sind Stadtgespräch. Wir sehen sie überall, sogar wenn sie für die einfachsten Aufgaben auf unseren Telefonen verwendet werden. Sie sind bequem, schnell und ziemlich zuverlässig und helfen uns, uns im Alltag zurechtzufinden. Wenn Sie eine einfache Erklärung eines wissenschaftlichen Konzepts wünschen, fragen Sie ChatGPT. Sie möchten einen Leitfaden für den Ernährungsplan Ihres wählerischen Kleinkindes, additionally fragen Sie AI. Sogar die Planung Ihrer kompletten Reise kann an AI delegiert werden. Und genau das werden wir in diesem Tutorial tun (bleiben Sie dran!).
Wir kennen uns mit KI-Agenten aus, aber was wäre, wenn wir unterschiedliche KI-Agenten für unterschiedliche Rollen in einem größeren Projekt erstellen und verwenden könnten? Hier kommt das Konzept des Multiagentensystems ins Spiel. Da KI-Anwendungen immer fortschrittlicher werden, bewegen wir uns von einzelnen KI-Modellen, die einfache Fragen beantworten und unkomplizierte Aufgaben erledigen, zu Systemen, in denen mehrere KI-Agenten zusammenarbeiten, um komplexe Probleme zu lösen. A Multiagentensystem (MAS) ist ein Konzept, bei dem mehrere KI-Agenten zusammenarbeiten, um ein größeres Ziel zu erreichen. Jeder von ihnen hat eine spezifische Rolle, die zum endgültigen Ziel führt, und sie erreichen dieses durch gegenseitige Zusammenarbeit.
Ein Multi-Agent-Reiseplanungssystem
In diesem Projekt werden wir ein Multi-Agent-Reiseplanungssystem aufbauen. Im Grunde genommen werden wir statt nur einem KI-Agenten, der unsere Reisen plant, ein Group von KI-Agenten haben, jeder mit einer bestimmten Rolle, und sie werden zusammenarbeiten, um den perfekten Reiseplan für uns zu erstellen!
Wir können uns ein Multi-Agent-Reiseplanungssystem wie ein echtes Reisebüro vorstellen. Anstelle einer einzelnen Particular person, die sich um alles kümmert, werden verschiedene Experten je nach Fachwissen unterschiedliche Aufgaben erledigen und zusammenarbeiten. Für unseren KI-Reiseplaner werden wir die folgenden Agenten haben:
- Reiseforschungsagent: Dieser Agent führt die Rechercheaufgaben durch. Es erkundet das Ziel, das der Kunde besuchen möchte, und findet Sehenswürdigkeiten, versteckte Orte, lokale Erlebnisse, Reisetipps usw. Es sammelt die grundlegenden Informationen, die für die Planung der Reise erforderlich sind.
- Aktivitätsplanungsagent: Dieser Agent plant Aktivitäten auf der Grundlage der Forschung des Forschungsagenten. Es liegt an Ihnen, zu entscheiden, welchen Ort Sie wann besuchen, welche Aktivitäten Sie unternehmen und wie Sie die gesamte Reise organisieren möchten!
- Budgetagent: Dieser Agent ist für die ordnungsgemäße Budgetierung verantwortlich. Es analysiert den vom Aktivitätsplanungsagenten geteilten Plan und teilt die erwarteten Kosten, erschwinglichen Optionen und Tipps zum Geldsparen mit und hilft dabei, die Reise an das Finances des Kunden anzupassen.
- Abschließender Reiseassistent: Abschließend kombiniert der endgültige Reiseassistent die Ergebnisse aller drei Agenten: Recherche, Aktivitätenplan und Finances, und erstellt einen einfachen, personalisierten Reiseplan!
