Neuron Pianificatore / esecutore

Visualizza come Markdown Modifica su GitHub Documentazione di 2cc7b2b

Questo esempio usa Queuety per l'orchestrazione e Neuron per l'esecuzione effettiva dell'agente.

Lo schema è semplice. Un passaggio di pianificazione Queuety decide quali attività svolgere, start_agents() le trasforma in workflow di livello superiore indipendenti, ogni workflow secondario esegue un agente Neuron e wait_for_agents() raccoglie i risultati nel workflow principale.

Perché questa suddivisione funziona bene

Neuron consente di cambiare provider con modifiche minime al codice e di racchiudere prompt, strumenti e memoria di un agente specializzato. Queuety gestisce efficacemente l'esecuzione duratura di cicli for-each e le modalità di completamento, i tentativi, la ripresa e le interfacce per esaminare l'esecuzione o sottoporla alla revisione umana.

Passaggio 1: crea un agente Neuron compatibile con più provider

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.',
            ],
        );
    }
}

L'aspetto utile è che il workflow può scegliere il provider durante l'esecuzione passando provider nello stato del workflow.

Passaggio 2: esegui l'agente Neuron all'interno di un passaggio 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 [];
    }
}

Questo è il punto chiave dell’integrazione: Neuron gestisce la chiamata LLM, ma Queuety mantiene il controllo sui confini dei passaggi e sullo stato persistente del workflow.

Passaggio 3: permettere al planner di avviare le esecuzioni degli agenti

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',
    ]);

Se PlanResearchTasksStep restituisce:

PHP

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

Queuety creerà un workflow di primo livello per ogni attività, attenderà il completamento di tutti e poi passerà lo stato finale dei workflow figli sotto $state['agent_results'].

Perché non chiamare semplicemente Neuron in un ciclo?

Si potrebbe fare, ma si perderebbero i vantaggi dell’orchestrazione:

Ogni esecuzione dell’agente non sarebbe più ispezionabile singolarmente, un arresto anomalo parziale probabilmente riavvierebbe l’intero batch e non ci sarebbe un punto di completamento chiaro per le fasi successive.

Questo schema mantiene semplice il codice dell’agente e lascia a Queuety il compito di gestire l’orchestrazione persistente.

Se il planner appartiene a una sessione dell'agente di durata maggiore, mantenete questo schema di flusso di lavoro per il livello di esecuzione e lasciate che una macchina a stati gestisca il ciclo di vita esterno.