Neuron Plánovač / vykonavatel
Tento příklad používá Queuety k orchestraci a Neuron ke skutečnému spuštění agenta.
Princip je jednoduchý. Plánovací krok Queuety určí, jaká práce je potřeba, start_agents() převede tyto úkoly na samostatná workflow nejvyšší úrovně, každé podřízené workflow spustí agenta Neuron a wait_for_agents() shromáždí výsledky zpět do nadřazeného workflow.
Proč toto rozdělení funguje dobře
Neuron umožňuje snadno měnit poskytovatele bez větších úprav kódu a zapouzdřit výzvu, nástroje a paměť specializovaného agenta. Queuety se hodí pro trvalé režimy zpracování každé položky a dokončování, opakování pokusů, obnovení běhu a rozhraní pro kontrolu nebo lidské posouzení běhu.
Krok 1: vytvoření agenta Neuron s možností měnit poskytovatele
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.',
],
);
}
}
Užitečné je, že workflow může zvolit poskytovatele za běhu předáním provider ve stavu workflow.
Krok 2: spuštění agenta Neuron v kroku Queuety
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 [];
}
}
Toto je klíčové místo integrace: Neuron zajišťuje volání LLM, zatímco Queuety stále spravuje hranici kroku a uložený stav workflow.
Krok 3: nechte plánovač spouštět běhy agentů
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',
]);
Pokud PlanResearchTasksStep vrátí:
[
'agent_tasks' => [
['topic' => 'pricing'],
['topic' => 'customer reviews'],
['topic' => 'recent launches'],
],
]
Queuety vytvoří pro každý úkol samostatné workflow nejvyšší úrovně, počká na dokončení všech a poté předá dokončený stav podřízených workflow pod $state['agent_results'].
Proč jednoduše nevolat Neuron ve smyčce?
To by šlo, přišli byste ale o výhody orchestrace:
Jednotlivé běhy agentů by už nebylo možné samostatně kontrolovat, částečný výpadek by pravděpodobně restartoval celou dávku a pro pozdější fáze by chyběl jasný okamžik dokončení.
Tento vzor zachovává jednoduchý kód agenta a svěřuje trvalou orchestraci nástroji Queuety.
Pokud je plánovač součástí dlouhodobější relace agenta, zachovejte tento vzor workflow pro vykonávací vrstvu a svěřte vnější životní cyklus stavovému automatu.