Здравствуйте, это Шуичи Иноуэ из LINE Yahoo! Корпорация. Я присоединился к LINE Yahoo! Corporation в качестве нового сотрудника в апреле 2024 года, и в настоящее время я занимаюсь разработкой в команде FKE, которая представляет собой собственный Kubernetes как сервис, а также являюсь членом гильдии Orchestration Development Workshop.
Семинар по развитию оркестровкиГильдия оркестровки — это сообщество инженеров, выбранных из числа технических директоров, которые объединяют практические знания по использованию ИИ в полевых условиях. Они отвечают за предложение тем для семинара, обмен практическими примерами использования и предоставление качественных рекомендаций с технической точки зрения, а также играют роль в поддержке непрерывного развития содержания семинара по развитию оркестровки, не становясь при этом индивидуализированными.
В этом технологическом блоге мы поговорим о мастер-классе, который проходит в рамках Orchestration Development Workshop.Комплект разработки агента (ADK)Знакомство с содержанием “Одно/многоагентной разработки с использованием “ и внутренней интеграции”.
Текущая ситуация и проблемы внутри компании
Потребности в использовании бизнес-ИИ
В повседневной работе существует множество возможностей, которые можно автоматизировать и использовать с помощью крупномасштабных языковых моделей (LLM). Существует множество ситуаций, когда его можно использовать в командной работе, например, обзоры запросов на включение (PR), ответы службы поддержки клиентов (CS) и внутренний поиск в вики.
В частности, у нашей компании есть проблемы с поиском информации во внутренних системах, таких как Jira и Confluence. Проблема, уникальная для крупных компаний, заключается в том, что документы разбросаны по всей компании, поэтому поиск необходимой информации занимает много времени. Кроме того, растет потребность в поддержке искусственного интеллекта, которая поможет понять сложный контент, такой как уставы и рекомендации.
На этом фоне наша компания активно использует ИИ для повышения операционной эффективности, основываясь на политике «удвоения операционной производительности в течение следующих трех лет и стремясь к созданию непрерывных инноваций».
Проблемы, связанные с использованием ИИ
Несмотря на прогресс в использовании ИИ, возникли и новые проблемы.
В настоящее время начинают использоваться локально управляемые инструменты AI Agent, такие как Cline и Claude Code, но их использование, как правило, представляет собой «индивидуальную игру». Люди, которые его используют, используют его все больше и больше, а люди, которые его не используют, используют его нечасто. В результате знания становятся разрозненными, и внутри команды возникают индивидуальные различия в производительности труда.
Кроме того, несколько человек независимо друг от друга создают и оптимизируют подсказки для решения общих проблем внутри команды, что приводит к дублированию усилий.
Кроме того, многие люди не знают концепции мультиагента, и бывают случаи, когда они сталкиваются с ограничениями одного агента и отказываются от использования AI-агента.
Возможности и усилия по поиску решения
Чтобы решить эти проблемы, я провожу массовые мероприятия внутри своей команды. В частности, вместо того, чтобы полагаться только на местные инструменты искусственного интеллекта (например, Cline, Claude Code), мы узнали, как создать и разместить агента искусственного интеллекта и поделиться им со всей командой, а также важность мультиагента, разработали инструмент PoC (проверка концепции) и провели мероприятия по повышению технической осведомленности на внутренних собраниях LT (молниеносный разговор). Эта деятельность привела меня к тому, что я стал членом гильдии Мастерской развития оркестровки.
Благодаря семинару по разработке оркестрации мы поняли, что для решения проблем внутреннего использования ИИ всей организации необходимо глубоко понимать следующие три элемента.
- Понимание концепций и характеристик одноагентного и многоагентного режима.
- Ограничения, преимущества и недостатки единого агента
- Мультиагентные характеристики, преимущества и недостатки
- Достижение обмена знаниями в команде.
- Создайте централизованный агент искусственного интеллекта и объедините знания.
