Multi Agent Lab

AI Python

🚀 多智能体实验室 🤖

本项目专为 教育和演示目的 而开发，旨在使用 Google ADK（智能体开发套件）阐释多智能体系统的基本概念。

⚠️ 重要提示：这并非生产环境示例，而是一个教学实验室，用于理解以下内容：

如何实现智能体的分层架构
专业智能体之间的集成
MCP（模型上下文协议）的使用
人工智能智能体执行工具的操作
多个语言模型之间的协调

✨ 主要特性

教育演示：专注于多智能体系统基础概念的教育与展示。
系统模拟：模拟具备健康咨询功能的电子商务场景，多个专业智能体协同工作服务客户。
多模型支持：支持使用 Gemini、Claude 和 Llama 等多种语言模型。
灵活配置：可根据需求选择不同的数据来源，如 MeiliSearch、本地 JSON 文件、外部 REST API、SQLite 数据库和 Elasticsearch。
实验性强：提供丰富的实验建议，便于用户深入理解和探索多智能体系统。

📦 安装指南

前置要求

Python 3.13+
UV（Python 包管理器）
MeiliSearch 在 7700 端口运行（可选 - 见下文替代方案）

1. 安装依赖

# 克隆仓库
git clone <你的仓库地址>
cd multi_agent_lab

# 安装主系统依赖
cd vitra_ai
uv sync

# 安装 MCP 服务器依赖
cd ../search_mcp_server
uv sync

2. 配置模型

确保已配置 API 密钥：

# 对于 Claude（Anthropic）
export ANTHROPIC_API_KEY="你的密钥"

# 对于 Gemini（Google）
export GOOGLE_API_KEY="你的密钥"

# 对于 Ollama（本地）
# 安装 Ollama 并下载 llama3.1:8b 模型
ollama pull llama3.1:8b

3. 运行系统

选项 1：使用 MeiliSearch（完整功能）

# 终端 1：启动 MeiliSearch
docker run -it --rm -p 7700:7700 getmeili/meilisearch:v1.5

# 终端 2：运行 MCP 服务器
cd search_mcp_server
uv run help_customer.py

# 终端 3：运行主系统
cd vitra_ai
uv run agent.py

选项 2：不使用 MeiliSearch（模拟）

# 仅运行主系统（使用模拟数据）
cd vitra_ai
uv run agent.py

4. 使用 ADK 网络界面进行测试

若要使用 ADK 的网络界面测试系统，请执行以下操作：

# 1. 首先，安装依赖
cd vitra_ai
uv sync

# 2. 激活虚拟环境
source .venv/bin/activate

# 3. 返回项目根目录
cd ..

# 4. 运行 ADK 网络界面（需在项目文件夹的上一级目录运行）
adk web

⚠️ 重要提示

adk web 命令必须在项目文件夹的父目录中运行，而不是在项目文件夹内部。

💻 使用示例

基础用法

# 此项目主要通过命令行运行，以下是运行主系统的基础命令
cd vitra_ai
uv run agent.py

高级用法

# 若要使用 MeiliSearch 运行系统，需按以下步骤操作
# 终端 1：启动 MeiliSearch
docker run -it --rm -p 7700:7700 getmeili/meilisearch:v1.5

# 终端 2：运行 MCP 服务器
cd search_mcp_server
uv run help_customer.py

# 终端 3：运行主系统
cd vitra_ai
uv run agent.py

🚀 快速开始

本系统模拟了一个具备健康咨询功能的电子商务场景，不同专业智能体协同工作以服务客户。系统架构如下：

根智能体（主协调器）
├── 购物助手（产品专家）
│   └── 帮助客户（MCP 接口）
├── 销售智能体（销售专家）
│   ├── 创建订单（订单创建）
│   ├── 计费（账单处理）
│   └── 管理库存（库存管理）
└── 健康助手（健康顾问）
├── 营养专家（营养/皮肤专家）
└── 健身专家（运动专家）

🔧 技术细节

系统架构概述

系统模拟了一个具备健康咨询功能的电子商务场景，不同专业智能体协同工作以服务客户。

组件实现

1. Vitra AI（主系统）

根智能体：主协调器，将任务分配给子智能体。
专业提示：为每个智能体提供特定指令。
多种模型：通过 LiteLLM 使用 Gemini、Claude 和 Llama 模型。