So sieht der allgemeine Arbeitsablauf des gesamten Projekts aus:
Wir werden dieses Projekt in Python mit der PyCharm-IDE erstellen. Dies ist ein Python-Projekt für mittleres Niveau, das ein grundlegendes Verständnis von KI-Agenten in Python sowie Vorkenntnisse in objektorientierter Programmierung erfordert, da wir Klassen erstellen werden. Wenn Sie neu bei Python und Agentic AI sind, können Sie über den folgenden Hyperlink auf mein einsteigerfreundliches AI Agent-Tutorial zugreifen:
Der ultimative Leitfaden für Anfänger zum Erstellen eines KI-Agenten in Python
Wenn Sie mehr über Python OOP erfahren möchten, können Sie die folgenden Artikel lesen, in denen ich eine Kaffeemaschine in Python erstellt und dann im nächsten Tutorial das Konzept von OOP verwendet habe, um den Code zu optimieren:
Implementierung der Kaffeemaschine in Python
Implementierung des Kaffeemaschinenprojekts in Python mithilfe objektorientierter Programmierung
Alle diese Artikel vermitteln Ihnen ein grundlegendes Verständnis des Python-Codes und helfen Ihnen wiederum, den Code zu verstehen, der zu diesem interessanten Projekt gehört. Beginnen wir mit der Codierung des Projekts!
Erstellen des Projekts
Als Erstes erstellen Sie den Projektordner in PyCharm (oder einer IDE Ihrer Wahl) und benennen das Projekt „Multi Agent System“ (oder einen anderen Namen Ihrer Wahl).
Installieren und Importieren der Python-Pakete
Sobald der Projektordner erstellt ist, erstellen Sie ein „essential.py”-Datei, in der wir unsere Codierung durchführen werden. Installieren Sie OpenAI im Terminal und importieren Sie es dann in Ihre Codierungsdatei.
pip set up openai
from openai import OpenAIPython mit dem KI-Modell verbinden
Damit unser Programm mit OpenAI kommunizieren und den Code verarbeiten kann, müssen wir es mit der KI-Plattform verbinden. In unserem Fall verwenden wir OpenRouter.ai und fügen seine URL hinzu. Wir werden auch den API-Schlüssel zu unserem Code hinzufügen und ihn im speichern api_key Variable. Dieser API-Schlüssel gibt unserem Programm die erforderliche Berechtigung zur Verwendung von KI-Modellen. Wir erstellen einen Consumer, der mithilfe des von uns erstellten API-Schlüssels mit dem KI-Modell kommuniziert:
shopper = OpenAI(
base_url="https://openrouter.ai/api/v1",
api_key="YOUR API KEY"
)Sobald Sie einen API-Schlüssel in OpenRouter.ai erstellt haben, geben Sie den Schlüssel nicht an Dritte weiter. Fügen Sie ihn einfach anstelle von „IHR API-SCHLÜSSEL“ hinzu.
Erstellen der Agentenklasse
Jetzt kommt der Teil der Codierung der KI-Agenten. Da wir nicht nur einen oder zwei Agenten erstellen, werden wir nicht direkt programmieren. Vielmehr werden wir das Konzept von OOP verwenden und eine Klasse (oder, um es einfach auszudrücken, einen Entwurf) der Agentenkategorie erstellen und diesen Entwurf dann verwenden, um jeden einzelnen Agenten im Voraus zu erstellen. Der Agent speichert den Namen, der den Agenten identifiziert, und die Rolle, die AI mitteilt, wie sich der Agent verhalten soll. Darüber hinaus werden wir auch einen Funktionslauf erstellen, der unseren KI-Agenten die Möglichkeit gibt, zu arbeiten, additionally Aufgaben an das KI-Modell zu senden.
class Agent:
def __init__(self, identify, function):
self.identify = identify
self.function = function
def run(self, activity):
print(f"{self.identify} is working...")
response = shopper.chat.completions.create(
mannequin="gpt-4.1-mini",
messages=(
{
"function": "system",
"content material": self.function
},
{
"function": "consumer",
"content material": activity
}
),
max_tokens=1200
)
return response.selections(0).message.content materialDer obige Code sendet die folgenden zwei Dinge an das KI-Modell (das wir auch angegeben haben):
- Der Job/die Rolle des jeweiligen Agenten
- Die Benutzernachricht, die als Eingabe des Benutzers verwendet wird (wie Sie später sehen werden)
Wir erhalten die AI-Antwort von diesem Codeblock mit dem folgenden Code zurückgegeben return response.selections(0).message.content material. Diese Return-Anweisung extrahiert die vom Agenten generierte Antwort (wenn Sie Schwierigkeiten haben, diesen Code zu verstehen, lesen Sie meinen Artikel zum AI Agent-Einsteigerleitfaden, der am Anfang dieses Artikels verlinkt ist).
