多智能体 AI 系统如何 Mendix 可以训练你参加马拉松

为什么要使用多智能体人工智能系统？

AI 代理如今无处不在——你可能在自己的动态中已经看到它们了。但在我们深入探讨如何构建基于代理的系统之前， Mendix让我们快速回顾一下，分析一下 AI 代理实际上是什么。

AI代理商

人工智能代理（也称为 LLM 代理）的核心是一个智能程序，它可以在触发事件（例如用户在应用程序中执行操作，或另一个系统发送数据）时自行采取行动。这些代理可以使用工具、函数甚至知识库来确定要执行的操作。有些代理能够随着时间推移不断学习，而有些则专注于完成特定任务。无论哪种方式，目标都是让生活更轻松——通过自动化工作、加快流程，或仅仅让事情运行得更顺畅。

如果你是新手，请查看我们的指南 如何构建单个代理 Mendix。它涵盖了如何将快速工程、函数调用和知识库结合起来——所有这些都在一个 Mendix 应用程序。

有时，一个智能体不足以完成任务。单智能体系统非常适合处理简单的任务，但随着问题变得更加复杂或定义更加模糊（就像现实生活中一样），通常需要一个团队来共同完成。这时，多智能体系统就派上用场了。通过协同工作，不同的智能体可以专注于特定的任务，并协调各自的努力，以取得更好、更有效的结果。

将多智能体人工智能付诸实践

一旦你了解了人工智能的基础知识以及如何 Mendix 构建多智能体系统并不像听起来那么复杂。如果你刚刚开始，我们建议你查看我们的 如何建立单一代理的指南 首先，还有一些 关于快速工程的有用资源.

多智能体系统尤其酷炫之处在于，智能体可以根据需要解决的问题，以不同的方式协同工作。它们可以遵循固定的流程，委派任务，评估彼此的输出，甚至可以决定谁应该处理什么任务。

要查看这些模式的实际效果，请查看 GenAI 展示应用程序，并探索几种多代理设置，包括：

• 确定性流程/即时链接
• 确定性流程/使用 Gatekeeper 的即时链接
• 评估优化代理
• 基于路由的代理协作

这些例子展示了多智能体系统是多么灵活和强大——尤其是当使用 Mendix.

多代理路由模式 Mendix 运行应用

在这篇博文中，我们将引用 GenAI 展示应用程序， 尤其是在多代理模式部分中找到的路由示例。在此设置中，第一个代理充当 路由代理它的工作不是直接响应用户，而是决定哪个可用的客服人员最适合处理请求。一旦做出决定，它会将整个对话传递给选定的客服人员，然后由该客服人员接管并管理剩余的交互。

在我们的示例应用程序中，路由器代理可以从三个不同的代理中进行选择——每个代理都有自己的角色来帮助 Mendix 跑步者社区正在努力成为更好的跑步者。以下是每个代理功能的简要介绍：

• 跑步教练代理： 该代理可帮助用户根据其目标制定训练计划或马拉松准备计划。
• 营养师代理： 本文主要提供改善营养的建议，帮助跑步者表现更好或只是更加了解他们的饮食习惯。
• 运行事实代理： 此代理负责处理常规跑步问题，例如统计数据、趣味知识，以及任何与指导或营养无关的问题。当问题不属于其他两个类别时，它也会充当默认代理。

值得注意的是，这三个代理都只关注与跑步相关的主题。他们无法回答与跑步无关的问题。上图展示了此路由模式在应用中的实现方式。

迈出正确一步

Mendix 让您能够非常轻松地开始构建自己的代理应用程序——最好的方法是使用 空白 GenAI 应用程序。它预装了各种型号所需的所有模块。

已有 Mendix 应用程序？没问题。您只需添加所需的模块即可——GenAI 公共资源, 对话式使用者介面，并 Mx GenAI 连接器—只要您使用的是 Studio Pro 9.24.2 或更高版本。别忘了添加 MxGenAIConnector.NAV_ConfigurationOverview_Open 微流到您的应用导航。

