协调多代理系统🤖🤝🤖

在本笔记本中，我们将制作一个 多代理网络浏览器：由多个代理组成的代理系统，利用网络协作解决问题！

它将是一个简单的层次结构，使用一个 托管代理 对象来封装受管网络搜索代理：

复制的

              +----------------+
              | 经理代理 |
              +----------------+
                       |
        _______________|______________
       | |
  代码解释器 +--------------------------------+
       工具 | 管理代理 |
                     | +------------------+ |
                     | | 网络搜索代理 | | |
                     | +------------------+ |
                     | | | |
                     | 网页搜索工具
                     | 访问网页工具
                     +--------------------------------+

让我们来建立这个系统。

运行下面的命令行安装所需的依赖项：

复制的

!pip install markdownify duckduckgo-search smolagents --upgrade -q

让我们登录以调用高频推理 API：

复制的

从 huggingface_hub 导入 login

登录()

⚡️ 我们的代理将由 Qwen/Qwen2.5-Coder-32B-Instruct 使用 HfApiModel 类使用 HF 的推理应用程序接口（Inference API）：推理应用程序接口允许快速、轻松地运行任何操作系统模型。

请注意： Inference API 基于各种标准托管模型，部署的模型可能会更新或替换，恕不另行通知。了解更多这里.

复制的

model_id = "Qwen/Qwen2.5-Coder-32B-Instruct"

🔍 创建网络搜索工具 #

在网页浏览方面，我们已经可以使用已有的 鸭子搜索工具 工具，提供与谷歌搜索相当的功能。

但是，我们还需要能够通过 鸭子搜索工具.为此，我们可以导入该库内置的 访问网页工具但我们会再次建造它，看看它是如何完成的。

因此，让我们创建我们的 访问网页工具 工具，从头开始使用 markdownify.

复制的

导入 re
导入请求
from markdownify import markdownify
from requests.exceptions import RequestException
从 smolagents 导入工具


@tool
def visit_webpage(url: str) -> str：
    ""访问给定 URL 上的网页，并以 markdown 字符串形式返回其内容。

    参数：
        url：要访问的网页的 URL。

    返回 返回 返回 返回值值值值
        转换为 Markdown 的网页内容，如果请求失败，则返回错误信息。
    """
    try：
        # 向 URL 发送 GET 请求
        response = requests.get(url)
        response.raise_for_status()  # 为错误状态码引发异常

        # 将 HTML 内容转换为 Markdown
        markdown_content = markdownify(response.text).strip()

        # 删除多个换行符
        markdown_content = re.sub(r"\n{3,}", "\n\n", markdown_content)

        return markdown_content

    except RequestException as e：
        return f "Error fetching the webpage：{str(e)}"
    except Exception as e：
        return f "发生意外错误：{str(e)}"

好了，现在让我们初始化并测试我们的工具！

复制的

print(visit_webpage("https://en.wikipedia.org/wiki/Hugging_Face")[:500])

构建我们的多代理系统🤖🤝🤖 #

现在我们有了所有工具 搜索 和 访问网页，我们可以使用它们来创建网络代理。

为该代理选择哪种配置？

网页浏览是一项不需要并行工具调用的单时间线任务，因此 JSON 工具调用在这方面非常有效。因此，我们选择了 JsonAgent.
此外，由于有时网络搜索需要浏览很多页面才能找到正确答案，因此我们更倾向于增加搜索页数。 最大步数 至 10。

复制的

从 smolagents 导入 (
    CodeAgent、
    工具调用代理
    HfApiModel、
    ManagedAgent、
    DuckDuckGoSearchTool、
    LiteLLMModel、
)

模型 = HfApiModel(model_id)

web_agent = ToolCallingAgent(
    tools=[DuckDuckGoSearchTool(), visit_webpage]、
    model=model、
    max_steps=10、
)

然后，我们将该代理包装成一个 托管代理 使其可被管理代理调用。

复制的

managed_web_agent = ManagedAgent(
    agent=web_agent、
    name="search"、
    description="为你运行网络搜索。将您的查询作为参数交给它。"、
)

最后，我们创建一个管理代理，并在初始化时将受管代理的 受管代理 争论。

由于该代理负责规划和思考，因此高级推理将大有裨益，因此需要一个 代码代理 将是最佳选择。

此外，我们还想问一个涉及当年的问题，并进行额外的数据计算：因此，让我们添加 additional_authorized_imports=["time", "numpy", "pandas"]以防代理需要这些软件包。

复制的

manager_agent = CodeAgent(
    tools=[]、
    model=model、
    managed_agents=[managed_web_agent]、
    additional_authorized_imports=["time", "numpy", "pandas"]、
)

就是这样！现在，让我们运行我们的系统！我们选择一个既需要计算又需要研究的问题：

复制的

answer = manager_agent.run("If LLM training continues to scale up at the current pace until 2030, what would be the electricity power required in GW to power the biggest training runs by 2030?与一些国家相比，相当于多少？请提供所用数字的来源。）

我们得到的答案就是这份报告：

复制的

根据目前的增长预测和能源消耗估算，如果 LLM 培训继续以目前的速度扩大，到 2030 年
直到 2030 年：

1.到 2030 年，最大规模培训所需的电力约为 303.74 千兆瓦，即每年约 2,660,762 千兆瓦时。
即每年约 2,660,762 千兆瓦时。

2.2. 与各国的耗电量相比：
   - 相当于中国总用电量的 34%。
   - 将超过印度（184%）、俄罗斯（267%）和日本（291%）的用电总量。
   - 这将是意大利或墨西哥等国用电量的近 9 倍。

3.数字来源：
   - AWS 首席执行官马特-加曼（Matt Garman）对未来 LLM 培训的初步估计为 5 GW。
   - 增长预测使用的是 Springs 市场研究得出的 79.80% 的年均复合增长率。
   - 国家电力消耗数据来自美国能源信息管理局，主要是 2021 年的数据。
2021.

看来我们需要一些大型动力装置，如果缩放假设仍然适用。

我们的代理成功地通过高效协作完成了任务！✅

💡 您可以轻松地将此协调扩展到更多代理：一个代理执行代码，一个代理进行网络搜索，一个代理处理文件加载...