Oltre alle istruzioni generali per l'utilizzo di un agente,
questa pagina descrive le funzionalità specifiche di AG2Agent
.
Prima di iniziare
Questo tutorial presuppone che tu abbia letto e seguito le istruzioni riportate in:
- Sviluppa un agente AG2: per sviluppare
agent
come istanza diAG2Agent
. - Autenticazione utente per l'autenticazione come utente per interrogare l'agente.
- Importa e inizializza l'SDK per inizializzare il client per ottenere un'istanza di cui è stato eseguito il deployment (se necessario).
Recupera un'istanza di un agente
Per eseguire una query su un AG2Agent
, devi prima
creare una nuova istanza o
recuperare un'istanza esistente.
Per ottenere l'AG2Agent
corrispondente a un ID risorsa specifico:
SDK Vertex AI per Python
Esegui questo codice:
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)
dove
PROJECT_ID
è l'ID progetto Google Cloud in cui sviluppi e implementi gli agenti.LOCATION
è una delle regioni supportate.RESOURCE_ID
è l'ID dell'agente di cui è stato eseguito il deployment come risorsareasoningEngine
.
Libreria delle richieste Python
Esegui questo codice:
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 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
Quando utilizzi l'SDK Vertex AI per Python, l'oggetto agent
corrisponde a una
classe AgentEngine
che contiene quanto segue:
- un
agent.api_resource
con informazioni sull'agente di cui è stato eseguito il deployment. Puoi anche chiamareagent.operation_schemas()
per restituire l'elenco delle operazioni supportate dall'agente. Per maggiori dettagli, vedi Operazioni supportate. - un
agent.api_client
che consente interazioni di servizio sincrone - un
agent.async_api_client
che consente interazioni di servizio asincrone
Il resto di questa sezione presuppone che tu abbia un'istanza AgentEngine
denominata agent
.
Operazioni supportate
Per AG2Agent
sono supportate le seguenti operazioni:
query
: per ottenere una risposta a una query in modo sincrono.
Il metodo query
supporta gli argomenti:
input
: il messaggio da inviare all'agente.max_turns
: il numero massimo di turni di conversazione consentiti. Quando utilizzi gli strumenti, sono necessari almenomax_turns=2
: un turno per generare gli argomenti dello strumento e un secondo per eseguire lo strumento.
Interrogare l'agente
Il metodo query()
offre un modo semplificato per interagire con l'agente. Una chiamata tipica ha il seguente aspetto:
response = agent.query(input="What is the exchange rate from US dollars to Swedish currency?", max_turns=2)
Questo metodo gestisce la comunicazione sottostante con l'agente e restituisce la risposta finale dell'agente come dizionario. È equivalente al seguente (in 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
)
Puoi personalizzare il comportamento dell'agente oltre a input
e max_turns
passando argomenti di parole chiave aggiuntivi 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
documentazione di ConversableAgent.run
per un elenco completo dei parametri disponibili. Tuttavia, tieni presente che
user_input
verrà sempre sostituito da False
dal modello AG2Agent
.
Passaggi successivi
- Utilizzare un agente.
- Valuta un agente.
- Gestisci gli agenti di cui è stato eseguito il deployment.
- Richiedere assistenza.