LlamaIndex 推出 AgentWorkflow，用于构建多智能体系统

我们很高兴推出 AgentWorkflow，这是 LlamaIndex 中的一个新系统，让构建和编排 AI 智能体系统变得轻而易举。AgentWorkflow 构建在我们广受欢迎的 Workflow 抽象之上，让智能体更易于上手和运行。AgentWorkflows 负责协调智能体之间的交互、维护状态等，同时仍为你提供 Workflows 的灵活性和可扩展性。

无论你需要单个专用智能体还是一支协作智能体团队，AgentWorkflow 都提供了构建健壮、有状态智能体应用的构建块。

立即探索我们的免费和付费方案。

构建智能体系统的挑战

随着 AI 应用日益复杂，简单的一次性智能体交互往往不够用。设想构建一个研究助手，它需要：

从多个来源搜索和分析信息
将发现综合成一份连贯的报告
审查并完善内容以确保准确性
在多次交互中保持上下文
处理不同专用组件之间复杂的来回交互

构建此类系统的传统方法通常涉及：

组件之间复杂的协调逻辑
难以维护状态和上下文
不同阶段之间脆弱的交接
对系统运行的可见性有限

在 LlamaIndex 中引入 Workflows 之后，这类系统变得容易构建得多。我们甚至构建了自己的多智能体示例！然而，我们发现仍有足够多的样板代码和复杂性可以抽象掉，从而让构建智能体系统更加容易，同时仍保持 Workflow 系统的灵活性和强大功能。

AgentWorkflow 登场

AgentWorkflow 通过提供一种结构化的方式来构建智能体系统，从而应对这些挑战，这些系统可以：

在交互中保持状态和上下文
在专用智能体之间进行协调
处理复杂的多步骤流程
实时流式传输和监控智能体活动

AgentWorkflow 构建在我们久经考验的 Workflows 之上，让创建简单和复杂的智能体系统都变得轻而易举。

入门很简单

对于基本用例，你可以快速创建一个包含单个智能体的工作流：

workflow = AgentWorkflow.from_tools_or_functions(
    [search_web],
    llm=llm,
    system_prompt=(
        "You are a helpful assistant that can search the web for information."
    )
)

# Run the agent
response = await workflow.run(
    user_msg="What is the latest news about AI?",
)

构建多智能体系统

对于更复杂的场景，AgentWorkflow 也可用于构建多智能体系统。让我们看看如何构建一个包含多个专用智能体的研究报告系统：

# Create specialized agents
research_agent = FunctionAgent(
    name="ResearchAgent",
    description="Searches and analyzes information from multiple sources",
    system_prompt="You are a thorough researcher...",
    tools=[search_web, record_notes],
    can_handoff_to=["WriteAgent"]
)

write_agent = FunctionAgent(
    name="WriteAgent",
    description="Writes clear, comprehensive reports",
    system_prompt="You are an expert writer...",
    tools=[write_report],
    can_handoff_to=["ReviewAgent", "ResearchAgent"]
)

review_agent = FunctionAgent(
    name="ReviewAgent",
    description="Reviews content for accuracy and quality",
    system_prompt="You are a meticulous reviewer...",
    tools=[review_report],
    can_handoff_to=["WriteAgent"]
)

# Create the workflow
agent_workflow = AgentWorkflow(
    agents=[research_agent, write_agent, review_agent],
    root_agent="ResearchAgent",
    initial_state={
        "research_notes": {},
        "report_draft": "",
        "review_feedback": "",
    }
)

让它强大的关键特性

1. 灵活的智能体类型

支持不同的智能体架构以满足你的需求：

FunctionAgent 适用于具备函数调用能力的 LLM
ReActAgent 适用于任何 LLM
可轻松扩展以支持自定义智能体类型

2. 内置状态管理

在交互中保持上下文。AgentWorkflow 中的工具/函数可以访问全局工作流 Context。

async def record_notes(ctx: Context, notes: str) -> str:
    """Record research notes for later use."""
    current_state = await ctx.get("state")
    current_state["research_notes"].append(notes)
    await ctx.set("state", current_state)
    return "Notes recorded."

3. 实时可见性

通过事件流监控执行过程：

handler = workflow.run(user_msg="Research quantum computing")
async for event in handler.stream_events():
    if isinstance(event, AgentInput):
        print(f"Agent {event.current_agent_name}: ")
    if isinstance(event, AgentStream):
        print(f"{event.delta}", end="")
    elif isinstance(event, ToolCallResult):
        print(f"Tool called: {event.tool_name} -> {event.tool_output}")

4. 人在回路支持

轻松集成人工监督和输入：

async def get_approval(ctx: Context) -> bool:
    """Request human approval before proceeding."""
    ctx.write_event_to_stream(
        InputRequiredEvent(
            prefix="Please review and approve this section:"
        )
    )
    response = await ctx.wait_for_event(HumanResponseEvent)
    return response.approved

准备好构建了吗？

深入探索吧！

从我们的基础智能体工作流教程开始
查看更详细的文档
探索多智能体研究工作流示例
加入我们的 Discord 社区讨论你的用例
查看我们在 YouTube 上的入门视频

在接下来的几周里，我们将发布更多示例，展示如何将 AgentWorkflow 用于各种实际应用。敬请关注！