OpenAI今天Open了一下：开源多智能体框架Swarm

毫无疑问，多智能体肯定是 openai 未来重要的研究方向之一，前些天 openai 著名研究科学家 noam brown 还在 x 上为 openai 正在组建的一个新的多智能体研究团队招募机器学习工程师。

OpenAI今天Open了一下：开源多智能体框架Swarm

就在几个小时前，这个或许还没有组建完成的新研究x \ H : K团队就已经开源发布了一项重量级研究成果：Swarm。这是一个实验性A X ? & } y | R G质的多智能体编排框架，主打特征是工效（erV _ L T D l u (gonomic）与轻量（lightweight）。

OpenAI今天Open了一下：开源多智能体框架Swarm

项目地址：https://gity _ ^ 4hub.com/openai/swarm

Swarm 开源* Q T v 9 h 8 [后引起了热烈讨论，有网友表示这能帮助简, n O A h \ p =化许多潜在的多智能体用例的工作流程。

OpenAI今天Open了一下：开源多智能体框架Swarm

我们先来看一个例子。首先安装 Swarm，很简单：

pip install git+ssh://git@github.com/openai/swarm.git

登录后复制

装好这个框架之后，用起来也很方便。以# @ + c 2 }下代码定义了 2 个智能体，而用户的指令是与智能体 B 交谈：

from swarm import Swarm, Agentclient = Swarm()def transfer_to_agent_b():return agent_bagent_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"])

登录后复制

输出消息：

Hope glimmers brightly,New paths converge gracefully,What can I assist?

登录后复制

下面我们就来简单介绍一下这个开源项目。

首先，需要再次强调，Swarm 是一个实验性质的多智能体框架，并不是为生产目的开发的，因此团队表示不会提供b 5 U O )任何官方支持。

SwarE R ? / d 6 u ` Cm 概况

Swarm 关注的重点是让智能体协作和执行变得轻量、高度可控且易于测试。

为此，它使用了两种原语抽象：智能) R ~ # x d体（agent）和交接（} J { lhandoff）。其中，智能体包含指令和工具，并且在任何时间都可以选择将对话交接给另一个智E 9 d能体。

该团队表示，这些原语很强大，「足以表达工具E b Q } {和智能体网络之间的丰! , } $ Y i富动态，让你可以针对真实世界问题构建可扩展的解b c C U U 3决方案，同时避免陡$ A Q / P v A !峭的学习曲线。」

另外，该团队指出，请注意 Swarm 智能体与 Assistants API 中的 Assistants 无关。之所以e T D名字B c k I 5 d ? E P相似，只是为了方便。Swarm 完全由 Chat Completions. \ s q f U = & API 提供支持，因此在n k E v X B调用之间是无状态的。

为什% Y _ ) I C v S么要使用 Swarm？

在设计上. B ~ M _ & 4，Swarm 是轻量级、可扩展且高度可定制的。它最适合处理存在大量独立功能和指令的情况——这些功\ z w m n p J能和指令很难编码成单个提示词。

如果开发者想要寻求完全托管的线程以及内置的内存管理和检索，那么 Assistants API 就已经是很好的选择了。但如果开发者想要完全的透明度，并且能够细粒度地控制T ! { y + u N上下文、步骤和工具调用，那么 Swarm 才是最佳选择。Swarm （几乎）完全运行在客户端，与 Chao k 7 Tt Completions AP= O # X v Z 3I 非常相似，不会在调用之间存储状态。

该团队还展示了一个应用示例，包括天气查询智能体、用于在航空公司环境中处理不同客户服务请求的多智能体设置、客服机器人、可以帮助销售和退款的个人智能体等。具体示例请访问 Swarm 代码库。N l a M ! % H T

