10月11日，OpenAI宣布开源一个实验性轻量级框架Swarm，用于编排多个代理。
Swarm作为一个实验性框架，旨在探索用于管理多代理系统的用户友好界面。
虽然该模型目前处于实验阶段，不打算用于生产用途，但它为代理编排的未来提供了宝贵的一瞥。
https://github.com/openai/swarm
Swarm架构
人工智能发展迅速，从只能回答简单问题的聊天机器人，到处理更复杂的任务的AI代理。
但问题也随之而来，随着AI的发展，协调这些代理的复杂性也在增加。
下一步似乎是协调多个代理一起工作，通过协作处理日益复杂的工作流程。
OpenAI的实验性Swarm框架让我们得以一窥这个未来。
不过：OpenAI并不是第一个探索多代理系统的公司。
多智能体系统的概念在2023年底获得了巨大的关注。
到2024年，研究和框架出现了爆炸式增长，包括Microsoft的AutoGen和crewAI。
这些框架为在协作环境中测试和部署AI代理提供了强大的环境。
虽然OpenAI的Swarm提供了一个简化的实验性沙盒，但它有助于帮助用户了解多个AI代理如何协作解决现实世界中日益复杂的任务。
很明显，代理之间的专业化和协调可以显著提高效率和可扩展性。
大型AI模型的用途非常广泛，但它们的优势在于泛化。
当任务涉及特定、复杂的作业时，单个模型的效率可能会受到影响。
这就是多智能体系统的亮点所在：每个智能体都可以专注于一个狭窄的领域，从而允许集中处理任务。
例如，一个代理可以完全专注于图像识别，而另一个代理则专注于自然语言处理。
公司不会期望其销售团队处理IT问题，也不会要求HR团队进行软件部署。
同样，通过在AI中部署专门的代理，公司可以将正确的任务分配给正确的代理，确保以最佳精度处理每个任务。
多代理系统通过允许将任务分解为更小、可管理的单元来解决这个问题，每个代理都专注于问题的特定部分。
随着工作负载的增加或变得更加复杂，可以引入其他代理来分担负载。
这种灵活性使AI系统能够处理各种不断变化的任务，无需对底层架构进行全面改造即可适应新的挑战。
例如考虑一个智能家居系统：一个代理可能管理照明，另一个代理控制温度，而第三个代理负责安全。
随着系统的增长（可能会添加语音命令，或与天气预报等外部服务集成），可以添加新的代理来管理这些新功能，而不会使现有代理过载。
复杂的工作流程通常需要多个步骤，让专门的代理处理每个步骤可以大大改善流程。
多代理系统促进了交接，一个代理可以将部分任务委派给更适合该工作的另一个代理。
例如，假设有一个客户服务系统。接待员AI收集基本信息，技术支持AI处理更具体的故障排除，售后AI管理退款或换货。
在这种情况下，任务在代理之间顺利转移，确保客户的请求由适当的代理有效处理。
现在，OpenAI推出的Swarm帮助开发人员在轻量级的实验环境中探索这些想法。
它通过两个关键概念简化了多代理系统的复杂性：代理和切换。
代理：每个代理都包含一组指令和工具，能够处理特定任务或对话。
交接：代理可以将对话无缝转移到其他代理，从而实现复杂的工作流程和任务分配。
代理和交接的这种组合使开发人员能够创建复杂的代理网络并构建可扩展的解决方案，而不会过于复杂。
from swarm import Swarm, Agent
client = Swarm()
def transfer_to_agent_b(): return agent_b
agent_a = Agent( name="Agent A", instructions="You are a helpful agent.", functions=[transfer_to_agent_b],)
agent_b = Agent( name="Agent B", instructions="Only speak in Haikus.",)
response = client.run( agent=agent_a, messages=[{"role": "user", "content": "I want to talk to agent B."}],)
print(response.messages[-1]["content"])
在这种情况下，Agent A开始交互，但意识到用户需要不同的技能集，因此它将对话交给专门使用Haikus进行响应的Agent B。
这是一个简单而有效的演示，展示了多代理切换在Swarm中的工作原理。
虽然像Swarm这样的框架仍处于实验阶段，但它们展示了AI代理协同工作时的可能性。
无论是在客户服务、数据处理还是解决复杂的问题方面，多智能体系统都可能在下一波AI进步中发挥重要作用。
随着我们向前发展，我们需要不断提出有关扩展、协调和专业化的棘手问题。
ChatU可免费申请试用，支持企业私有部署，多引擎AIGC操作系统安全稳定，点击下方公众号一键试用！