按照以下设置说明进行操作 选择基础设施提供商后。

有了它，您将拥有快速开始构建智能、多代理体验所需的一切。

即时工程

打造成功客服的关键在于提供正确的系统提示——它引导着客服的行为和决策。就我们的路由客服而言，目标很简单：确保每个请求都能发送给正确的专员。

• [系统提示/路由器] 你是一位意图检测专家。你的任务是根据对话的最后一条消息对用户意图进行分类。如果是关于运动饮食或营养信息，则返回“营养师”。如果是关于训练计划或体育赛事准备，则返回“训练”。如果是关于与体育相关的一般信息，则返回“事实”。如果是关于与体育无关的内容，则返回“无”。在得出结论之前，请务必考虑完整的对话，并提取最新用户消息的正确上下文。你不是直接与用户交谈，只需指定分类和你的推理。
  • 示例：意图：营养师 | 原因：用户在对话中询问营养提示，现在由于过敏想要排除某些食物。'

路由器的系统提示必须清晰准确，因为它的输出将在我们的微流程中以编程方式用于决定由哪个座席接管对话。有了这些提示，我们就可以把重点转移到专业座席身上。对于这些座席，我们将从简单的入手——每个座席都会有一个根据其特定专业领域定制的简单提示。

• [跑步教练代理]“您是一位跑步教练，专注于为用户提供跑步计划。在提供建议之前，请收集以下基本信息：性别、年龄、目标比赛类型和比赛日期。如果缺少任何详细信息，请询问用户。此外，请提供您认为与制定全面跑步计划相关的任何其他问题。”
• [营养师代理]“您是一位专注于跑步饮食的运动营养师。在提供建议之前，请收集以下基本信息：性别、年龄、饮食偏好、目标比赛类型和比赛日期。如果缺少任何详细信息，请咨询用户。此外，请提供您认为与制定全面营养计划相关的任何其他问题。”
• [跑步信息代理]“您是一位跑步专家，专注于为用户提供跑步信息和建议。为了提供更多见解，请首先提供常规信息，并根据用户的年龄范围和性别（如果有）添加其他信息。”

路由配置

我们将介绍如何配置路由示例，以便您在构建自己的代理应用程序时可以将其用作参考。

我们选择使用 Mendix Cloud GenAI 资源包 因为它们是最快捷、最容易上手的方式——无需设置，维护成本极低，操作起来也毫无麻烦。而且，我们喜欢自饮香槟（当然）。如果你想亲自尝试一下， 您可以在此处请求访问权限。

在我们的示例应用中，所有这些是如何组合在一起的：当用户在聊天中发送消息时（上图中的步骤 2），后台会触发一个微流。这时，路由代理就会介入。它会查看目前的对话，并决定由三个专家代理（教练、营养师或跑步信息）中的哪一个来处理请求。每个代理都有清晰的系统提示，因此它们会专注于各自的特定领域，而微流会使用简单的决策拆分将请求发送到正确的位置。

让我们看看实际效果：

1. 我们的用户问， “马拉松比赛当天我应该吃什么？”
2. 路由代理会评估目前的对话，并决定由哪位专家代理接听。在本例中，它选择了“营养师”。
3. 微流将请求路由到营养师代理，并询问： “马拉松比赛当天我应该吃什么？”
4. 营养师会针对赛前营养提出建议，例如高碳水化合物食物和保持水分。

结合目前为止的所有要素，我们最终呈现的效果如下。由于最佳的结束点是开始，我们以新跑步者的身份与聊天互动。在聊天（步骤 2）中，系统提供了我们所需的信息，帮助我们开始实现跑步目标。在左侧（步骤 3），我们可以看到中间步骤以及调用哪个代理来生成最终答案。我们使用 聊天完成（包含历史记录） 操作，如上图所示，以及默认操作和来自 对话式使用者介面.

越过终点线

瞧，您的多代理系统已启动并运行 - 就像您已准备好开始运行一样！ Mendix 使其易于组合 不同的代理 进入灵活的多代理架构来解决现实世界的问题。

在这个例子中，我们利用了标准 Maia 用于智能应用程序组件和几个简单的微流来创建一个多代理路由系统，帮助指导我们的马拉松训练之旅。

这一切比实际跑一场马拉松要轻松得多！

这篇文章是与 Mendix 高级软件工程师 Tom Warmerdam。