OpenAI今天Open了一下：开源多智能体框架Swarm

^{简单的天气查询智能体示例，问A t 3 R ( I ~ b q题先经过筛选智能体处理，再转交给天气智能体解答}

Swarms = – = s 5 x f W 的| l D z K * E核心组( | z E H P 7 T件

Swarm 的核心组件包括client（客V 1 ^ b ;户端）、Agent（智能体）、Function（函数）。

运行 Swarm 就是从实例化一个 client 开始的（其就是在内部实例化一个 OpenAN p H 6 ! C s (I 客户端）。

from swarm import Swarmclient=Swarm()

登录后复制

cd : 5 1lient.run()

Swarm 的 run() 函数类似于 Chat Completions API 中的 chat.completions.create() 函数——接收消息并返回消息，并且在调用之间不保存任何状态。但重点在于，它还4 8 # E $ i * n处理 Agent 函数执行、交接、上下文变量引用，并. u @ ; # L且可以在返回给用户之前进行多轮执行。

究其核心，2 E p ) J 4 ySwarm 的 client.run() 是实现以下N T t | 8 8 P )循环：

先让当前智能} E : { q ^ F体完成一个结果
执行工具调用% [ #并附加结果
如有必要，切换智0 h T c能体
如有必要，更新上下文变量
如果没有新的函数调用，则返回

参数

client.run() 的参数包括：

OpenAI今天Open了一下：开源多智能体框架Swarm

client.run() 完成后（可能进行过多次智能体和工具调用），会返回一个响应，其中包含所有相关的已更新状态。具体来说，即包含新消息、最后调用的智能体、最新的上下文变量。你可以将这些值（加上新的用户消息）传递给 client.v / u P ;run() 的下一次执行，以继续] Y } @ [ P ~上次的交互——就像是 chatN 5 E c m K C.completions.createw ( g()

响应字段

OpenAI今天Open了一下：开源多智能体框架Swarm

Agent

Agent（智能体）就是将一组指令与一组函数封装在一起（再加上一些额外的设置），并且其有能力将执行过程交% f O C i & % w O接给另一个 Agent。

Agent 字段

OpenAI今天Open了一下：开源多智能体框架Swarm

指令（instructions）

Agent instructions 会直接转换成对话的系统提示词（作为第一条消息）。只有当前活动的 Agent 的指令会被使用（当发生智能体交接时，系统提示词会变化，但聊天历史不会）。

agent = Agent(instructions="You are a helpful agent.")

登录后复制

instructions 可以是常规字符串，也可以是返回字符串的函数。该函数可以选择性地接收 context_variables 参数，该参数将由传入 client.run() 的 context_variables 填充。

def instructions(context_variables):user_name = context_variables["user_name"]return f"Help the user, {user_name}, do whatever they want."agent = Agent(instructions=instructions)response = client.run(agent=agent,messages=[{"role":"user", "content": "Hi!"}],context_variables={"user_name":"John"})print(response.messages[-1]["content"])

登录后复制

输出消息：

Hi John, how can I assist you today?

登录后复制

Function

Sr , Rwj _ & a I Harm Agent 可以直接调用 Python 函数。
函数通常应返回一个字符串（数值会被转换为字符l ` t ^ /串）。
如果一个函数返回了一个 Ag# D T / f d \ W tent，则执行过程将转交给该 Agent。
如s b `果函数定义了 context_variables 参数，则它将由传递到 client.run() 的 context_variables 填充。

def greet(context_variables, language):user_name = context_variables["user_name"]greeting = "Hola" if language.lower() == "spanish" else "Hello"print(f"{greeting}, {user_name}!")return "Done"agent = Agent(functions=[print_hello])client.run(agent=agent,messages=[{"role": "user", "content": "Usa greet() por favor."}],context_variables={"user_name": "John"})

