多Agent协作入门：顺序编排模式

痕伯 · 8 小时前

大家好，我是Edison。
上一篇我们学习了Semantic Kernel中的并发编排模式，它非常适合并行分析、独立子任务并集成决策的任务场景。今天，我们学习新的模式：顺序编排。
顺序编排模式简介

在顺序编排模式中，各个Agent被组成一个流程，每个Agent都会处理任务，并将执行结果输出传递给下一个待执行的Agent。可以看出，对于每个基于上一步骤构建的工作流（Workflow）来说，这是比较适合的模式。
目前，像文档审阅、工作流、数据处理管道、多阶段推理等，是比较常见的应用场景。
下图展示了一个文档翻译的用例，文档先通过Agent1生成摘要，然后通过Agent2执行翻译，最后通过Agent3进行审阅和质量保证，最终生成最后的翻译结果。可以看到，每个Agent都在基于上一个步骤的处理结果进行构建，这就是一个典型的顺序编排用例。

实现顺序编排模式

这里我们来实现一个DEMO，我们定义3个Agent：分析师（Analyst）、广告文案写手（CopyWriter）和编辑/审稿人（Editor），假设他们是一个小Team，在承接广告文案的创作。
那么我们这个DEMO的目标，就是可以让他们可以来接客，只要客户分配一个广告文案创作的任务，它们就可以配合来生成最终的文案：首先由分析师分析要介绍产品的亮点和宣传思路，再由写手生成一个文案草稿，最后由审稿人进行评估给出最终文案，这就是一个典型的工作流处理。
为了简单地实现这个功能，我们创建一个.NET控制台项目，然后安装以下包：

Microsoft.SemanticKernel.Agents.Core
Microsoft.SemanticKernel.Agents.OpenAI (Preview版本）
Microsoft.SemanticKernel.Agents.Orchestration (Preview版本）
Microsoft.SemanticKernel.Agents.Runtime.InProcess (Preview版本）

复制代码

需要注意的是，由于Semantic Kernel的较多功能目前还处于实验预览阶段，所以建议在该项目的csproj文件中加入以下配置，统一取消警告：

<PropertyGroup>
<NoWarn>$(NoWarn);CA2007;IDE1006;SKEXP0001;SKEXP0110;OPENAI001</NoWarn>
</PropertyGroup>

复制代码

创建一个appsettings.json配置文件，填入以下关于LLM API的配置，其中API_KEY请输入你自己的：

{
"LLM": {
"BASE_URL": "https://api.siliconflow.cn",
"API_KEY": "******************************",
"MODEL_ID": "Qwen/Qwen2.5-32B-Instruct"
}
}

复制代码

这里我们使用SiliconCloud提供的 Qwen2.5-32B-Instruct 模型，你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW 获取大量免费的Token来进行本次实验。
有了LLM API，我们可以创建一个Kernel供后续使用，这也是老面孔了：

Console.WriteLine("Now loading the configuration...");
var config = new ConfigurationBuilder()
.AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true)
.Build();
Console.WriteLine("Now loading the chat client...");
var chattingApiConfiguration = new OpenAiConfiguration(
config.GetSection("LLM:MODEL_ID").Value,
config.GetSection("LLM:BASE_URL").Value,
config.GetSection("LLM:API_KEY").Value);
var openAiChattingClient = new HttpClient(new OpenAiHttpHandler(chattingApiConfiguration.EndPoint));
var kernel = Kernel.CreateBuilder()
.AddOpenAIChatCompletion(chattingApiConfiguration.ModelId, chattingApiConfiguration.ApiKey, httpClient: openAiChattingClient)
.Build();

复制代码

接下来，我们就一步一步地来看看核心的代码。
定义3个Agent

这里我们来定义3个Agent：Analyst，Writer，Editor
（1）Analyst 分析师

var analystAgent = new ChatCompletionAgent()
{
Name = "Analyst",
Instructions = """
You are a marketing analyst. Given a product description, identify:
- Key features
- Target audience
- Unique selling points
""",
Description = "A agent that extracts key concepts from a product description.",
Kernel = kernel
};

复制代码

（2）Writer 文案写手

var writerAgent = new ChatCompletionAgent()
{
Name = "CopyWriter",
Instructions = """
You are a marketing copywriter. Given a block of text describing features, audience, and USPs,
compose a compelling marketing copy (like a newsletter section) that highlights these points.
Output should be short (around 150 words), output just the copy as a single text block.
""",
Description = "An agent that writes a marketing copy based on the extracted concepts.",
Kernel = kernel
};

