.AssistantAgent( name="Paraphrazer", llm_config=base_llm_config, system_message=system_message, ) def get_tasks_creator(base_llm_config: dict): # A system message to define the role and job of our agent system_message = """You are a helpful AI personal assistant. The user will provide you a note along with a summary. Identify each task the user has to do as next steps. Make sure to cover all the action items mentioned in the note. The output must obey the following "RULES": "RULES": - Output must be an YAML object with a field named tasks. - Make sure each task object contains fields title and description. - Extract the title based on the tasks the user has to do as next steps. - Description will be in markdown format. Feel free to include additional formatting and numbered lists. - Strictly use "-" or "dashes" to start bullet points in the description field. - Output empty tasks array if no tasks were found. - Identify and correct spelling & grammatical mistakes. - Identify and fix any errors in the YAML object. - Output should strictly be in YAML with no ``` or any additional text.""" # Create and return our assistant agent return autogen.AssistantAgent( name="Task_Creator", llm_config=base_llm_config, system_message=system_message, )

පියවර 2: අභිරුචි GroupChat සාදන්න

අවාසනාවන්ත ලෙස. AutoGen අපට සංවාද ඉතිහාසය සෘජුවම පාලනය කිරීමට ඉඩ නොදේ. එබැවින්, අපගේ අභිරුචි ක්‍රියාත්මක කිරීම සමඟින් අපි ඉදිරියට ගොස් GroupChat පන්තිය දිගු කළ යුතුය.

 class CustomGroupChat(GroupChat): def __init__(self, agents): super().__init__(agents, messages=[], max_round=4) # This function get's invoked whenever we want to append a message to the conversation history. def append(self, message: Dict, speaker: Agent): # We want to skip messages from the Paraphrazer and the Task_Creator if speaker.name != "Paraphrazer" and speaker.name != "Task_Creator": super().append(message, speaker) # The `speaker_selection_method` now becomes a function we will override from the base class def select_speaker(self, last_speaker: Agent, selector: AssistantAgent): if last_speaker.name == "Admin": return self.agent_by_name("Topic_Analyzer") if last_speaker.name == "Topic_Analyzer": return self.agent_by_name("Paraphrazer") if last_speaker.name == "Paraphrazer": return self.agent_by_name("Task_Creator") # Return the user agent by default return self.agent_by_name("Admin")

අපි මූලික GroupChat පන්තියෙන් කාර්යයන් දෙකක් අභිබවා යමු:

• append - මෙය සංවාද ඉතිහාසයට එකතු කරන පණිවිඩ පාලනය කරයි.
• select_speaker - මෙය speaker_selection_method නියම කිරීමට තවත් ක්‍රමයකි.

නමුත් ඉන්න, AutoGen ගේ කේතයට ගැඹුරට කිමිදීමේදී, GroupChatManager විසින් සෑම නියෝජිතයෙකුටම සංවාද ඉතිහාසය පවත්වාගෙන යාමට සලස්වන බව මට වැටහුණි. ඇයි කියලා මගෙන් අහන්න එපා. මම ඇත්තටම දන්නේ නැහැ!

එබැවින්, එය නිවැරදි කිරීමට අපි GroupChatManager දිගු කරමු:

 class CustomGroupChatManager(GroupChatManager): def __init__(self, groupchat, llm_config): super().__init__(groupchat=groupchat, llm_config=llm_config) # Don't forget to register your reply functions self.register_reply(Agent, CustomGroupChatManager.run_chat, config=groupchat, reset_config=GroupChat.reset) def run_chat( self, messages: Optional[List[Dict]] = None, sender: Optional[Agent] = None, config: Optional[GroupChat] = None, ) -> Union[str, Dict, None]: """Run a group chat.""" if messages is None: messages = self._oai_messages[sender] message = messages[-1] speaker = sender groupchat = config for i in range(groupchat.max_round): # set the name to speaker's name if the role is not function if message["role"] != "function": message["name"] = speaker.name groupchat.append(message, speaker) if self._is_termination_msg(message): # The conversation is over break # We do not want each agent to maintain their own conversation history history # broadcast the message to all agents except the speaker # for agent in groupchat.agents: # if agent != speaker: # self.send(message, agent, request_reply=False, silent=True) # Pro Tip: Feel free to "send" messages to the user agent if you want to access the messages outside of autogen for agent in groupchat.agents: if agent.name == "Admin": self.send(message, agent, request_reply=False, silent=True) if i == groupchat.max_round - 1: # the last round break try: # select the next speaker speaker = groupchat.select_speaker(speaker, self) # let the speaker speak # We'll now have to pass their entire conversation of messages on generate_reply # Commented OG code: reply = speaker.generate_reply(sender=self) reply = speaker.generate_reply(sender=self, messages=groupchat.messages) except KeyboardInterrupt: # let the admin agent speak if interrupted if groupchat.admin_name in groupchat.agent_names: # admin agent is one of the participants speaker = groupchat.agent_by_name(groupchat.admin_name) # We'll now have to pass their entire conversation of messages on generate_reply # Commented OG code: reply = speaker.generate_reply(sender=self) reply = speaker.generate_reply(sender=self, messages=groupchat.messages) else: # admin agent is not found in the participants raise if reply is None: break # The speaker sends the message without requesting a reply speaker.send(reply, self, request_reply=False) message = self.last_message(speaker) return True, None

මම මුල් ක්‍රියාත්මක කිරීම සඳහා සුළු සංස්කරණයන් කිහිපයක් සිදු කර ඇත. වැඩි විස්තර දැන ගැනීමට ඔබට අදහස් අනුගමනය කිරීමට හැකි විය යුතුය.