2. 搜索 MCP 服务器（工具服务器）

产品搜索：与搜索系统（MeiliSearch）的接口。
付款计划：模拟融资选项。
日志记录：记录所有操作以进行审计。

3. 专业子智能体

购物助手：负责产品推荐和搜索，使用 Claude 3.5 Sonnet 模型，通过 MCP 服务器进行查询。
销售智能体：负责完整的订单处理，包含创建订单、计费和管理库存等子智能体，使用自定义的电子商务功能。
健康助手：提供健康和保健咨询，包含营养专家和健身专家子智能体，使用 Gemini 2.5 Flash 和 Llama 3.1 8B 模型。

系统运行流程

系统通过不同智能体之间的协作完成任务，根智能体作为主协调器，根据客户需求将任务分配给相应的子智能体。子智能体通过 MCP 协议与外部工具和服务进行交互，实现产品搜索、订单处理、健康咨询等功能。

数据存储与管理

系统支持多种数据存储方式，包括 MeiliSearch、本地 JSON 文件、外部 REST API、SQLite 数据库和 Elasticsearch。用户可以根据需求选择合适的数据存储方式。

模型配置与使用

系统使用多种语言模型，如 Gemini、Claude 和 Llama，通过 LiteLLM 进行管理。用户需要配置相应的 API 密钥才能使用这些模型。

错误处理与日志记录

系统实现了基本的错误处理和日志记录功能，通过日志记录所有操作以进行审计。但错误处理功能较为简单，仅适用于演示目的。

性能与优化

系统未针对生产环境进行优化，主要用于教育和演示目的。在实际应用中，需要对系统进行性能优化和安全加固。

📚 详细文档

自定义 MCP 服务器

MeiliSearch 替代方案

search_mcp_server/help_customer.py 文件可轻松修改以使用其他数据源：

1. 本地 JSON 文件

import json

@mcp.tool()
def search_products_by_terms(terms: str):
with open("products.json", "r") as f:
products = json.load(f)
# 实现简单的按术语搜索
results = [p for p in products if terms.lower() in p['name'].lower()]
return {"hits": results}

2. 外部 REST API

@mcp.tool()
def search_products_by_terms(terms: str):
# 以产品 API 为例
response = requests.get(f"https://api.mercadolibre.com/sites/MLB/search?q={terms}")
return response.json()

3. SQLite 数据库

import sqlite3

@mcp.tool()
def search_products_by_terms(terms: str):
conn = sqlite3.connect("products.db")
cursor = conn.execute("SELECT * FROM products WHERE name LIKE ?", (f"%{terms}%",))
results = cursor.fetchall()
conn.close()
return {"hits": results}

4. Elasticsearch

from elasticsearch import Elasticsearch

es = Elasticsearch([{'host': 'localhost', 'port': 9200}])

@mcp.tool()
def search_products_by_terms(terms: str):
response = es.search(
index="products",
body={"query": {"match": {"name": terms}}}
)
return response

项目结构

multi_agent_lab/
├── vitra_ai/                    # 主智能体系统
│   ├── agent.py                 # 根智能体配置
│   ├── prompt.py                # 提示和指令
│   ├── sub_agents/              # 专业智能体
│   │   ├── shop_mate/           # 产品专家
│   │   ├── seller/              # 销售专家
│   │   └── health_mate/         # 健康顾问
│   ├── vitra_doc/               # 系统日志
│   └── pyproject.toml           # 依赖项
├── search_mcp_server/           # MCP 工具服务器
│   ├── help_customer.py         # 工具实现
│   ├── log/                     # 操作日志
│   └── pyproject.toml           # 依赖项
└── README.md                    # 本文件

演示概念

1. 智能体层次结构

如何将智能体组织成层次结构
专业智能体之间的任务分配
多个子系统的协调

2. MCP 协议

外部工具的实现
智能体与服务之间的通信
操作的日志记录和审计

3. 多模型集成

同时使用不同的大语言模型
根据任务类型进行专业化处理
按智能体配置参数

4. 自定义工具

创建特定领域的工具
将数据持久化到文件中
模拟外部系统

实验与学习

修改建议

添加新智能体：创建一个客户服务智能体。
实现新工具：添加与真实 API 的集成。
尝试模型：测试其他大语言模型或调整参数。
改进日志记录：使用 JSON 实现结构化日志记录。
添加验证：实现智能体之间的数据验证。

注意事项

硬编码路径：路径是固定的，请根据你的环境进行调整。
身份验证：为教学目的，令牌是公开的。
错误处理：实现较为简单，仅适用于演示。
性能：未针对生产环境进行优化。

额外资源

🤝 贡献

这是一个教育项目！欢迎你：

进行复刻并进行实验
提出教学改进建议
添加使用示例
报告错误或不一致之处

💡 使用建议

本项目是一个学习工具，你可以利用它来理解概念、尝试修改并根据自己的教育需求进行调整！🚀

0 条评论
分类：AI