久久国产自偷自免费一区100,国产在线视频99,在线观看亚洲一区

例如，像 Windsurf 這樣的現代?AI Agent?可以幫助任何人快速生成、運行、編輯、構建和部署全棧 Web 應用程序。它支持多種 Web 技術和數據庫的代碼生成與應用構建，如 Astro、Vite、Next.js、Superbase 等。

企業中 Multi-Agent 的應用案例

Agentic AI 系統在企業環境中有著廣泛的應用，尤其是在執行自動化和重復任務方面。以下是 AI Agent 在企業領域中有用的關鍵應用場景：

呼叫與其他分析：分析參與者的視頻通話，獲得人們的情感、意圖和滿意度等洞察。Multi-Agent 系統擅長分析和報告用戶的意圖、人口統計和互動。它們的分析/報告能力幫助企業鎖定目標客戶或市場。
呼叫分類：根據參與者的網絡帶寬和強度自動對呼叫進行分類，以便高效處理。
市場傾聽：監控和分析市場應用中的客戶情感。
調查與評論分析：利用客戶反饋和調查數據獲取洞察并改善客戶體驗。
差旅與費用管理：自動化費用報告、跟蹤和審批。
對話式銀行：通過 AI 驅動的聊天或語音助手幫助客戶進行銀行業務。
通用AI支持聊天機器人：客戶支持 Agent 可以處理客戶投訴、排除故障，并將復雜任務委派給其他 Agent。
金融：金融 Agent 可以用于預測經濟、股票和市場趨勢，并提供切實可行的投資建議。
營銷：企業的營銷團隊可以利用 AI Agent 為不同目標受眾創作個性化內容和廣告文案，從而提高轉化率。
銷售：AI Agent 可以幫助分析系統中的客戶互動模式，幫助銷售團隊聚焦于潛在客戶的轉化。
技術：在技術行業，AI 編碼 Agent 可以幫助開發人員和工程師通過加速代碼完成、生成、自動化、測試和修復錯誤來提高工作效率。

2024 五大 Agent 框架

你可以使用多個 Python 框架來創建并將 Agent 添加到應用程序和服務中。這些框架包括無代碼（可視化 AI Agent 構建器）、低代碼和中代碼工具。現在我將向你介紹 2024 年五個頂尖的的基于 Python 的 Agent 構建器，你可以根據自己的業務需求進行自由選擇。

1 Phidata

Phidata 是一個基于 Python 的框架，可將 LLM 轉化為 AI 產品中的 Agent。它支持主流大廠的閉源和開源 LLM，如 OpenAI、Anthropic、Cohere、Ollama 和 Together AI 等。通過其對數據庫和向量存儲的支持，我們可以輕松地將 AI 系統連接到 Postgres、PgVector、Pinecone、LanceDb 等。使用 Phidata，我們可以構建基礎 Agent，也可以通過函數調用、結構化輸出和微調來創建高級 Agent。

Phidata 的主要功能

內置 Agent UI：Phidata 提供了一個現成的用戶界面，用于本地或云端運行 Agent 項目，并在后臺管理會話。
部署：你可以將 Agent 發布到 GitHub 或任何云服務，也可以連接 AWS 賬戶將其部署到生產環境。
監控關鍵指標：提供會話快照、API 調用、token 使用情況，并支持設置調整和 Agent 改進。
模板支持：通過預配置的代碼庫模板，加速 AI 代理的開發和生產過程。
支持 AWS：Phidata 與 AWS 無縫集成，可以在 AWS 賬戶上運行完整的應用程序。
模型獨立性：支持使用來自 OpenAI、Anthropic、Groq 和 Mistral 等先進的模型和 API 密鑰。
構建 Multi-Agent：使用 Phidata 可以創建一個 Agent 團隊，讓它們相互傳遞任務并協作完成復雜任務。Phidata 會在后臺無縫處理 Agent 的協調工作。

現在我將向你展示如何使用 Phidata 框架和 OpenAI 的 LLM 在 Python 中構建一個查詢 Yahoo Finance 的金融數據的基本 AI Agent。該 Agent 旨在通過 Yahoo Finance 匯總各公司分析師的推薦意見。

安裝依賴項：

新建一個 financial_agent.py：

import openai

from phi.agent import Agent

from phi.model.openai import OpenAIChat

from phi.tools.yfinance import YFinanceTools

from dotenv import load_dotenv

import os



# 從 .env 文件加載環境變量

load_dotenv()



