Neuron Планировщик / исполнитель

Просмотреть как Markdown Редактировать на GitHub Документация по 2cc7b2b

В этом примере для оркестрации используется Queuety, а для непосредственного выполнения задач агентом — Neuron.

Схема проста: шаг-планировщик Queuety определяет, какие задачи нужно выполнить; start_agents() превращает их в отдельные рабочие процессы верхнего уровня; в каждом дочернем процессе работает агент Neuron; затем wait_for_agents() собирает результаты в родительский рабочий процесс.

Почему такое разделение эффективно

Neuron позволяет менять провайдеров с минимальными изменениями кода и объединять запрос, инструменты и память для специализированного агента. Queuety подходит для надежных циклов for-each и режимов завершения, повторов, возобновления, а также средств проверки и контроля человеком во время выполнения.

Шаг 1: создайте агента Neuron с возможностью менять провайдера

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.',
            ],
        );
    }
}

Преимущество в том, что рабочий процесс может выбирать провайдера во время выполнения, получая provider из своего состояния.

Шаг 2: запустите агента Neuron внутри шага 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 [];
    }
}

Это ключевая точка интеграции: Neuron выполняет вызов LLM, а Queuety по-прежнему отвечает за границу шага и сохраненное состояние рабочего процесса.

Шаг 3: позвольте планировщику запускать агентов

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',
    ]);

Если PlanResearchTasksStep возвращает:

PHP

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

Queuety создаст отдельный рабочий процесс верхнего уровня для каждой задачи, дождется завершения всех процессов, а затем передаст состояние завершенных дочерних процессов в $state['agent_results'].

Почему бы просто не вызывать Neuron в цикле?

Так можно сделать, но вы потеряете преимущества оркестрации:

Отдельный запуск агента уже нельзя будет проверять независимо, частичный сбой, скорее всего, приведет к перезапуску всей группы, а для последующих этапов не будет четкой точки завершения.

Этот подход позволяет оставить код агента простым, а за надежную оркестрацию отвечает Queuety.

Если планировщик работает в длительном сеансе агента, используйте этот подход для слоя выполнения, а за внешний жизненный цикл пусть отвечает машина состояний state machine.