一款由常识图谱引擎驱动的翻新Agent框架

嘿，大家好！这里是一个专一于AI智能体的频道！

当天给大家安利一个开源框架- muAgent v2.0：KG引擎驱动的翻新Agent框架。

由LLM和EKG（Eventic Knowledge Graph，行业常识载体）驱动的全新Agent框架，协同应用MultiAgent、FunctionCall、CodeInterpreter等。经过基于画布的拖放和便捷的文本编写，大言语模型可以辅佐您在人工指点下口头各种复杂的 SOP。

它兼容市场上现有的框架，可以成功四大外围差异化技术配置：复杂推理、在线单干、人机交互、常识点播。该框架已在蚂蚁个人内多个复杂的 DevOps 场景中失掉验证。

经过对市面上的框架的深化剖析，发现大少数的 Agent 框架全体耦合度较高，其易用性和可裁减性较差。在预设场景中成功特定场景，但想要启动场景裁减却艰巨重重。

因此，咱们构建了一个可裁减、易于经常使用的 Multi-Agent 框架，以允许 ChatBot 在失掉常识库信息的同时，能够辅佐成功日常办公、数据剖析、开发运维等各种通用义务。

本名目标 Mutli-Agent 框架吸取兼容了多个框架的低劣设计，比如 metaGPT 中的信息池（message pool）、autogen 中的代理选用器（agent selector）等。

名目地址：

Multi-Agent 框架，包含以下内容：

在 Agent 层面，提供四种基本的 Agent 类型，对这些 Agent 启动 Role 的基础设定，可满足多种通用场景的交互和经常使用。一切的 Action 都由 Agent 口头。

BaseAgent：提供基础问答、工具经常使用、代码口头的配置，依据 Prompt 格局成功 输入 => 输入

ReactAgent：提供规范 React 的配置，依据疑问成功义务

ExecutorAgent：对义务清单启动顺序口头，依据 User 或 上一个 Agent 编排的方案，成功相关义务 Agent 接遭到义务清单(List[task])，对这个义务清单 Task 启动循环口头（两边也可减少 Feedback Agent 来启动义务从新优化），直到义务成功

SelectorAgent：提供选用 Agent 的配置，依据 User 或 上一个 Agent 的疑问选用适合的 Agent 来启动回答.

本文转载自​​，作者：​​