Към съдържанието

Neuron Планировчик / изпълнител

Преглед като Markdown Редактиране в GitHub Документация за 2cc7b2b

Този пример използва Queuety за оркестриране и Neuron за изпълнението на самия агент.

Моделът е лесен за разбиране. Стъпка на планировчика Queuety определя каква работа има, start_agents() превръща задачите в независими работни процеси от най-високо ниво, всеки дъщерен работен процес изпълнява агент Neuron, а wait_for_agents() обединява резултатите обратно в родителския работен процес.

Защо това разделение работи добре

Neuron е подходящ за смяна на доставчици с минимални промени в кода и капсулиране на подканата, инструментите и паметта на специализиран агент. Queuety е подходящ за устойчиви режими за обработка на всеки елемент и завършване, повторни опити, възобновяване и интерфейси за проверка или човешки преглед на изпълнението.

Стъпка 1: създайте агент Neuron със сменяем доставчик

PHP
namespace App\Neuron;

use NeuronAI\Agent\Agent;
use NeuronAI\Providers\AIProviderInterface;
use NeuronAI\Providers\Anthropic\Anthropic;
use NeuronAI\Providers\Gemini\Gemini;
use NeuronAI\Providers\OpenAI\Responses\OpenAIResponses;
use NeuronAI\SystemPrompt;

final class ResearchAgent extends Agent
{
    public function __construct(
        private readonly string $providerName = 'openai',
    ) {}

    protected function provider(): AIProviderInterface
    {
        return match ($this->providerName) {
            'anthropic' => new Anthropic(
                key: $_ENV['ANTHROPIC_API_KEY'],
                model: $_ENV['ANTHROPIC_MODEL'],
            ),
            'gemini' => new Gemini(
                key: $_ENV['GEMINI_API_KEY'],
                model: $_ENV['GEMINI_MODEL'],
            ),
            default => new OpenAIResponses(
                key: $_ENV['OPENAI_API_KEY'],
                model: $_ENV['OPENAI_MODEL'],
            ),
        };
    }

    public function instructions(): string
    {
        return (string) new SystemPrompt(
            background: [
                'You are a research agent.',
                'Return concise, source-aware summaries for the assigned topic.',
            ],
        );
    }
}

Полезното тук е, че работният процес може да избере доставчика по време на изпълнение, като подаде provider в състоянието на работния процес.

Стъпка 2: изпълнете агента Neuron в стъпка на Queuety

PHP
namespace App\Workflow\Steps;

use App\Neuron\ResearchAgent;
use NeuronAI\Chat\Messages\UserMessage;
use Queuety\Step;

final class ResearchTopicStep implements Step
{
    public function handle(array $state): array
    {
        $agent = new ResearchAgent(
            providerName: $state['provider'] ?? 'openai',
        );

        $message = $agent->chat(
            new UserMessage(sprintf(
                "Research the topic '%s' for brief %d. Return a compact bullet summary.",
                $state['topic'],
                $state['brief_id'],
            ))
        )->getMessage();

        return [
            'summary' => $message->getContent(),
        ];
    }

    public function config(): array
    {
        return [];
    }
}

Това е ключовата точка на интеграция: Neuron обработва извикването на LLM, но Queuety продължава да управлява границата на стъпката и запазеното състояние на работния процес.

Стъпка 3: оставете планировчика да стартира изпълненията на агентите

PHP
use Queuety\Enums\WaitMode;
use Queuety\Queuety;

$agent_workflow = Queuety::workflow('research_agent_run')
    ->then(ResearchTopicStep::class);

Queuety::workflow('brief_research')
    ->version('brief-research.v1')
    ->then(PlanResearchTasksStep::class) // writes $state['agent_tasks']
    ->start_agents('agent_tasks', $agent_workflow)
    ->wait_for_agents(mode: WaitMode::All, result_key: 'agent_results')
    ->then(SynthesizeBriefStep::class)
    ->dispatch([
        'brief_id' => 42,
        'provider' => 'anthropic',
    ]);

Ако PlanResearchTasksStep върне:

PHP
[
    'agent_tasks' => [
        ['topic' => 'pricing'],
        ['topic' => 'customer reviews'],
        ['topic' => 'recent launches'],
    ],
]

Queuety ще създаде работен процес от най-високо ниво за всяка задача, ще изчака завършването на всички и след това ще предаде завършеното състояние на дъщерните работни процеси в $state['agent_results'].

Защо просто да не извикате Neuron в цикъл?

Можете, но така ще загубите предимствата на оркестрирането:

Всяко изпълнение на агент вече няма да може да се проверява отделно, частичен срив вероятно ще рестартира цялата група и няма да има ясна точка на завършване за следващите етапи.

Този модел запазва кода на агента прост, като оставя на Queuety устойчивото оркестриране.

Ако планировчикът е част от по-дълготрайна агентска сесия, запазете този шаблон на работния процес за слоя за изпълнение и оставете машина на състоянията да управлява външния жизнен цикъл.