LlamaIndex团队自豪地宣布推出Llama Agents的alpha版本，这是一款全新的开源框架，旨在简化构建、迭代和部署多代理AI系统的过程，使您的代理转变为生产级微服务。无论您正在构建复杂的问答系统、协作型AI助手，还是分布式AI工作流，Llama Agents都能提供所需工具和结构，将您的创意变为现实。

Llama Agents的关键特性：

分布式服务导向架构：在LlamaIndex中，每个代理都是独立运行的微服务，由完全可定制的LLM（大型语言模型）驱动的控制平面编排，该控制平面负责路由和分配任务。通过标准化API接口通信：代理之间使用中心控制平面编排器接口，通过消息队列在代理间传递消息。定义代理和明确的编排流程：开发者可以选择直接定义代理之间的交互顺序，或者交由“代理编排器”决定哪些代理与任务相关。易于部署：独立启动、扩展和监控每个代理和控制平面。可扩展性和资源管理：使用内置的可观测性工具监测系统质量和性能，以及每个单独代理服务的表现。

让我们深入了解如何开始使用Llama Agents构建您自己的多代理系统。

开始使用Llama Agents

首先，使用pip安装框架：

深色版本1pip install llama-agents llama-index-agent-openai

基本系统设置

以下是一个使用Llama Agents设置基本多代理系统的简单示例。首先，我们将引入我们的依赖项并设置控制平面，其中包含我们的LLM驱动的编排器：

Python深色版本1import dotenv2dotenv.load_dotenv() # 我们的.env文件定义了OPENAI_API_KEY34from llama_agents import (5 AgentService,6 ControlPlaneServer,7 SimpleMessageQueue,8 AgentOrchestrator,9)1011from llama_index.core.agent import FunctionCallingAgentWorker12from llama_index.core.tools import FunctionTool13from llama_index.llms.openai import OpenAI1415import logging16# 开启日志，以便我们能看到系统的工作情况17logging.getLogger("llama_agents").setLevel(logging.INFO)1819# 设置消息队列和控制平面20message_queue = SimpleMessageQueue()21control_plane = ControlPlaneServer(22 message_queue=message_queue,23 orchestrator=AgentOrchestrator(llm=OpenAI()),24)

接下来，我们使用LlamaIndex现有的抽象创建工具，将这些工具提供给代理，并将该代理转化为独立的微服务：

Python深色版本1# 创建一个工具2def get_the_secret_fact() -> str:3 """返回秘密事实。"""4 return "秘密事实是：小羊驼被称为'Cria'。"56tool = FunctionTool.from_defaults(fn=get_the_secret_fact)78# 定义一个代理9worker = FunctionCallingAgentWorker.from_tools([tool], llm=OpenAI())10agent = worker.as_agent()1112# 创建代理服务13agent_service = AgentService(

最后，我们启动服务和控制平面。注意，这里我们使用一个辅助函数运行一个查询通过系统，然后退出；接下来我们将展示如何将其部署到生产环境。

Python深色版本1# 设置本地测试的启动器2from llama_agents import LocalLauncher34launcher = LocalLauncher(5 [agent_service],6 control_plane,7 message_queue,8)910# 运行一个查询通过系统11result = launcher.launch_single("秘密事实是什么？")12print(result)

Llama Agents提供了一个强大且灵活的框架，用于构建复杂的多代理AI系统。无论您是在原型设计新想法还是扩展至生产规模，Llama Agents都能提供将您的AI愿景变为现实所需的工具。