Megjelent az AgentScope: nyílt forráskódú keretrendszer ReAct-alapú AI-ügynökök építéséhez

Az AgentScope telepítése a ReAct ügynökök és a saját eszköztár használatával egy lépésről lépésre bemutatott folyamat. A tutorial a Colab környezetben fut, először a szükséges csomagokat telepítik: agentscope, openai, pydantic és nest_asyncio. A felhasználó megadja az OpenAI API‑kulcsát, majd egy gpt‑4o‑mini modellt hoznak létre, amelyet a későbbi hívásokban használnak.

Az első szakasz egy alapmodellhívást mutat be: a felhasználó kérdezi, mi az AgentScope, és a modell egy mondatban válaszol. A válasz tokenhasználata is kiírásra kerül, így a felhasználó láthatja a költségek első jeleit. Ez a lépés biztosítja, hogy a modellválaszok helyesen kerülnek feldolgozásra az AgentScope által definiált Msg struktúrában.

Második részben definiálják a saját eszköztárukat: két tool‑függvény, a calculate_expression és a get_current_datetime. A calculate_expression egy szigorúan korlátozott eval‑környezetben fut, amely csak a matematikai függvényekhez és konstansokhoz enged hozzáférést. A get_current_datetime a megadott időzónában visszaadja a jelenlegi dátumot és időt. Mindkét eszközt a Toolkit objektumba regisztrálják, majd a toolkit automatikusan generál JSON‑sémákat, amelyeket az AgentScope a tool‑hívások során használ.

Harmadik szakaszban a ReAct ügynököt építik fel. A MathBot nevű ügynök egy sys_prompt alapján kapja meg a feladatát: a calculate_expression eszközt csak számításra, a get_current_datetime eszközt időkérdésekre. A modellel kommunikálva az ügynök dinamikusan dönt, mikor hívja meg az eszközöket, és a válaszokat a OpenAIChatFormatter formázza. Egy példa kérdés: „What’s the current time in UTC+5?” – a MathBot a get_current_datetime eszközt használja, és a visszatérési értékét a felhasználónak adja.

A tutorial végén a MsgHub segítségével több ügynök között vitát indítanak, majd a Pydantic modellekkel szigorú struktúrájú kimeneteket erőszakolnak. A párhuzamos pipelineban különböző szakterületi ügynökök dolgoznak egy feladaton, majd egy synthesiser összegzi az eredményeket. Ez a megközelítés demonstrálja, hogyan lehet valós idejű, több ügynökös rendszert építeni, amely valószínűleg a jövőben szélesebb körű AI-alkalmazásokban fog szerepet játszani.