# 從環境中獲取 API 密鑰

openai.api_key = os.getenv("OPENAI_API_KEY")



# 初始化 Agent 

finance_agent = Agent(

    name="Finance AI Agent",

    model=OpenAIChat(id="gpt-4o"),

    tools=[

        YFinanceTools(

            stock_price=True,

            analyst_recommendations=True,

            company_info=True,

            company_news=True,

        )

    ],

    instructions=["Use tables to display data"],

    show_tool_calls=True,

    markdown=True,

)



# 輸出分析師對 NVDA 的推薦摘要

finance_agent.print_response("Summarize analyst recommendations for NVDA", stream=True)

上述代碼：

導入模塊和加載 API 密鑰
首先，導入所需的模塊和包，并通過 .env 文件加載 OpenAI 的 API 密鑰。這種加載 API 密鑰的方式同樣適用于其他模型提供商，如 Anthropic、Mistral 和 Groq。
創建代理
使用 Phidata 的 Agent 類創建一個新的 Agent，并指定其獨特的功能和特性，包括模型、工具、指令等。
打印響應
調用 print_response 方法輸出代理對問題的響應，并指定是否以流式方式顯示（stream=True）。

2 Swarm

Swarm 是 OpenAI 最近發布的一種開源實驗性 Agent 框架，是一種輕量級的 Multi-Agent 編排框架。

注意：Swarm 仍處于實驗階段?？捎糜陂_發和教育目的，但不建議用于生產環境。最新的信息可以去參考官方倉庫：

https://github.com/openai/swarm

Swarm 使用 Agents 和 Handoffs（交接） 作為抽象概念，用于 Agent 的編排和協調。它是一種輕量級框架，便于測試和管理。Swarm 的 Agent 可以配置工具、指令和其他參數，以執行特定任務。

除了其輕量和簡單的架構，Swarm 還具備以下關鍵特性：

對話交接：Swarm 支持構建 Multi-Agent 系統，一個 Agent 可以在任意時間將對話交接給其他 Agent。
可擴展性：憑借其簡化的交接架構，Swarm 易于構建能夠支持數百萬用戶的 Agent 系統。
可擴展性：Swarm 設計上具有很高的可定制性，可用于創建完全定制化的 Agent 體驗。
內置檢索系統和內存處理：Swarm 內置了存儲和處理對話內容的功能。
隱私保護：Swarm 主要在客戶端運行，并且不會在調用之間保留狀態，極大地提高了數據隱私性。
教育資源：Swarm 提供了一系列基礎到高級的 Multi-Agent 應用示例，可供開發者測試和學習。

接下來，我給你演示一下如何使用 Swarm：

from swarm import Swarm, Agent



# 初始化 Swarm 客戶端

client = Swarm()

mini_model = "gpt-4o-mini"



# 定義協調函數，用于將任務交接給 Agent B

def transfer_to_agent_b():

    return agent_b



# 定義 Agent A

agent_a = Agent(

    name="Agent A",

    instructions="You are a helpful assistant.",

    functions=[transfer_to_agent_b],

)



# 定義 Agent B

agent_b = Agent(

    name="Agent B",

    model=mini_model,

    instructions="You speak only in Finnish.",

)



# 運行 Agent 系統并獲取響應

response = client.run(

    agent=agent_a,

    messages=[{"role": "user", "content": "I want to talk to Agent B."}],

    debug=False,

)



# 打印 Agent B 的響應

print(response.messages[-1]["content"])

上述代碼

初始化
- Swarm 用于創建一個客戶端實例。
- Agent 定義了 Agent 的名稱、功能和語言模型（如 gpt-4o-mini）。
交接邏輯
運行代理系統

如果將 agent_b 的指令中語言更改為其他語言（如英語、瑞典語、芬蘭語），將會得到相應語言的響應結果。

3 CrewAI

CrewAI 是最受歡迎的基于 Agent 的 AI 框架之一，可快速構建 AI Agent 并將其集成到最新的 LLM 和代碼庫中。像 Oracle、Deloitte、Accenture 等大公司都在使用并信任 CrewAI。

