Multi-agent结合MCP已经成为非常明确的新一轮发展趋势，但日常工作发现，很多刚接触的小伙伴还在受“如何编写一个能完成自己预期需求的prompt”这一需求而感到困扰。那么结合Multi-agent，我们不妨借助Trae来在不写一行代码的情况下，就能设计并实现一个多智能体合作完成prompt自动迭代生成的系统，Let’s do it!
不同于我们之前采用langroid的选型，本期我们将采用langchain，这里做出变更的原因主要在于langchain似乎大家使用的更为广泛，但在易用性上本文仍然推荐langroid，感兴趣的小伙伴可以参看我们前一系列中的内容。
- Multi-Agent: langchain（python）
- Agent 智能体
LLM部署（同前一系列）：
- 需所选定的Multi-agent框架支持，理论上流行的框架目前都支持类openai的接口方式来接入远程大模型，或者是本地部署的LLM模型，甚至是类似于coze这种直接选取即可。
- 考虑到本地部署模型无合规风险，query无额外限制（如速率限制），且免费，本项目以Ollama部署本地模型为例，进行展示。
- ollma使用 & ollma提供的模型列表
workflow
- 用户需求
- 包括用户想要设计一个什么样的prompt
- 针对这个想设计的prompt，用户需提供一个预期输入和相应的预期输出
- Main Agent
- 根据用户需求和预期输入输出，生成初始Prompt
- 根据反馈迭代Prompt，当超出最大迭代次数或当前调整后的prompt已达成需求，则输出最终prompt
- Validator Agent
- 读取prompt并加载，以预期输入为输入，得到实际输出，对比预期输出，输出Output差异
- Analysis Agent
- 分析Output差异，向Main Agent提出针对性的反馈调整意见
环境准备
- 部署本地LLM：
- 下载安装ollama
- pull下来模型，你可以按需选择
- 下载安装ollama
- 安装langchain，langgraph等相关依赖
requirements.txt为当前项目依赖的python lib信息，如下：
Coding
IDE：Trae 或 Trae CN 本文兼具使用Trae的Builder和Chat模式，受限于对话记录较长，此处仅展示部分示例：
- 最初始的需求：
- 迭代：
以下让我们以代码形式来解读最终Trae生成的本文框架：
1.创建工作流：首先让我们按照上述方案设计里的workflow来创建一个工作流
2.实现工作流中的关键节点：
- generate_prompt(对应MainAgent)：
- validate_prompt（对应validatorAgent）：
- generate_feedback（对应AnalysisAgent）：
- check_completion(用来检查迭代后的prompt是不是ok，或者超过最大迭代次数了)：
3.实现关键Agent处理逻辑：
- Main Agent：
- Validator agent：
- Analysis agent:(上述validator agent主要调用analysis agent来识别差异)
- Feedback agent：
4.设计main函数入口，接收用户诉求和预期输入输出，启动整个多agent合作的workflow：
感觉还行小伙伴们可以试试
配合上MCP/Function Calling以及RAG，大有可为哦~冲!冲!冲!
喜欢的话，请给个点赞三连哦(づ￣ 3￣)づ
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/243974.html原文链接：https://javaforall.net
