Además de las instrucciones generales para usar un agente, en esta página, se describen las funciones específicas de AG2Agent
.
Antes de comenzar
En este instructivo, se supone que leíste y seguiste las instrucciones que se indican en los siguientes documentos:
- Develop an AG2 agent: Para desarrollar
agent
como una instancia deAG2Agent
- Autenticación del usuario para autenticarse como usuario y consultar al agente
- Importa e inicializa el SDK para inicializar el cliente y obtener una instancia implementada (si es necesario).
Obtén una instancia de un agente
Para consultar un AG2Agent
, primero debes crear una instancia nueva o obtener una instancia existente.
Para obtener el objeto AG2Agent
correspondiente a un ID de recurso específico, haz lo siguiente:
SDK de Vertex AI para Python
Ejecuta el siguiente código:
import vertexai
client = vertexai.Client( # For service interactions via client.agent_engines
project="PROJECT_ID",
location="LOCATION",
)
agent = client.agent_engines.get(name="projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID")
print(agent)
donde
PROJECT_ID
es el Google Cloud ID del proyecto en el que desarrollas y despliegas agentes.LOCATION
es una de las regiones admitidas.RESOURCE_ID
es el ID del agente implementado como un recursoreasoningEngine
.
Biblioteca de solicitudes de Python
Ejecuta el siguiente código:
from google import auth as google_auth
from google.auth.transport import requests as google_requests
import requests
def get_identity_token():
credentials, _ = google_auth.default()
auth_request = google_requests.Request()
credentials.refresh(auth_request)
return credentials.token
response = requests.get(
f"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID",
headers={
"Content-Type": "application/json; charset=utf-8",
"Authorization": f"Bearer {get_identity_token()}",
},
)
API de REST
curl \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines/RESOURCE_ID
Cuando se usa el SDK de Vertex AI para Python, el objeto agent
corresponde a una clase AgentEngine
que contiene lo siguiente:
- Un
agent.api_resource
con información sobre el agente implementado. También puedes llamar aagent.operation_schemas()
para devolver la lista de operaciones que admite el agente. Consulta Operaciones admitidas para obtener más detalles. - un
agent.api_client
que permite interacciones de servicio síncronas - un
agent.async_api_client
que permite interacciones de servicio asíncronas
En el resto de esta sección, se supone que tienes una instancia de AgentEngine
, llamada agent
.
Operaciones admitidas
Se admiten las siguientes operaciones para AG2Agent
:
query
: Para obtener una respuesta a una búsqueda de forma síncrona
El método query
admite los siguientes argumentos:
input
: Es el mensaje que se enviará al agente.max_turns
: Es la cantidad máxima de turnos de conversación permitidos. Cuando se usan herramientas, se requiere un mínimo demax_turns=2
: un turno para generar argumentos de herramientas y un segundo para ejecutar la herramienta.
Consulta al agente
El método query()
proporciona una forma simplificada de interactuar con el agente. Una llamada típica se ve de la siguiente manera:
response = agent.query(input="What is the exchange rate from US dollars to Swedish currency?", max_turns=2)
Este método controla la comunicación subyacente con el agente y devuelve la respuesta final del agente como un diccionario. Es equivalente a lo siguiente (en forma completa):
from autogen import ConversableAgent
import dataclasses
import json
input_message: str = "What is the exchange rate from US dollars to Swedish currency?"
max_turns: int = 2
with agent._runnable._create_or_get_executor(
tools=agent._ag2_tool_objects, # Use the agent's existing tools
agent_name="user", # Default
agent_human_input_mode="NEVER", # query() enforces this
) as executor:
chat_result = executor.initiate_chat(
agent._runnable,
message=input_message,
max_turns=max_turns,
clear_history=False, # Default
summary_method="last_msg" # Default
)
response = json.loads(
json.dumps(dataclasses.asdict(chat_result)) # query() does this conversion
)
Puedes personalizar el comportamiento del agente más allá de input
y max_turns
pasando argumentos de palabras clave adicionales a query()
.
response = agent.query(
input="What is the exchange rate from US dollars to Swedish currency?",
max_turns=2,
msg_to="user" # Start the conversation with the "user" agent
)
print(response)
Consulta la documentación de ConversableAgent.run
para obtener una lista completa de los parámetros disponibles. Sin embargo, ten en cuenta que la plantilla AG2Agent
siempre anulará user_input
y lo establecerá en False
.