- Метод взаимодействия между AI-агентом и внутренними системами
- Использование протокола контекста модели (MCP)
Однако существуют пределы практического понимания, если вы изучаете эти вещи только на аудиторных лекциях. Поэтому мы провели семинар «Разработка одного/мультиагента и внутренняя интеграция с использованием комплекта разработки агента (ADK)» как место, где участники могли испытать три вышеупомянутых элемента, фактически используя комплект разработки агента (ADK).
Краткое содержание семинара
Лекция: Сравнение одноагентных и многоагентных систем
- Один агент:
- Функции:Простая система, состоящая из одного LLM. Затраты на разработку низкие.
- назначение:Ограниченная способность реагировать на сложные проблемы и высокий уровень знаний.
- Мультиагент:
- Функции:Состоящий из нескольких LLM, он обладает высокой способностью решать сложные проблемы и оптимизировать задачи.
- назначение:Будьте осторожны с увеличением потребления токенов, усложнением разработки и ограничениями скорости.
Лекция: Обзор комплекта разработки агентов (ADK)
- Что такое АДК?OSS для определения поведения агента и реализации многоагентной системы.
- Функции:Доступно для Python/Java/Go. Агент может выполнять функции, определенные в Python как инструменты.
- ценить:Создавайте, размещайте и делитесь агентами со своей командой, чтобы избавиться от необходимости настраивать отдельные запросы и повысить производительность.
Практическое занятие: создание простого одноагентного приложения
Детали реализации
- Испытайте базовый агент ADK
- Запустите веб-интерфейс ADK и запустите агент через браузер.
- Настройка:Измените подсказки и настройте поведение агента.
- Использование инструмента:Разрешите агенту выполнять предварительно созданные функции Python и запускать инструменты.
Обучение и баллы
- Ответы агентов можно гибко контролировать с помощью инструкций.
- Посмотрите, как легко включить простой код Python в свой агент в качестве инструмента.
Лекция: Введение в MCP (протокол контекста модели)
- Что такое МКП?Стандартный протокол с открытым исходным кодом для LLM для подключения к внешним системам
- функция:Позволяет LLM активно искать информацию (например, прошлые запросы, расположение материалов)
- Пример внутреннего взаимодействия системы:Сотрудничайте с Jira, Confluence и т. д. с помощью MCP.
- Проблемы и меры противодействия:Наличие слишком большого количества инструментов увеличивает количество подсказок, что приводит к задержке ответа и снижению точности. Введение мер по смягчению последствий для разделения контекстов с помощью Multi-Agent.
Практическое занятие: сотрудничество с внутренними системами с использованием MCP.
- Настройте MCP для простого агента
- важность:Помимо передачи инструмента, подтвердите, что LLM не сможет успешно использовать инструмент, если вы не установите соответствующие подсказки.
- эффект:Убедитесь, что агенты могут активно искать и получать информацию из внутренних вики-сайтов, таких как Confluence, с помощью соответствующих подсказок.
Практическое занятие: последовательный мультиагент (отслеживание проектов)
Детали реализации: конфигурация Project Tracker
- Цель:Под управлением JiraАнализируйте ход проектаСоздайте мультиагентную систему для создания подробных отчетов.
- состав:Используя Sequential Agent, последовательно запустите четыре агента (сбор информации → анализ → создание отчета → перевод).
