Neuron Планувальник / виконавець

Переглянути як Markdown Редагувати на GitHub Документація для 2cc7b2b

У цьому прикладі Queuety використовується для оркестрації, а Neuron — для безпосереднього виконання агентом.

Шаблон простий. Крок планувальника Queuety визначає потрібну роботу, start_agents() перетворює ці завдання на окремі робочі процеси верхнього рівня, у кожному дочірньому робочому процесі працює агент Neuron, а wait_for_agents() збирає результати назад у батьківський робочий процес.

Чому такий поділ працює добре

Neuron дає змогу легко змінювати провайдерів без значних змін коду й об’єднувати запит, інструменти та пам’ять спеціалізованого агента. Queuety добре підходить для надійних циклів для кожного елемента й режимів завершення, повторних спроб, відновлення та засобів перевірки або перевірки людиною під час виконання.

Крок 1: створіть агента Neuron зі змінним провайдером

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.',
            ],
        );
    }
}

Корисна особливість тут у тому, що робочий процес може вибирати провайдера під час виконання, отримуючи provider зі стану робочого процесу.

Крок 2: запустіть агента Neuron у межах кроку 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 [];
    }
}

Це ключова точка інтеграції: Neuron виконує виклик LLM, але Queuety і далі відповідає за межу кроку та збережений стан робочого процесу.

Крок 3: дозвольте планувальнику запускати агентів

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',
    ]);

Якщо PlanResearchTasksStep повертає:

PHP

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

Queuety створить один робочий процес верхнього рівня для кожного завдання, дочекається завершення всіх і передасть стан завершених дочірніх робочих процесів у $state['agent_results'].

Чому б просто не викликати Neuron у циклі?

Так можна зробити, але ви втратите переваги оркестрації:

Окремий запуск кожного агента більше не можна буде перевірити, частковий збій, найімовірніше, перезапустить усю групу, а для наступних етапів не буде чіткого моменту завершення.

Такий підхід спрощує код агента, а Queuety відповідає за надійну оркестрацію.

Якщо планувальник належить до тривалішої сесії агента, використовуйте цей шаблон робочого процесу для рівня виконання, а зовнішнім життєвим циклом доручіть керувати автомату станів.