Neuron Planeerija / täitja
Selles näites kasutatakse orkestreerimiseks Queuety-i ja agendi käitamiseks Neuron-i.
Muster on lihtne. Queuety planeerijaetapp otsustab, milliseid töid on vaja teha, start_agents() jagab need eraldiseisvateks tipptaseme töövoogudeks, igas alam-töövoos käitab agenti Neuron ning wait_for_agents() koondab tulemused tagasi ematöövoogu.
Miks see jaotus hästi toimib
Neuron võimaldab koodis minimaalsete muudatustega pakkujat vahetada ning kapseldada spetsialiseerunud agendi viiba, tööriistad ja mälu. Queuety sobib hästi vastupidavate for-each-tsüklite ja lõpetamisrežiimide, korduskatsete, jätkamise ning käituse kontrollimiseks ja inimeste ülevaatuseks mõeldud liideste jaoks.
1. samm: looge pakkuja vahetamise võimalusega Neuron agent
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.',
],
);
}
}
Siin on kasulik see, et töövoog saab käitusajal pakkuja valida, edastades provider töövoo olekus.
2. samm: käitage Neuron agenti Queuety etapis
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 [];
}
}
See on peamine lõimimispunkt: Neuron haldab LLM-i kutset, kuid Queuety vastutab endiselt etapi piiri ja salvestatud töövoo oleku eest.
3. samm: laske planeerijal agendikäitused käivitada
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',
]);
Kui PlanResearchTasksStep tagastab:
[
'agent_tasks' => [
['topic' => 'pricing'],
['topic' => 'customer reviews'],
['topic' => 'recent launches'],
],
]
Queuety loob iga ülesande jaoks eraldi tipptaseme töövoo, ootab nende kõigi lõppemist ja edastab seejärel lõpetatud alam-töövoo oleku võtme $state['agent_results'] all.
Miks mitte lihtsalt käitada Neuron tsüklis?
Seda saab teha, kuid siis kaovad orkestreerimise eelised:
Iga agendikäitust ei saaks enam eraldi kontrollida, osaline krahh käivitaks tõenäoliselt kogu kogumi uuesti ja hilisematel etappidel puuduks selge lõpetamispunkt.
See muster hoiab agendi koodi lihtsana, jättes vastupidava orkestreerimise Queuety-i hallata.
Kui planeerija kuulub pikemaajalisse agendiseanssi, kasutage seda töövoomustrit täitmiskihtidena ja laske olekumasinal hallata välist elutsüklit.