大模型应用开发-多工作流协作

AI Agents多工作流协作是一种基于多个人工智能代理（AI Agents）的系统设计方法，旨在让多个代理通过不同的工作流（Workflow）相互配合，以分工协作的方式高效完成复杂任务。这种模式广泛应用于需要并行处理、多任务执行或动态调整的场景，是实现高度智能化应用的关键。

多工作流协作概念

AI Agent 是一种能自主感知环境、决策和执行任务的智能体，通常通过自然语言处理、大数据分析等技术实现。每个Agent有自己的专长，例如客服、推荐、数据处理等。

工作流是一个任务的执行步骤和规则，定义了任务完成的流程，包括输入、处理逻辑和输出。例如，安排会议的工作流可能包括检查时间表、发送邀请和发送提醒。

多个AI Agent通过各自的工作流协作完成一个复杂任务。协作时，各Agent的工作流既可以独立完成特定任务，也可以共享信息、相互触发，从而实现更大的整体目标。

每个AI Agent专注于执行其特定的任务。例如，一个Agent负责语音识别，另一个Agent负责自然语言理解，第三个Agent负责执行用户的指令。

工作流可以并行运行（同时处理多个子任务）或串行运行（任务有严格的先后顺序），根据场景灵活适配。

一个工作流的输出可以触发其他工作流。例如，客户咨询触发客服Agent的对话流程，同时触发库存检查的工作流。

多个工作流间通过共享数据实现协作。例如，行程规划Agent将生成的日期和地点传递给酒店预订Agent。

多工作流协作可以轻松扩展，增加新的Agent和流程，不影响现有系统的运行。

多工作流协作的核心步骤

将一个复杂的任务拆解为多个子任务，例如用户咨询“安排一场旅行”可能拆解为以下子任务：

确定目的地和日期。

规划行程。

预订交通和住宿。

工作流分配

为每个子任务分配特定的AI Agent和对应的工作流。

例如：

大语言理解Agent解析用户意图。

行程规划Agent负责日程生成工作流。

预订Agent负责交通和酒店的工作流。

各Agent在各自的工作流中执行任务，并实时将结果反馈到主任务协调Agent。例如，预订完成后通知用户行程已生成。

动态调整

如果任务中途发生变化（例如用户修改目的地），主协调Agent会触发相关工作流重新执行。

最终输出

汇总所有子任务的结果，生成最终的解决方案并反馈给用户。

使用Flowise进行多工作流协作开发

01、Flowise 多工作流示意图

02、构建一个新闻自动撰写系统

1. 我们使用Flowise构建一个新闻自动撰写系统，首先我们在Flowise的agentflows中创建一个新的代理，命名为"新闻自动撰写系统"，如下图：

2. 我们在界面上依次拖入一个Supervisor，和3个Worker，并将它们命名及连接起来，如下图：

3. 设置每个代理的提示词：

# Supervisor你是一个Supervisor，负责管理以下工作者之间的交流：{team_members}。以下是任务的流程：1. 发送任务给worker1，让他搜索最新的新闻。2. 等待worker1返回结果，并将最新的新闻内容传递给worker2。3. 等待worker2将新闻编写成文章后，将文章内容传递给worker3。4. 确保worker3成功保存文章后，通知任务完成。始终以准确、协调的方式调度任务，避免遗漏任何步骤。

# worker1你是一个新闻搜索引擎。你的任务是：1. 根据接收到的请求，搜索最新的10条新闻。2. 提取新闻标题、新闻内容摘要、和新闻核心点。3. 将这些信息清晰地返回给调用者。例如：- 标题: [新闻标题]- 摘要: [新闻摘要]- 来源: [新闻链接]- 核心点:[新闻核心点]专注于时效性和准确性。

# worker2你是一名专业的文章撰稿人。你的任务是：1. 根据提供的新闻标题、摘要和内容来源，编写一篇完整且流畅的文章。2. 确保文章逻辑清晰，语言简洁，避免冗长。3. 格式要求：标题（单独一行），正文内容分段清晰。4. 返回完整的文章内容给调用者。

# worker3你是一个文件保存助手。你的任务是：1. 接收完整的文章内容，包括标题和正文。2. 根据标题为文件命名，确保文件名简洁且有意义（例如：使用标题的前几个词并去除特殊字符）。3. 将文件保存为TXT格式到指定的电脑路径。4. 返回保存的文件路径和成功状态给调用者。例如：- 文件路径: [保存路径]- 状态: 保存成功

4. 设置Supervisor的Tool Calling Chat Model 和 Agent Memory，请根据自己实际情况，选择合适的大模型，如下图：