Multi-Agent-Prompting-Systeme

Stellen Sie sich ein Team intelligenter Assistenten vor, von denen jeder über eine besondere Fähigkeit verfügt und die gemeinsam ein großes Problem lösen. Das ist die Grundidee hinter Multi-Agent-Prompting-Systemen!

Statt ein großes Sprachmodell (LLM) mit allem zu beauftragen, verwenden wir mehrere LLMs, denen jeweils eine bestimmte Rolle und eine Reihe von Anweisungen zugewiesen werden.

Der Einsatz mehrerer Agenten bietet erhebliche Vorteile:

• Komplexität bewältigen: Große Aufgaben werden in kleinere, überschaubare Teile zerlegt.
• Spezialisierung: Jeder Agent konzentriert sich auf das, was er am besten kann.
• Höhere Genauigkeit: Agenten können die Arbeit der anderen gegenprüfen oder Ausgaben verfeinern.
• Robustheit: Wenn ein Agent Schwierigkeiten hat, können andere dies ausgleichen.

Jedes Multi-Agent-System besteht aus zwei Hauptbestandteilen:

• Agenten: Dies sind einzelne LLMs, denen jeweils eine einzigartige Rolle zugewiesen ist (z. B. ein „Researcher“, ein „Summarizer“ oder ein „Critic“).
• Orchestrator: Dies ist der „Manager“, der die Agenten koordiniert. Er entscheidet, wer was und wann erledigt, und übermittelt Informationen zwischen den Agenten.

Die Zuweisung klarer Rollen ist entscheidend. Stellen Sie sich dies wie ein Projektteam vor:

• Ein „Research Agent“ könnte Daten durchsuchen, um Fakten zu finden.
• Ein „Planning Agent“ könnte die Schritte für eine Lösung skizzieren.
• Ein „Creative Agent“ könnte Ideen sammeln.

Zu jeder Rolle gehört ein spezifischer Prompt, der ihre Persona und Aufgabe definiert.

Agenten kommunizieren, indem sie Informationen austauschen, normalerweise in einem strukturierten Textformat.

Beispielsweise könnte ein „Researcher Agent“ eine Liste von Fakten ausgeben, die anschließend zur Eingabe für einen „Summarizer Agent“ wird.

Der Orchestrator erleichtert diesen Informationsfluss und stellt sicher, dass Nachrichten den richtigen Agenten zur richtigen Zeit erreichen.

Der Orchestrator ist wie der Dirigent eines Orchesters. Zu seinen Aufgaben gehören:

• Den allgemeinen Workflow definieren.
• Prompts an die richtigen Agenten senden.
• Ausgaben der Agenten sammeln.
• Relevante Ausgaben als neue Eingaben an nachfolgende Agenten weitergeben.
• Entscheiden, wann die Aufgabe abgeschlossen ist.

Stellen wir uns vor, wir erstellen eine Kurzgeschichte:

1. Nutzer: „Schreiben Sie eine Kurzgeschichte über einen Weltraumforscher, der ein neues außerirdisches Haustier findet.“
2. Plot Agent: Erstellt eine grundlegende Handlungsskizze.
3. Character Agent: Erstellt Beschreibungen für den Forscher und das Haustier.
4. Narrative Agent: Schreibt die Geschichte anhand der Handlung und der Charakterdetails.
5. Editor Agent: Überprüft und überarbeitet die Geschichte hinsichtlich ihres Textflusses und ihrer Grammatik.

Der Orchestrator verwaltet diese Abfolge.

Jeder Agent erhält vom Orchestrator einen eigenen spezialisierten Prompt. Dieser Prompt enthält normalerweise:

• Seine Rolle: „Sie sind ein Generator für Handlungsskizzen.“
• Seine Aufgabe: „Erstellen Sie auf Grundlage der Anfrage des Nutzers eine Handlungsskizze.“
• Kontext/Eingabe: „Anfrage des Nutzers: {user_request}“
• Ausgabeformat: „Geben Sie eine Struktur in drei Akten aus.“

Hier sehen Sie eine konzeptionelle Darstellung des Designs eines Multi-Agent-Systems:

• Schritt 1: Ziel definieren: Welche komplexe Aufgabe soll erledigt werden?
• Schritt 2: Zerlegen: Teilen Sie die Aufgabe in kleinere Teilaufgaben auf.
• Schritt 3: Rollen zuweisen: Erstellen Sie für jede Teilaufgabe einen Agenten.
• Schritt 4: Prompts entwerfen: Formulieren Sie spezifische Prompts für jeden Agenten.
• Schritt 5: Orchestrieren: Legen Sie die Reihenfolge und den Datenfluss zwischen den Agenten fest.

Sie haben Multi-Agenten-Systeme kennengelernt. Finden wir heraus, ob Sie die zentrale Rolle erkennen können!

Sehr gut! Sie haben die Leistungsfähigkeit von Multi-Agent-Prompting-Systemen kennengelernt.

• Sie zerlegen komplexe Aufgaben mithilfe spezialisierter LLM-Agenten.
• Ein Orchestrator verwaltet den Ablauf und die Kommunikation.
• Klare Rollen und spezifische Prompts sind für jeden Agenten entscheidend.

Dieser Ansatz ermöglicht robustere und leistungsfähigere KI-Lösungen!