නමුත් මට ඇත්තටම අවධාරණය කිරීමට අවශ්‍ය එක් දෙයක් ඇත. Apache Airflow හෝ Temporal වැනි ඔබේම වැඩ ප්‍රවාහ එන්ජිමක් ප්ලගිනය කිරීමට ඔබට GroupChatManager හි “run_chat” ක්‍රමය අභිබවා යා හැක. බෙදා හරින ලද පද්ධතිවල වෘත්තිකයන් මෙම හැකියාව කෙතරම් බලවත් දැයි හරියටම දනිති!

පියවර 3: සියල්ල සැකසීම සහ සංවාදය ආරම්භ කිරීම

අපි මේ සියල්ල පෙර උදාහරණය මෙන් සකසා මෙම බබා purrr නරඹමු! 🐱

 # Create our agents user = get_user() topic_analyzer = get_topic_analyzer(base_llm_config) paraphrazer = get_paraphrazer(base_llm_config) task_creator = get_tasks_creator(base_llm_config) # Create our group chat groupchat = CustomGroupChat(agents=[user, topic_analyzer, paraphrazer, task_creator]) manager = CustomGroupChatManager(groupchat=groupchat, llm_config=base_llm_config) # Start the chat user.initiate_chat( manager, clear_history=True, message=note, ) # Lets print the count of tasks just for fun chat_messages = user.chat_messages.get(manager) if chat_messages is not None: for message in chat_messages: if message.get("name") == "Task_Creator": taskList = yaml.safe_load(message.get("content")) # type: ignore l = len(taskList.get("tasks")) print(f"Got {l} tasks from Task_Creator.")

ප්‍රතිදානය මේ වගේ දෙයක් පෙනෙනු ඇත:

 Admin (to chat_manager): Note: Convo with editor: - discuss titles and thumbnails - discuss video editing tips tracker - Zeeshan presents the tracker - what trick helps with what - he decidedls if we can experiment with something new - make sure all all videos since how config management works in k8s are backed u - make list of YouTube thumbnail templates - make list of YouTube idea generation limits -------------------------------------------------------------------------------- Topic_Analyzer (to chat_manager): Here is the list of topics discussed in the note: 1. Titles 2. Thumbnails 3. Video editing tips 4. Config management in Kubernetes (k8s) 5. YouTube thumbnail templates 6. YouTube idea generation limits -------------------------------------------------------------------------------- Paraphrazer (to chat_manager): Here is the rewritten note in markdown format: ## Titles - Discuss titles and thumbnails with the editor ## Video Editing Tips Tracker ### Zeeshan presents the tracker - What trick helps with what - He decides if we can experiment with something new ## Config Management in Kubernetes (k8s) - Make sure all videos since how config management works in k8s are backed up ## YouTube Thumbnail Templates - Make a list of YouTube thumbnail templates ## YouTube Idea Generation Limits - Make a list of YouTube idea generation limits ## Additional Info - Discuss video editing tips tracker with Zeeshan - Present the tracker and decide if we can experiment with something new -------------------------------------------------------------------------------- Task_Creator (to chat_manager): tasks: - title: Discuss Titles and Thumbnails description: >- - Discuss titles and thumbnails with the editor This task involves having a conversation with the editor to discuss the titles and thumbnails for the videos. - title: Discuss Video Editing Tips Tracker description: >- - Zeeshan presents the tracker - Discuss what trick helps with what - Decide if we can experiment with something new This task involves discussing the video editing tips tracker presented by Zeeshan, understanding what tricks help with what, and deciding if it's possible to experiment with something new. - title: Back up All Videos Since How Config Management Works in k8s description: >- - Make sure all videos since how config management works in k8s are backed up This task involves ensuring that all videos related to config management in Kubernetes (k8s) are backed up. - title: Create List of YouTube Thumbnail Templates description: >- - Make list of YouTube thumbnail templates This task involves creating a list of YouTube thumbnail templates. - title: Create List of YouTube Idea Generation Limits description: >- - Make list of YouTube idea generation limits This task involves creating a list of YouTube idea generation limits. -------------------------------------------------------------------------------- Got 5 tasks from Task_Creator.

Yup. AI හි යුගයට සාදරයෙන් පිළිගනිමු, අපට කිරීමට හූමන් වැඩ ලබා දෙයි! (ඒ සියල්ල වැරදුනේ කොතනද? 🤷♂️)

නිගමනය

උත්පාදක AI-ධාවන යෙදුම් ගොඩනැගීම දුෂ්කර ය. නමුත් එය නිවැරදි මෙවලම් සමඟ කළ හැකිය. සාරාංශ කිරීමට:

• AI නියෝජිතයන් සංකීර්ණ ගැටලු සංවාද ලෙස හැඩගැස්වීමේ මෙම විස්මිත හැකියාව විවෘත කරයි.
• නිවැරදිව සිදු කළහොත්, එය අපගේ AI යෙදුම් වඩාත් තීරණාත්මක සහ විශ්වාසදායක බවට පත් කිරීමට උපකාරී වේ.
• AutoGen වැනි මෙවලම් අපට AI නියෝජිතයන් තැනීමට සරල වියුක්ත කිරීම් සහිත රාමුවක් සපයයි.

මීළඟ පියවර ලෙස, ඔබට AI නියෝජිතයින්ගේ ලෝකයට ගැඹුරට කිමිදීමට පහත සම්පත් පරීක්ෂා කළ හැක:

• එය ඔබම උත්සාහ කිරීමට GitHub repo (කේතය)
• AutoGen (Docs) භාවිතයෙන් සංවාද රටා ක්‍රියාත්මක කිරීම