Agentenobjekte erstellen
Nachdem wir nun unsere Agentenklasse erstellt haben, werden wir diesen Entwurf verwenden, um unsere individuellen KI-Agenten zu erstellen. Der folgende Code verwendet das OOP-Konzept zum Erstellen von Agentenobjekten, nämlich:
- Forschungsagent
- Aktivitätsagent
- Budgetagent
- Letzter Agent
research_agent = Agent(
"Analysis Agent",
"""
You might be an knowledgeable journey researcher.
Your job:
- Discover standard sights
- Discover hidden gems
- Counsel native experiences
- Advocate greatest locations
"""
)
activity_agent = Agent(
"Exercise Planner Agent",
"""
You're a skilled journey planner.
Your job:
- Create day by day actions
- Plan sightseeing
- Advocate meals experiences
- Set up actions logically
"""
)
budget_agent = Agent(
"Finances Agent",
"""
You're a journey finances knowledgeable.
Calculate:
- Estimated flight price
- Visa necessities
- Visa charges if wanted
- Resort price
- Meals bills
- Transport price
- Exercise prices
Create an approximate complete journey finances.
Preserve response quick.
"""
)
final_agent = Agent(
"Last Journey Assistant",
"""
You're a skilled journey planner.
Create the ultimate itinerary.
Embody:
1. Brief journey overview
2. Visa info
3. Estimated flight price
4. Day-wise plan
5. Meals solutions
6. Complete estimated finances
Preserve all the things underneath 700 phrases.
"""
)Dieser Code erstellt einzelne KI-Agenten mit spezifischen Rollen, wie im Code erwähnt. Die Rolle sagt dem KI-Modell, wie es sich verhalten und auf welche Aufgabe es sich konzentrieren soll.
Benutzereingabe
Die nächste Aufgabe besteht darin, die Eingaben des Benutzers einzuholen. Wir werden dem Benutzer folgende Fragen stellen:
- Woher fliegen sie?
- Dorthin fliegen sie
- Anzahl der Reisetage
- Anzahl der Reisenden
- Interessen
#Get Person Journey Particulars
starting_location = enter(
"The place are you flying from? "
)
vacation spot = enter(
"The place do you wish to journey? "
)
days = enter(
"What number of days is your journey? "
)
vacationers = enter(
"What number of vacationers? "
)
finances = enter(
"What's your finances? (low/medium/excessive) "
)
pursuits = enter(
"What are your pursuits? "
)Erstellen der Benutzeranfrage
Nachdem wir über die Eingabeanweisungen Informationen vom Benutzer gesammelt haben, kombinieren wir alles in einer einzigen Eingabeaufforderung und übergeben sie an die KI-Agenten.
# Create request for AI brokers
user_request = f"""
Create a journey plan with these particulars:
Flying From:
{starting_location}
Vacation spot:
{vacation spot}
Journey Period:
{days} days
Variety of Vacationers:
{vacationers}
Finances Stage:
{finances}
Pursuits:
{pursuits}
Embody:
- Visa necessities
- Estimated flight price
- Locations to go to
- Actions
- Meals suggestions
- Complete estimated finances
"""
print("nCreating your AI journey plan...n")Während die KI im Backend läuft, drucken wir die Aussage „Erstellen Ihres KI-Reiseplans“, damit der Benutzer weiß, dass der Prozess läuft und die Agenten mit der Arbeit begonnen haben.
Multi-Agent-Workflow
Nachdem wir nun die Benutzeranfrage erstellt und ihr alle vom Benutzer entnommenen Particulars angegeben haben, können wir nun das Multiagentensystem zum Laufen bringen. Jeder Agent erledigt eine Aufgabe und gibt das Ergebnis an den nächsten Agenten weiter.
