Kolaborasi multi-agen - AWS Bimbingan Preskriptif
DeskripsiKemampuanKasus penggunaan umumPanduan implementasiRingkasanKesimpulanTakeaways

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Kolaborasi multi-agen

Kolaborasi multi-agen mengacu pada pola di mana beberapa agen otonom, masing-masing dengan peran, spesialisasi, atau tujuan yang berbeda, bernegosiasi untuk menyelesaikan tugas-tugas yang kompleks. Agen ini dapat beroperasi secara independen atau dengan agen lain dengan berbagi informasi, membagi tanggung jawab, dan secara kolektif beralasan menuju suatu tujuan.

Pola ini berbeda dari agen alur kerja, yang secara terpusat mengoordinasikan dan mendelegasikan tugas ke agen bawahan dalam alur terstruktur. Sebaliknya, kolaborasi multi-agen menekankan peer-to-peer atau muncul koordinasi dengan memungkinkan adaptivitas, paralelisme, dan pembagian kognisi. Tabel berikut membandingkan kolaborasi multi-agen dengan agen alur kerja:

Fitur

Agen alur kerja

Tujuan

Kontrol

Koordinator terpusat

Rekan-rekan yang terdesentralisasi, didistribusikan, atau berbasis peran

Interaksi

Satu agen mendelegasikan dan melacak eksekusi

Beberapa agen bernegosiasi, berbagi, dan beradaptasi

Desain

Urutan tugas yang telah ditentukan

Distribusi tugas yang muncul dan fleksibel

Koordinasi

Orkestrasi prosedural

Interaksi kooperatif atau kompetitif

Kasus penggunaan

Otomatisasi proses perusahaan

Penalaran kompleks, eksplorasi, dan strategi yang muncul

Arsitektur

Diagram berikut menunjukkan kolaborasi multi-agen:

Kolaborasi multi-agen.

Deskripsi

  1. Memulai tugas

    • Pengguna atau sistem memancarkan tujuan atau masalah tingkat tinggi.

    • Agen “manajer” atau konteks awal mendefinisikan tujuan.

  2. Menetapkan atau menemukan peran

    • Agen menugaskan sendiri (logika simbolis atau penalaran) atau didelegasikan (broker acara) ke peran lain, seperti perencana, peneliti, pelaksana, kritikus, atau penjelasan.

  3. Berkomunikasi dengan agen lain

    • Agen berkomunikasi melalui memori bersama, antrian pesan, atau rantai cepat.

    • Mereka mungkin berdebat, menanyakan, atau mengusulkan subtugas satu sama lain.

  4. Menggunakan penalaran khusus

    • Setiap agen menggunakan model atau logika domainnya sendiri untuk memecahkan bagian masalahnya.

    • Agen dapat digunakan LLMs dengan petunjuk dan memori khusus peran.

  5. Mengkoordinasikan output atau tujuan

    • Agen mensintesis kontribusi menjadi jawaban akhir, rencana, atau tindakan.

    • (Opsional) Agen pengawas dapat memvalidasi atau meringkas output yang disintesis.

Kemampuan

  • Agen tingkat sebaya dengan peran atau keterampilan khusus

  • Perilaku yang muncul melalui komunikasi atau negosiasi

  • Pemrosesan paralel masalah kompleks atau multifaset

  • Mendukung musyawarah, koreksi diri, dan iterasi reflektif

  • Model dinamika sosial, kolaborasi ilmiah, atau peran tim perusahaan

Kasus penggunaan umum

  • Tim peneliti otonom (agen pencarian, peringkas, dan validator)

  • Pengembangan perangkat lunak (perencana, pembuat kode, dan penguji)

  • Pemodelan skenario bisnis (keuangan, kebijakan, dan kepatuhan)

  • Negosiasi, penawaran, atau penalaran multipihak

  • Tugas multimodal (gambar, teks, dan logika)

Panduan implementasi

Anda dapat membangun sistem multi-agen menggunakan alat-alat berikut dan Layanan AWS:

Komponen

Layanan AWS

Tujuan

Agen hosting

Batuan Dasar Amazon, Amazon SageMaker, AWS Lambda

Tuan rumah agen yang digerakkan oleh LLM individu

Lapisan komunikasi

Amazon SQS, Amazon, EventBridge AWS AppFabric

Pesan dan koordinasi antar agen

Memori bersama

Amazon DynamoDB, Amazon S3, atau OpenSearch

Memori multi-agen atau sistem papan tulis

Lapisan orkestrasi

AWS Step Functions, AWS Lambda jaringan pipa

Logika kickoff, timeout, fallback, dan coba lagi

Identifikasi agen

Agen Amazon Bedrock (ditentukan peran), dan AWS AppConfig Amazon Bedrock converse API (agen di luar Amazon Bedrock)

Alat berbasis peran atau pemanggilan agen dan penegakan batas

Interaksi yang muncul

EventBridge Saluran pipa Amazon atau pendaftar agen

Aktifkan perutean tugas dinamis atau eskalasi

Ringkasan

Kolaborasi multi-agen mendistribusikan tugas pemecahan masalah di seluruh agen modular yang digerakkan oleh peran. Tidak seperti orkestrasi alur kerja, pola kolaborasi menggunakan kecerdasan, ketahanan, dan skalabilitas yang muncul yang mencerminkan bagaimana manusia memecahkan masalah. Ini sangat berharga untuk domain terbuka, tugas kreatif, penalaran multimodal, dan lingkungan yang mendapat manfaat dari beragam perspektif.

Kesimpulan

Pola yang dibahas sebelumnya menggambarkan pendekatan dasar untuk implementasi AI agen di dunia nyata. Dari penalaran dasar hingga kecerdasan yang ditambah memori, setiap pola dikonfigurasi secara unik untuk persepsi, kognisi, dan tindakan yang didasarkan pada otonomi, asinkron, dan agensi.

Pola-pola ini berbagi kosakata dan cetak biru teknis untuk membangun sistem yang cerdas dan diarahkan pada tujuan. Apakah pola disematkan dalam antarmuka pengguna, diatur melalui layanan cloud, atau dikoordinasikan di seluruh tim agen, setiap pola dapat disesuaikan dan modular.

Takeaways

  • Pola agen dapat dikomposisi — Sebagian besar agen dunia nyata memadukan dua atau lebih pola (misalnya, agen suara dengan penalaran dan memori berbasis alat).

  • Desain agen bersifat kontekstual — Pilih pola berdasarkan permukaan interaksi, kompleksitas tugas, toleransi latensi, dan kendala khusus domain.

  • AWSimplementasi asli dapat dicapai — Dengan Amazon Bedrock SageMaker, Amazon,, AWS Lambda, dan arsitektur berbasis peristiwa AWS Step Functions, setiap pola agen dapat dikirimkan dalam skala besar.