多Agent协作入门，顺序编排模式如何应用？

大家好，我是Edison。 上一篇我们学习了Semantic Kernel中的并发编排模式，它非常适合并行分析、独立子任务并集成决策的任务场景。今天，我们学习新的模式：顺序编排。 顺序编排模式简介 在顺序编排模式中，各个Agent被组成一个流程，每个Agent都会处理任务，并将执行结果输出传递给下一个待执行的Agent。可以看出，对于每个基于上一步骤构建的工作流（Workflow）来说，这是比较适合的模式。 目前，像文档审阅、工作流、数据处理管道、多阶段推理等，是比较常见的应用场景。 下图展示了一个文档翻译的用例，文档先通过Agent1生成摘要，然后通过Agent2执行翻译，最后通过Agent3进行审阅和质量保证，最终生成最后的翻译结果。可以看到，每个Agent都在基于上一个步骤的处理结果进行构建，这就是一个典型的顺序编排用例。 实现顺序编排模式 这里我们来实现一个DEMO，我们定义3个Agent：分析师（Analyst）、广告文案写手（CopyWriter） 和 编辑/审稿人（Editor），假设他们是一个小Team，在承接广告文案的创作。 那么我们这个DEMO的目标，就是可以让他们可以来接客，只要客户分配一个广告文案创作的任务，它们就可以配合来生成最终的文案：首先由分析师分析要介绍产品的亮点和宣传思路，再由写手生成一个文案草稿，最后由审稿人进行评估给出最终文案，这就是一个典型的工作流处理。 为了简单地实现这个功能，我们创建一个.NET控制台项目，然后安装以下包： Microsoft.SemanticKernel.Agents.Core Microsoft.SemanticKernel.Agents.OpenAI (Preview版本） Microsoft.SemanticKernel.Agents.Orchestration (Preview版本） Microsoft.SemanticKernel.Agents.Runtime.InProcess (Preview版本） 需要注意的是，由于Semantic Kernel的较多功能目前还处于实验预览阶段，所以建议在该项目的csproj文件中加入以下配置，统一取消警告： <PropertyGroup> <NoWarn>$(NoWarn);CA2007;IDE1006;SKEXP0001;SKEXP0110;OPENAI001</NoWarn> </PropertyGroup> 创建一个appsettings.json配置文件，填入以下关于LLM API的配置，其中API_KEY请输入你自己的： { "LLM": { "BASE_URL": "https://api.siliconflow.cn", "API_KEY": "******************************", "MODEL_ID": "Qwen/Qwen2.5-32B-Instruct" } } 这里我们使用SiliconCloud提供的Qwen2.5-32B-Instruct模型，你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW获取大量免费的Token来进行本次实验。 有了LLM API，我们可以创建一个Kernel供后续使用，这也是老面孔了： Console.WriteLine("Now loading the configuration..."); var config = new ConfigurationBuilder() .AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true) .Build(); Console.WriteLine("Now loading the chat client..."); var chattingApiConfiguration = new OpenAiConfiguration( config.GetSection("LLM:MODEL_ID").Value, config.GetSection("LLM:BASE_URL").Value, config.GetSection("LLM:API_KEY").Value); var openAiChattingClient = new HttpClient(new OpenAiHttpHandler(chattingApiConfiguration.EndPoint)); var kernel = Kernel.CreateBuilder() .AddOpenAIChatCompletion(chattingApiConfiguration.ModelId, chattingApiConfiguration.ApiKey, httpClient: openAiChattingClient) .Build(); 接下来，我们就一步一步地来看看核心的代码。 定义3个Agent 这里我们来定义3个Agent：Analyst，Writer，Editor （1）Analyst 分析师 var analystAgent = new ChatCompletionAgent() { Name = "Analyst", Instructions = """ You are a marketing analyst. Given a product description, identify: - Key features - Target audience - Unique selling points """, Description = "A agent that extracts key concepts from a product description.", Kernel = kernel }; （2）Writer 文案写手 var writerAgent = new ChatCompletionAgent() { Name = "CopyWriter", Instructions = """ You are a marketing copywriter. Given a block of text describing features, audience, and USPs, compose a compelling marketing copy (like a newsletter section) that highlights these points. Output should be short (around 150 words), output just the copy as a single text block. """, Description = "An agent that writes a marketing copy based on the extracted concepts.", Kernel = kernel }; （3）Editor 编辑/审稿人 var editorAgent = new ChatCompletionAgent() { Name = "Editor", Instructions = """ You are an editor. Given the draft copy, correct grammar, improve clarity, ensure consistent tone, give format and make it polished. Output the final improved copy as a single text block. """, Description = "An agent that formats and proofreads the marketing copy.", Kernel = kernel }; 选择编排模式 这里我们选择的是顺序编排模式：SequentialOrchestration，将需要编排的3个Agent作为参数传递给它。 