Die Reisedaten des Benutzers werden zunächst an den Analysis Agent gesendet. Dieser Agent bittet das KI-Modell, die besten Sehenswürdigkeiten, lokalen Erlebnisse und Reiseinformationen zu finden. Das Ergebnis wird in der Forschung gespeichert. Der Forschungsoutput wird zum Enter für den Aktivitätsagenten. Es wandelt Reiseinformationen in tägliche Aktivitäten, Besichtigungspläne und Essensideen um. Das Ergebnis wird in Aktivitäten gespeichert. Dann kommt der Budgetagent, der die geplanten Aktivitäten entgegennimmt und die Kosten für Flüge, Visa, Resorts, Transport usw. schätzt. Das Ergebnis wird in gespeichert finances. Der endgültige Reisevermittler erhält Informationen von allen vorherigen Reisevermittlern und fügt alles zu einem vollständigen Reiseplan zusammen, der dann an den Benutzer ausgegeben wird.
#Multi-Agent Workflow
#Agent 1 researches vacation spot
analysis = research_agent.run(
user_request
)
print("n--- Analysis Accomplished ---")
#Agent 2 creates actions
actions = activity_agent.run(
analysis
)
print("n--- Actions Deliberate ---")
#Agent 3 calculates finances
finances = budget_agent.run(
actions
)
print("n--- Finances Created ---")
#Agent 4 creates last itinerary
final_plan = final_agent.run(
f"""
Analysis:
{analysis}
Actions:
{actions}
Finances:
{finances}
Create last journey plan.
"""
)
print("n==========================")
print(" FINAL TRAVEL PLAN")
print("==========================n")
print(final_plan)Ausführen des Codes
Wenn Sie den Code ausführen, können Sie sehen, wie das Programm Benutzereingaben anfordert. Sie können Ihre spezifischen Angaben hinzufügen und die Fragen beantworten. Auf der Grundlage dieser Antworten erstellt das AI-Agententeam Ihren Reiseplan.
"C:UsersMahnoor JavedPycharmProjectsMulti Agent System.venvScriptspython.exe" "C:UsersMahnoor JavedPycharmProjectsMulti Agent Systemmain.py"
The place are you flying from? islamabad
The place do you wish to journey? istanbul
What number of days is your journey? 3
What number of vacationers? 4
What's your finances? (low/medium/excessive) $4k
What are your pursuits? child frinedly
Creating your AI journey plan...
Analysis Agent is working...
--- Analysis Accomplished ---
Exercise Planner Agent is working...
--- Actions Deliberate ---
Finances Agent is working...
--- Finances Created ---
Last Journey Assistant is working...
==========================
FINAL TRAVEL PLAN
==========================
### 3-Day Household-Pleasant Itinerary: Islamabad to Istanbul
---
#### Journey Overview
Uncover Istanbul’s charming mix of historical past, tradition, and family-friendly enjoyable on this 3-day journey from Islamabad. Discover iconic landmarks like Hagia Sophia and Topkapi Palace, dive into interactive experiences at Istanbul Aquarium and KidZania, and unwind in stunning parks and bustling bazaars. This itinerary balances cultural discovery with participating actions good for teenagers, making certain recollections for all the household.
---
#### Visa Info
- **For Pakistani Residents:** Turkish e-Visa required
- **Utility:** Apply on-line earlier than journey at (e-Visa Turkey official web site)
- **Value:** Approx. $50 per individual
- **Processing time:** Normally 24-48 hours
- **Tip:** Carry a printout or e-copy of the e-Visa throughout journey.
---
#### Estimated Flight Value
- **Route:** Islamabad (ISB) – Istanbul (IST) round-trip
- **Value:** $350 - $450 per individual in economic system class
- **For 4 vacationers:** Approx. $1,400 - $1,800 complete
- **Tip:** E book 2-3 months prematurely to safe higher offers.
---
### Day-wise Itinerary
**Day 1: Historic and Iconic Sights**
- **Morning:**
- Arrive Istanbul, switch and check-in at a family-friendly resort close to Sultanahmet.
- Go to **Hagia Sophia**, immersing within the grandeur of this iconic monument.
- Stroll to **Topkapi Palace**, exploring expansive gardens and kid-friendly areas.
- **Afternoon:**
- Loosen up and play at **Sultanahmet Sq.**; children get pleasure from ample open area.
- Hop on the nostalgic **Sultanahmet tram** for a captivating trip across the historic district.
- **Night:**
- Take pleasure in a **Bosphorus dinner cruise** that includes household leisure and child actions alongside scrumptious Turkish delicacies.
---
**Day 2: Interactive Enjoyable and Exploration**
- **Morning:**
- Go to **Istanbul Aquarium (Florya)** to see numerous marine life, contact swimming pools, and themed zones.