Детали трекера проекта
-
архитектура:
-
Пример кода ADK (частичный):
from google.adk.agents import Agent, SequentialAgent from google.adk.models.lite_llm import LiteLlm from common import agent_config, mcp, prompt # Agent 1: In-Progress Task Analyzer in_progress_analyzer_agent = Agent( name="in_progress_analyzer", model=LiteLlm(model=agent_config.MODEL), description=( "A specialized agent that analyzes in-progress tasks in a Jira PROJECT. " "Extracts PROJECT key from URL, searches for in-progress tasks, and provides detailed analysis." ), instruction=( prompt.mcp_agent() + prompt.mcp_jira() + prompt.in_progress_analyzer() ), tools=[ mcp.mcp_jira, ], ) # Agent 2: Todo Task Analyzer todo_analyzer_agent = Agent( name="todo_analyzer", model=LiteLlm(model=agent_config.MODEL), description=( "A specialized agent that analyzes todo/unstarted tasks in a Jira PROJECT. " "Searches for todo tasks and provides detailed analysis including priorities and dependencies." ), instruction=(prompt.mcp_agent() + prompt.mcp_jira() + prompt.todo_analyzer()), tools=[ mcp.mcp_jira, ], ) # Agent 3: Report Generator report_generator_agent = Agent( name="report_generator", model=LiteLlm(model=agent_config.MODEL), description=( "A specialized agent that generates comprehensive PROJECT progress reports. " "Synthesizes analysis from previous agents into a structured Markdown report." ), instruction=prompt.report_generator(), ) # Agent 4: Translator translate_agent = Agent( name="translate_agent", model=LiteLlm(model=agent_config.MODEL), description=( f"A specialized agent that translates reports into {agent_config.LANGUAGE}. " "Preserves original formatting and structure while providing accurate translation." ), instruction=prompt.translate_report(), ) # Root Agent - Sequential Multi-Agent System root_agent = SequentialAgent( name="PROJECT_tracker_system", description=( "Multi-agent system for PROJECT progress tracking. " f"Analyzes in-progress and todo tasks, generates comprehensive reports, and translates to {agent_config.LANGUAGE}." ), sub_agents=[ in_progress_analyzer_agent, todo_analyzer_agent, report_generator_agent, translate_agent, ],
Ожидаемые эффекты и выводы
- эффект:Ожидается, что он будет применяться к практическим приложениям, таким как повышение эффективности подтверждения прогресса во время планирования спринта и автоматизация создания отчетов о ходе работы для других отделов.
- обучение:Последовательный агент ADK позволяет нескольким агентам работать вместе, что упрощает выполнение сложных рабочих процессов.
Результаты семинара
В семинаре в режиме реального времени приняли участие около 2000 человек. Кроме того, чтобы оценить эффективность семинара, мы провели опрос участников.今回のWorkshopの内容について、あなたの実践状況を教えてくださいС этой целью мы провели опрос. Ниже представлены результаты опроса.
| выбор | содержание | соотношение |
|---|---|---|
| 4 | Уже пользуюсь им на постоянной основе | 1,7% |
| 3 | Некоторые части уже пробовал | 17,4% |
| 2 | Еще не пробовала, но планирую попробовать в ближайшее время | 68,2% |
| 1 | Ещё не пробовала и не планирую пробовать | 10,0% |
| другие | – | 2,7% |
Примерно 70% (68,2%) участников ответили: «Я еще не пробовал, но планирую попробовать в ближайшем будущем». Эти результаты показывают, что многие участники восприняли контент положительно и были мотивированы применить его на практике.
С другой стороны, примерно 19% респондентов заявили, что уже опробовали некоторые инструменты или используют их на постоянной основе. Разделив усилия на этом уровне внутри компании, мы сможем предоставить другим участникам возможность применить на практике конкретные практики.
Для группы (10%), ответившей: «Я еще не пробовал и не планирую это делать», было бы эффективно ввести меры поддержки и истории успеха, которые снизят препятствия на пути реализации.
В целом, этот семинар стал хорошей возможностью стимулировать желание применять все на практике.
Чему я научился на семинаре по развитию оркестровки
При проведении семинара №2 по развитию оркестровки члены гильдии работали вместе над всем: от сбора и выбора контента до планирования семинара. Во время подготовки и репетиций мы каждый раз анализировали, получали отзывы от участников и тщательно планировали эффективный практический подход.
Важность дизайна контента
Самое важное для успеха семинара
2025-12-11 02:00:00
1765743433
#Разработка #одного #или #нескольких #агентов #собственная #интеграция #использованием #комплекта #разработки #агентов #ADK
Продолжение темы
