基于DeepSeek+AutoGen的智能体协作系统详解

创作时间:

作者:

@小白创作中心

基于DeepSeek+AutoGen的智能体协作系统详解

引用

CSDN

https://deepseek.csdn.net/67b5227b7f924c31be0d9e28.html

本文介绍了一种基于DeepSeek+AutoGen的智能体协作系统，通过三个角色（问题诊断工程师、自动化实现工程师和方案优化工程师）的协作，实现系统问题的诊断、自动化解决方案的开发和优化。

系统设计

系统设计包括三个角色：

sre_engineer_01 - 问题诊断与初步解决方案

职责：负责对系统问题进行初步诊断，分析问题症状，提供初步的排查步骤和解决方案。
能力：擅长手动执行命令，快速排查问题，提供临时解决方案。

sre_engineer_02 - 自动化实现与监控集成

职责：负责将初步解决方案转化为自动化脚本，并集成到监控系统中。
能力：擅长编写Python代码，实现自动化运维和监控集成。

sre_reflection - 方案优化与改进

职责：对现有方案进行反思和改进，提出优化建议。
能力：具备系统思维和创新能力，擅长从多维度优化方案。

实现细节

框架选择

选择微软的AutoGen框架作为实现基础。AutoGen提供了强大的多智能体协作能力，支持智能体之间的信息传递和任务分配。框架的核心组件包括：

UserProxyAgent：用户代理，负责发起任务。
AssistantAgent：智能体，负责执行任务并提供反馈。
GroupChat：多智能体协作的核心组件，管理智能体之间的消息传递和协作流程。

代码实现

以下是关键代码片段：

import argparse
import os
import autogen  # type: ignore
from typing import Any

# 设置环境变量，指定是否使用Docker
os.environ.setdefault("AUTOGEN_USE_DOCKER", "False")

# 配置DeepSeek模型参数
llm_config_deepseek = {
    "model": "deepseek-v3",  # 此处以 deepseek-v3 为例，可按需更换模型名称。
    "api_key": os.getenv("DASHSCOPE_API_KEY"),
    "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
    "temperature": 0.5,
    "stream": False
}

# 初始化器：负责任务分配和流程初始化
initializer = autogen.UserProxyAgent(
    name="initializer",
    system_message="""你是一个流程初始化器，负责将任务分配给合适的SRE工程师，并确保任务流程顺利进行。""",
)

# SRE工程师1：负责问题诊断和初步解决方案
sre_engineer_01 = autogen.AssistantAgent(
    name="sre_engineer_01",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于问题解决的 SRE 资深工程师，具备以下特质：
    技术专长：
- 精通 Linux/Unix 系统管理和故障排查
- 熟悉容器技术和 Kubernetes 生态系统
- 深入理解分布式系统和微服务架构
- 掌握主流监控、日志和追踪工具
- 具备网络、存储、数据库等基础设施维护经验
    行为准则：
- 专注于问题诊断和初步解决方案
- 提供详细的排查步骤和解决方案
- 输出完整的命令或代码
- 保持思路清晰，避免冗余信息
    """,
)

# SRE工程师2：负责自动化实现和监控集成
sre_engineer_02 = autogen.AssistantAgent(
    name="sre_engineer_02",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于自动化实现的 SRE 资深工程师，具备以下特质：
    技术专长：
- 精通自动化运维工具和脚本开发
- 熟悉监控系统集成和报警策略配置
- 掌握CI/CD pipeline设计与实现
- 深入理解自动化运维最佳实践
    行为准则：
- 负责将初步解决方案转化为自动化脚本
- 集成监控和报警系统
- 确保方案的可维护性和可扩展性
- 输出完整的自动化实现方案
    """,
)

# SRE反思工程师：负责方案优化和改进
sre_reflection = autogen.AssistantAgent(
    name="sre_reflection",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于方案优化的 SRE 资深工程师，具备以下特质：
    技术专长：
- 深入理解系统可靠性工程
- 熟悉容量规划和性能优化
- 掌握故障恢复和应急响应机制
- 精通系统改进和迭代方法
    行为准则：
- 对现有方案进行多维度评估
- 提出优化建议和改进方案
- 确保方案的高可用性和可维护性
- 输出完整的优化建议报告
    """,
)

# 定义协作流程图
graph_dict = {
    initializer: [sre_engineer_01],
    sre_engineer_01: [sre_engineer_02],
    sre_engineer_02: [sre_reflection],
    sre_reflection: [],  # 最终节点，任务结束
}

# 创建所有代理
agents = [
    initializer,
    sre_engineer_01,
    sre_engineer_02,
    sre_reflection,
]

# 初始化组聊天
group_chat = autogen.GroupChat(
    agents=agents,
    messages=[],
    max_round=10,
    allowed_or_disallowed_speaker_transitions=graph_dict,
    speaker_transitions_type="allowed",
)

# 创建管理器
manager = autogen.GroupChatManager(groupchat=group_chat, llm_config=llm_config_deepseek)

def main():
    # 解析命令行参数
    parser = argparse.ArgumentParser(description="Process some integers.")
    parser.add_argument('--message', type=str, default="磁盘100%，服务器上找不到对应的文件，排查思路？", help='The message to initiate the chat')
    args = parser.parse_args()

    # 发起任务
    initializer.initiate_chat(
        manager,
        message=args.message,
        clear_history=False,
    )

if __name__ == "__main__":
    main()