與其他基于 Agent 的框架相比，CrewAI 功能更加豐富，特性更加多樣。

可擴展性支持集成 700 多種應用程序，包括 Notion、Zoom、Stripe、Mailchimp、Airtable 等。
工具
- 開發者可以使用 CrewAI 框架從零開始構建 Multi-Agent 自動化系統。
- 設計師可以通過其 UI Studio 和模板工具，在無代碼環境中創建功能齊全的 Agent。
部署你可以使用自己喜歡的部署方式，將開發的 Agent 快速遷移到生產環境。
Agent 監控像 Phidata 一樣，CrewAI 提供直觀的儀表盤，用于監控 Agent 的進度和性能。
內置訓練工具使用 CrewAI 的內置訓練和測試工具，提高 Agent 的性能和效率，并確保其響應質量。

首先我們需要安裝 CrewAI：

上述命令會安裝 CrewAI 及其工具，并驗證安裝是否成功。

安裝完成后，可運行以下命令創建一個新的 CrewAI 項目：

運行該命令后，系統會提示我們從以下模型提供商列表中選擇一個，例如 OpenAI、Anthropic、xAI、Mistral 等。選擇提供商后，還可以從列表中選擇具體模型，例如 gpt-4o-mini。

以下命令可用于創建 Multi-Agent 系統：

完整的 CrewAI 應用已上傳到 GitHub 倉庫，可通過以下命令下載并運行：

https://github.com/GetStream/stream-tutorial-projects/tree/main/AI/Multi-Agent-AI

運行后，你將看到類似以下的響應結果：

4 Autogen

Autogen 是一個開源框架，用于構建 Agent 系統。借助該框架，可以創建 Multi-Agent 協作和 LLM 工作流。

Autogen 具備以下關鍵功能：

跨語言支持使用 Python 和 .NET 等編程語言構建 Agent。
本地 Agent可在本地運行和實驗 Agent，以確保更高的隱私性。
異步消息通信使用異步消息進行 Agent 之間的通信。
可擴展性支持開發者構建分布式 Agent 網絡，適用于不同組織之間的協作。
可定制性通過其可插拔組件，自定義構建完全個性化的 Agent 系統體驗。

下面的代碼塊構建了一個簡單的 AI 天氣 Agent 系統：

import asyncio

from autogen_agentchat.agents import AssistantAgent

from autogen_agentchat.task import Console, TextMentionTermination

from autogen_agentchat.teams import RoundRobinGroupChat

from autogen_ext.models import OpenAIChatCompletionClient



import os

from dotenv import load_dotenv



load_dotenv()



# 定義工具

async def get_weather(city: str) -> str:

    return f"The weather in {city} is 73 degrees and Sunny."



async def main() -> None:

    # 定義 Agent

    weather_agent = AssistantAgent(

        name="weather_agent",

        model_client=OpenAIChatCompletionClient(

            model="gpt-4o-mini",

            api_key=os.getenv("OPENAI_API_KEY"),

        ),

        tools=[get_weather],

    )



    # 定義終止條件

    termination = TextMentionTermination("TERMINATE")



    # 定義 Agent 團隊

    agent_team = RoundRobinGroupChat([weather_agent], termination_condition=termination)



    # 運行團隊并將消息流至控制臺

    stream = agent_team.run_stream(task="What is the weather in New York?")

    await Console(stream)



asyncio.run(main())

上述代碼

工具定義：get_weather 是一個示例工具函數，返回城市天氣信息。
代理定義：使用 AssistantAgent 定義 Agent，并設置模型客戶端為 OpenAI 的 GPT-4o-mini。API 密鑰從 .env 文件中加載。
終止條件：通過 TextMentionTermination 定義終止條件，當提及 “TERMINATE” 時終止任務。
Agent 團隊：使用 RoundRobinGroupChat 創建一個 Agent 團隊，以輪詢方式分配任務。

運行此代碼后，控制臺將顯示類似于以下的輸出結果：

5 LangGraph

LangGraph 是基于節點的 AI 框架，專為構建處理復雜任務的 Multi-Agent 系統而設計。作為 LangChain 生態系統的一部分，LangGraph 是一種圖結構的 Agent 框架。用戶可以通過節點和邊來構建線性、層次化和順序化的工作流。其中，節點（node）表示 Agent 的動作，邊（edge）表示動作之間的轉換，狀態（state）則是 LangGraph Agent 的另一重要組成部分。