# Neuron Planista / wykonawca

Ten przykład wykorzystuje Queuety do orkiestracji, a Neuron do właściwego wykonywania zadań przez agenta.

Ten wzorzec jest prosty. Krok planisty Queuety określa, jakie zadania należy wykonać, `start_agents()` przekształca je w niezależne przepływy pracy najwyższego poziomu, każdy przepływ potomny uruchamia agenta Neuron, a `wait_for_agents()` zbiera wyniki i przekazuje je z powrotem do nadrzędnego przepływu pracy.

## Dlaczego ten podział się sprawdza

Neuron ułatwia zmianę dostawcy przy minimalnych zmianach w kodzie oraz zamknięcie promptu, narzędzi i pamięci w wyspecjalizowanym agencie. Queuety dobrze obsługuje trwałe tryby for-each i zakończenia, ponowne próby, wznawianie oraz możliwość inspekcji lub weryfikacji przez człowieka w trakcie wykonania.

## Krok 1: utwórz agenta Neuron z możliwością zmiany dostawcy

```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.',
            ],
        );
    }
}
```

Przydatne jest to, że przepływ pracy może wybrać dostawcę w czasie działania, przekazując `provider` w stanie przepływu.

## Krok 2: uruchom agenta Neuron w kroku 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 [];
    }
}
```

To kluczowy punkt integracji: Neuron obsługuje wywołanie LLM, ale Queuety nadal zarządza granicą kroku i utrwalonym stanem przepływu pracy.

## Krok 3: pozwól planistowi uruchamiać zadania agentów

```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',
    ]);
```

Jeśli `PlanResearchTasksStep` zwróci:

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

Queuety utworzy jeden przepływ pracy najwyższego poziomu dla każdego zadania, poczeka na ich ukończenie, a następnie przekaże ukończony stan przepływów potomnych pod kluczem `$state['agent_results']`.

## Dlaczego nie wywołać po prostu Neuron w pętli?

Możesz tak zrobić, ale stracisz zalety orkiestracji:

Nie dałoby się osobno sprawdzać poszczególnych zadań agentów, awaria w trakcie mogłaby spowodować ponowne uruchomienie całej partii, a późniejsze etapy nie miałyby jasno określonego momentu zakończenia.

Ten wzorzec upraszcza kod agenta, a jednocześnie pozwala Queuety zarządzać trwałą orkiestracją.

Jeśli planista należy do dłuższej sesji agenta, użyj tego wzorca przepływu pracy w warstwie wykonania, a zewnętrzny cykl życia powierz maszynie [stanów](https://queuety.inline0.dev/pl/docs/state-machines).

## Powiązana dokumentacja

- [Przekazania asynchroniczne](https://queuety.inline0.dev/pl/docs/workflows/async-handoffs)
- [Orkiestracja agentów](https://queuety.inline0.dev/pl/docs/workflows/agent-orchestration)
- [Maszyny stanów](https://queuety.inline0.dev/pl/docs/state-machines)