复制代码

（3）Editor 编辑/审稿人

var editorAgent = new ChatCompletionAgent()
{
Name = "Editor",
Instructions = """
You are an editor. Given the draft copy, correct grammar, improve clarity, ensure consistent tone,
give format and make it polished. Output the final improved copy as a single text block.
""",
Description = "An agent that formats and proofreads the marketing copy.",
Kernel = kernel
};

复制代码

选择编排模式

这里我们选择的是顺序编排模式：SequentialOrchestration，将需要编排的3个Agent作为参数传递给它。
需要注意的是：这里为了能够显示每个Agent的执行结果，我们定一个了一个自定义的回调方法 responseCallback，帮助显示每个Agent的输出记录供参考。

// Set up the Sequential Orchestration
ChatHistory history = [];
ValueTask responseCallback(ChatMessageContent response)
{
history.Add(response);
return ValueTask.CompletedTask;
}
var orchestration = new SequentialOrchestration(analystAgent, writerAgent, editorAgent)
{
ResponseCallback = responseCallback
};

复制代码

启动运行时

在Semantic Kernel中，需要运行时（Runtime）才能管理Agent的执行，因此这里我们需要在正式开始前使用InProcessRuntime并启动起来。

// Start the Runtime
var runtime = new InProcessRuntime();
await runtime.StartAsync();

复制代码

调用编排并收集结果

准备工作差不多了，现在我们可以开始调用编排了。这也是老面孔代码了，不过多解释。

// Start the Chat
Console.WriteLine("----------Agents are Ready. Let's Start Working!----------");
while (true)
{
Console.WriteLine("User> ");
var input = Console.ReadLine();
if (string.IsNullOrWhiteSpace(input))
continue;
input = input.Trim();
if (input.Equals("EXIT", StringComparison.OrdinalIgnoreCase))
{
// Stop the Runtime
await runtime.RunUntilIdleAsync();
break;
}
try
{
// Invoke the Orchestration
var result = await orchestration.InvokeAsync(input, runtime);
// Collect Results from multi Agents
var output = await result.GetValueAsync(TimeSpan.FromSeconds(10 * 2));
// Print the Results
Console.WriteLine($"{Environment.NewLine}# RESULT: {output}");
Console.WriteLine($"{Environment.NewLine}ORCHESTRATION HISTORY");
foreach (var message in history)
{
Console.WriteLine($"#{message.Role} - {message.AuthorName}:");
Console.WriteLine($"{message.Content.Replace("---", string.Empty)}{Environment.NewLine}");
}
}
catch (HttpOperationException ex)
{
Console.WriteLine($"Exception: {ex.Message}");
}
finally
{
Console.ResetColor();
Console.WriteLine();
}
}

复制代码

需要注意的是：上面的代码示例中我主动输出了编排过程中每个Agent的生成结果历史记录，便于我们一会儿查看。
效果展示

用户输入问题："

lease help to introduce our new product: An eco-friendly stainless steel water bottle that keeps drinks cold for 24 hours."
假设客户公司有一个新产品：一个环保的不锈钢水瓶，可以让饮料保持24小时的低温，需要帮忙创作一个广告文案。
最终经过3个Agent的顺序合作，结果显示如下：

可以看到，它们合作写出了一段适合宣传的广告文案。
那么，它们到底是如何合作的呢？刚刚我们主动输出了历史记录，可以看看：

可以看到，Agent1-分析师对产品介绍生成了很多关键卖点和受众群体的分析结果，Agent2-写手便基于分析结果写了一个文案草稿，最终Agent3-编辑对文案进行了审核，最终发布广告文案。
小结

本文介绍了顺序编排模式的基本概念，然后通过一个案例介绍了如何实现一个顺序编排模式，相信通过这个案例你能够有个感性的认识。
下一篇，我们将再次学习群聊编排模式，并通过自定义群组聊天管理器（GroupChatManager）来自定义群聊流程。
参考资料

Microsoft Learn: https://learn.microsoft.com/zh-cn/semantic-kernel/frameworks/agent/agent-orchestration
推荐学习

圣杰：《.NET+AI | Semantic Kernel入门到精通》

作者：爱迪生
出处：https://edisontalk.cnblogs.com
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册