- Lunch at aquarium’s family-friendly café or close by **Discussion board Istanbul Mall**.
- **Afternoon:**
- Work together and play at **KidZania Istanbul** contained in the mall the place kids role-play professions and be taught by means of enjoyable.
- Take pleasure in mall playgrounds and snack breaks.
- **Night:**
- Attempt well-known **Maraş dondurma** (Turkish ice cream) with entertaining vendor exhibits.
- Leisurely mall or park stroll earlier than returning to resort.
---
**Day 3: Parks, Museums, Markets & Native Flavors**
- **Morning:**
- Picnic and playtime at **Gülhane Park** with pony rides for youngsters.
- Discover the **Rahmi M. Koç Museum** that includes interactive reveals together with autos, toys, and a submarine.
- **Afternoon:**
- Brief go to to the **Grand Bazaar** specializing in kid-friendly memento retailers.
- Pattern native avenue meals: **simit** (sesame bagels) and **gözleme** (savory crepes).
- **Night:**
- Dinner at **Çiya Sofrası** for delicate conventional dishes or attempt **Saray Muhallebicisi** for genuine Turkish desserts like sütlaç (rice pudding).
---
### Meals Recommendations
- **Çiya Sofrası (Kadıköy):** Genuine Turkish with kid-friendly choices
- **Saray Muhallebicisi:** Conventional desserts good for household treats
- **Midpoint/Cookshop:** Informal eating with worldwide and native menus appropriate for youngsters
- **Avenue Meals:** Attempt simit, lahmacun (Turkish pizza), and borek pastries at native distributors
---
### Estimated Finances (4 Individuals)
| Class | Estimated Value (USD) |
|---------------------------|-------------------------------|
| Flights (Spherical-trip) | $1,400 - $1,800 |
| Visa Charges | $200 |
| Lodging (3 nights) | $600 - $800 |
| Meals | $300 - $400 |
| Transport (Istanbulkart, taxis) | $100 |
| Entrance Charges & Actions| $300 |
| Miscellaneous | $200 |
| **Complete Estimate** | **~$3,100 - $3,800** |
*Be aware: Finances can differ relying on resort selection and eating preferences.*
---
### Extra Ideas
- E book tickets on-line prematurely for standard sights to skip queues.
- Buy an **Istanbulkart** for handy and discounted journey on public transport.
- Pack comfy sneakers and solar safety for youngsters.
- Go for lodging with household facilities and shut proximity to tram or metro stations in Sultanahmet or Beyoğlu districts.
- Many eating places present children’ menus and excessive chairs—ask beforehand.
---
Would you want customized resort suggestions and assist with reserving flights? Additionally, I can help you with native transport particulars or restaurant reservations. Simply let me know!
Course of completed with exit code 0
Das Obige ist die Ausgabe des Codes. Sie können sehen, wie individuell die Reiseroute ist!
Abschluss
In diesem Projekt haben wir unser Wissen über die Erstellung von KI-Agenten in Python erfolgreich genutzt, um etwas zu entwickeln, das praktisch ist und reale Anwendungen hat. So sehen reale Probleme aus: Wir haben bereits ein System in Betrieb, aber wir müssen es optimieren und effizienter machen, und das lässt sich leicht durch die Implementierung einiger grundlegender Konzepte bewerkstelligen.
Wir hätten diesen Reiseplaner mit einem einzigen KI-Agenten erstellen und ihn bitten können, alles zu erledigen. Durch die Schaffung eines Multi-Agenten-Methods haben wir jedoch die Arbeit auf spezialisierte Agenten aufgeteilt, die sich jeweils auf eine bestimmte Aufgabe konzentrieren. Dieser Ansatz macht das System organisierter, effizienter und näher an der Artwork und Weise, wie reale Groups Probleme lösen. Anstatt dass eine KI versucht, alles zu erledigen, arbeiten mehrere KI-Agenten zusammen, um ein besseres und personalisierteres Ergebnis für den Benutzer zu erzielen.
Durch das Hinzufügen von Speicher, externen Instruments, APIs und Echtzeitdaten können diese Agenten noch leistungsfähiger werden und komplexe reale Probleme lösen; ein Projekt für das nächste Mal!