登录后复制

输出消息：

Hola, John!
如果某个 Agent 函数调用出错（缺少函数、参数错误等），则会在聊天之中附加一条报错响应，以便 Agent 恢复正常。
如果 Ageny 调用多个函数，则按顺序执行它们。
交接和更新上下文变量
通过在返回的函数中包含一个 Agent，可将执行过程交接给这个 Agent。sales_agent = Agent(name="Sales Agent")def transfer_to_sales():return sales_agentagent = Agent(functions=[transfer_to_sales])response = client.run(agent, [{"role":"user", "content":"Transfer me to sales."}])print(response.agent.name)

登录后复制

输出消息：

Sales Agent

登录后复制

它还可以通过返回更完整的 Result 对G 0 1 l W象来更新 context_variables。如果你希望用单个函数返回一个值、更新智能体并更新上p P h N下文变量（或三者中的任何组合），它还可以包含一个 value 和一个 age| _ L _ 3 G } @nt。

sales_agent = Agent(name="Sales Agent")def talk_to_sales():print("Hello, World!")return Result(value="Done",agent=sales_agent,context_variables={"department": "sales"})agent = Agent(functions=[talk_to_sales])response = client.run(agent=agent,messages=[{"role": "user", "content": "Transfer me to sales"}],context_variables={"user_name": "John"})print(response.agent.name)print(response.context_variables)

登录后复制

输出消息：

Sales Agent{'department': 'sales', 'user_name': 'John'}

登录后复制n T $ w /

注意：如果一个 Agent 调用了多个交接 Agent 的函数，则仅使用最后一个交接P ^ \ = p函数。

函数模式

Swarm 会自动将函数转换为 JSON 模式，然后将其传递给聊天补全工具。

文档字符串会转换为函数 description。
没有默认值的参数会设置为 requi5 B } H R * # Ored。
类型提示会映射到参数的 t6 z h ] Pype（默认为 string）。
不明确支持对每个参数进行描述，但如果只是在文档字符B W S ? s h Z B串中添加，应该能以相似的方式工作。

def greet(name, age: int, location: str = "New York"):"""Greets the user. Make sure to get their name and age before calling.Args:name: Name of the user.age: Age of the user.location: Best place on earth."""print(f"Hello {name}, glad you are {age} in {location}!"){"type": "function","function": {"name": "greet","description": "Greets the user. Make sure to get their name and age before calling.
Args:
name: Name of the user.
age: Age of the user.
location: Best place on earth.","parameters": {"type": "object","properties": {"name": {"type": "string"},"age": {"type": "integer"},"location": {"type": "string"}},"required": ["name", "age"]}}}

登录后复制

流式处理

Swarm 也支持流式处理。

stream = client.run(agent, messages, stream=True)for chunk in stream:print(chunk)

登录b Z b h Q U D后复制

使用了与 Chat Completions API streo = n Aaming 一样的事件，但添加了两个事件类型：

{“delim”:”start”} 和 {“delim”:”start”}，用于在 Agent 每次处理单个消息（响应或函数调用）时发出信号。这有助于识别 Agent 之间的切换。
为方便起见，{“response”: Response} 将在流的末尾返回E m x I # 2 u * =带有已聚合的（完整）响应的 Resp_ s 4 w @ R sonse 对象。

核心贡献者

Swarm 的核心贡献者均就职于 Og B Q r 8 o N gpenAI，他们分别是（右侧为对应的 GitHub 用户名）：

Ilan Bigio – ibigio
James Hills – jhills20
Shyamal Anadkat – shyamal-anadkat
Charu Jaiswal – charuj
Colin Jarvis – colin-opena& 0 A b Ui

以上就是OpenAI今天Open了一下：开源多智能体框架Swarm的详细内容！

百度未收录

本文由【好易之】整理自网络！
原创文章，作者:【好易之】如转载请注明出处：https://www.zhengjiaxi.com/zxwd/itzx/118005.html
如有侵权，请邮件联系 aoduoye@qq.com 删除。
本站发布的文章及附件仅限用于学习和研究目的;不得将上述内容用于商业或非法用途，否则后果请用户自负。
本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。