AI导哈

分布式AI代理协作框架

Aegis是DAWN框架的参考实现，旨在实现异构人工智能代理之间的通用互操作性、发现和协作。

  • by amsilveira-ce
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 amsilveira-ce/Aegis-Agent-Interoperability

使用说明

Aegis：实施DAWN框架

Aegis是 DAWN（分布式代理工作流网络） --一个架构框架，旨在实现 异构人工智能代理之间的通用互操作性、发现和协作.

1.问题：AI孤岛

今天的人工智能领域是支离破碎的。自主代理在孤立的生态系统（如LangChain、CrewAI等）中运行，无法与外部代理协作。这导致了冗余开发，并限制了可解决问题的复杂性。 DAWN旨在打破这些孤岛，为真正的协作人工智能生态系统创建一个通信标准。

2.解决方案：DAWN框架

DAWN提议 自上而下编排模型，围绕两个主要组成部分，构建一个 人工智能能力的全球精英市场.

核心架构

DAWN架构由三个主要支柱组成：

  1. 主要代理人： 中央协调人。它接收用户请求，将其分解为任务，计划执行并管理上下文。
  2. 网关代理： 服务发现注册表。充当“智能目录”，资源代理（工具或其他代理）在其中注册，并根据其功能和性能指标（QoS）进行发现。
  3. 资源代理： 任何提供特定功能的专用代理或工具（例如计算器、网络搜索代理或专用AI模型）。

3.宙斯盾核心组件

Aegis的实施分为以下主要部分，反映了DAWN蓝图。

3.1.主要代理人(Aegis/core/principal_agent)

充当编排的中央大脑。

设计原理：

  • 灵活的操作模式： 支持 NO_LLM, ASSISTED （复制品）， AGENT，以及 HYBRID 模式，允许在确定性和自主工作流之间进行转换。
  • 上下文管理： 维护层次结构上下文(conversation_history, user_preferences, task_history, memory_bank)实现复杂任务的个性化和连续性。
  • 推理策略： 设计用于实现多个“推理引擎”（例如ReAct、ReWOO、ToT）进行任务分解。
  • 本地资源缓存： 保留本地资源缓存，以减少频繁网关查询的网络开销。

架构(principalAgent.py):

  • mode: OperationalMode
  • gateway_agents: List[GatewayAgent]
  • local_resources: Dict[str, Resource]
  • task_queue: List[Task]
  • execution_history: List[Dict]
  • context: Dict
  • reasoning_strategies: Dict

3.2.网关代理(Aegis/core/gateway_agent)

管理网络中所有可用资源的注册、验证和智能发现。

设计原理：

  • 双索引注册表： 使用一个 registry （用于通过ID查找O（1））和a capability_index （对于按能力发现O（1））——对于高性能至关重要。
  • 性能跟踪（QoS）： 每个注册的资源都包含自己的性能指标(performance_metrics, success_rate, avg_response_time).这允许网关充当智能选择器，不仅根据能力，而且根据历史性能对资源进行排名。
  • 资源验证： 包含 test_results 和 is_active，允许在不删除的情况下优雅地停用故障资源，从而确保系统的健壮性。

架构(gatewayAgent.py 和 gatewayAgent_schemas.py):

  • registry: Dict[str, RegisteredResource]

  • capability_index: Dict[str, List[str]]

  • security_filters: List[Callable]

  • gateway_metrics: Dict

  • RegisteredResource （模式）：

    • id: str
    • capabilities: List[str]
    • endpoint: str
    • api_schema: Dict[str, Any]
    • manifest: Dict[str, Any]
    • performance_metrics: Dict[str, float]
    • is_active: bool

4.技术栈（MVP）

此MVP的方法使用以下技术：

  • 后端： Python（FastAPI）和Node.js用于代理服务。
  • 协议： A2A（代理到代理）用于水平通信（代理代理），MCP（模型上下文协议）用于垂直通信（代理工具），通过HTTP（S）使用JSON-RPC 2.0。
  • 数据库： PostgreSQL用于网关注册表、清单和指标的持久存储。
  • 消息： Redis Streams或NATS用于异步通信和任务状态管理。
  • 监控： Prometheus+Grafana堆栈用于实时性能指标（延迟、成功率）。
  • LLM（推理引擎）： 主代理的模型，如Granite、Mistral和Llama2（通过API）。

5.入门

先决条件

  • Python 3.9+
  • PostgreSQL
  • Redis或NATS

安装

  1. 克隆此存储库：

    git clone https://github.com/your-username/aegis.git
cd aegis

  2. 创建并激活虚拟环境：

    python -m venv venv
source venv/bin/activate

  3. 安装依赖项：

    pip install -r requirements.txt

  4. 配置环境变量（创建 .env 文件）：

    DATABASE_URL="postgresql://user:pass@localhost/aegis_db"
REDIS_URL="redis://localhost:6379"
# ... other configurations

运行服务

  1. 启动网关代理：

    uvicorn Aegis.core.gateway_agent.main:app --host 0.0.0.0 --port 8000

  2. 启动主代理：

    uvicorn Aegis.core.principal_agent.main:app --host 0.0.0.0 --port 8001

6.执行流程（MVP示例）

  1. A. 资源代理 （例如。， WeatherAgent)将其元数据（清单、API架构、功能）发送到 网关代理s REGISTER_RESOURCE 终点。
  2. 这 网关代理 验证资源（执行健康检查）并存储它，由两者进行索引 id 和 capabilities.
  3. 用户向发送请求（例如，“圣保罗的天气预报是什么？”） 委托代理.
  4. 这 委托代理 使用其推理引擎（例如ReAct）将请求分解为任务： Task(description="get_weather_forecast", requirements=["weather", "location:São Paulo"]).
  5. 这 委托代理 查询 网关代理 （通过 QUERY_RESOURCES)对于满足以下条件的代理商 requirements.
  6. 这 网关代理 查找它 capability_index，找到 WeatherAgent，根据QoS指标（延迟、成功率）对其进行排名，并返回其详细信息。
  7. 这 委托代理 使用A2A协议委派 Task 到 WeatherAgent的端点。
  8. 这 WeatherAgent 执行任务并返回结果。
  9. 这 委托代理 更新网关中的执行指标，并将最终响应返回给用户。

相关 MCP