需要注意的是：这里为了能够显示每个Agent的执行结果，我们定一个了一个自定义的回调方法 responseCallback，帮助显示每个Agent的输出记录供参考。 // Set up the Sequential Orchestration ChatHistory history = []; ValueTask responseCallback(ChatMessageContent response) { history.Add(response); return ValueTask.CompletedTask; } var orchestration = new SequentialOrchestration(analystAgent, writerAgent, editorAgent) { ResponseCallback = responseCallback }; 启动运行时 在Semantic Kernel中，需要运行时（Runtime）才能管理Agent的执行，因此这里我们需要在正式开始前使用InProcessRuntime并启动起来。 // Start the Runtime var runtime = new InProcessRuntime(); await runtime.StartAsync(); 调用编排 并 收集结果 准备工作差不多了，现在我们可以开始调用编排了。这也是老面孔代码了，不过多解释。 // Start the Chat Console.WriteLine("----------Agents are Ready. Let's Start Working!----------"); while (true) { Console.WriteLine("User> "); var input = Console.ReadLine(); if (string.IsNullOrWhiteSpace(input)) continue; input = input.Trim(); if (input.Equals("EXIT", StringComparison.OrdinalIgnoreCase)) { // Stop the Runtime await runtime.RunUntilIdleAsync(); break; } try { // Invoke the Orchestration var result = await orchestration.InvokeAsync(input, runtime); // Collect Results from multi Agents var output = await result.GetValueAsync(TimeSpan.FromSeconds(10 * 2)); // Print the Results Console.WriteLine($"{Environment.NewLine}# RESULT: {output}"); Console.WriteLine($"{Environment.NewLine}ORCHESTRATION HISTORY"); foreach (var message in history) { Console.WriteLine($"#{message.Role} - {message.AuthorName}:"); Console.WriteLine($"{message.Content.Replace("---", string.Empty)}{Environment.NewLine}"); } } catch (HttpOperationException ex) { Console.WriteLine($"Exception: {ex.Message}"); } finally { Console.ResetColor(); Console.WriteLine(); } } 需要注意的是：上面的代码示例中我主动输出了编排过程中每个Agent的生成结果历史记录，便于我们一会儿查看。 效果展示 用户输入问题："Please help to introduce our new product: An eco-friendly stainless steel water bottle that keeps drinks cold for 24 hours." 假设客户公司有一个新产品：一个环保的不锈钢水瓶，可以让饮料保持24小时的低温，需要帮忙创作一个广告文案。 最终经过3个Agent的顺序合作，结果显示如下： 可以看到，它们合作写出了一段适合宣传的广告文案。 那么，它们到底是如何合作的呢？刚刚我们主动输出了历史记录，可以看看： 可以看到，Agent1-分析师对产品介绍生成了很多关键卖点和受众群体的分析结果，Agent2-写手便基于分析结果写了一个文案草稿，最终Agent3-编辑对文案进行了审核，最终发布广告文案。 小结 本文介绍了顺序编排模式的基本概念，然后通过一个案例介绍了如何实现一个顺序编排模式，相信通过这个案例你能够有个感性的认识。 下一篇，我们将再次学习群聊编排模式，并通过自定义群组聊天管理器（GroupChatManager）来自定义群聊流程。 示例源码 GitHub:https://github.com/EdisonTalk/MultiAgentOrchestration 参考资料 Microsoft Learn:https://learn.microsoft.com/zh-cn/semantic-kernel/frameworks/agent/agent-orchestration 推荐学习 圣杰：《.NET+AI | Semantic Kernel入门到精通》 作者：爱迪生 出处：https://edisontalk.cnblogs.com 本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。