PraisonAI项目中的顺序任务处理机制解析-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00226/article/details/148527462

PraisonAI项目中的顺序任务处理机制解析

PraisonAI PraisonAI application combines AutoGen and CrewAI or similar frameworks into a low-code solution for building and managing multi-agent LLM systems, focusing on simplicity, customisation, and efficient human-agent collaboration. 项目地址: https://gitcode.com/gh_mirrors/pr/PraisonAI

概述

在PraisonAI项目中，顺序任务处理是一个核心功能，它允许开发者创建多个AI代理(Agent)并让它们按照特定顺序执行任务。本文将通过分析项目中的顺序任务处理示例代码，深入讲解其工作机制、实现原理以及实际应用场景。

代理(Agent)与任务(Task)的基本概念

在PraisonAI框架中，代理和任务是两个核心组件：

代理(Agent)：代表一个具有特定能力和角色的AI实体。每个代理都有明确的角色、目标和背景故事，这些信息会指导代理的行为方式。
任务(Task)：代表需要代理完成的具体工作。任务包含描述、预期输出、关联代理等信息。

代理配置详解

示例中定义了两个代理：

研究员(Researcher)：
- 角色：高级研究分析师
- 目标：发现AI和数据科学领域的前沿发展
- 工具：集成了DuckDuckGo搜索功能
- 特点：启用了自我反思机制(min_reflect和max_reflect参数)
写手(Writer)：
- 角色：技术内容策略师
- 目标：撰写关于技术进步的引人入胜的内容
- 特点：允许任务委派(allow_delegation=True)

researcher = Agent(
    name="Researcher",
    role="Senior Research Analyst",
    goal="Uncover cutting-edge developments in AI and data science",
    backstory="""You are an expert at a technology research group, 
    skilled in identifying trends and analyzing complex data.""",
    verbose=True,
    allow_delegation=False,
    tools=[internet_search_tool],
    llm="gpt-4o",
    markdown=True,
    reflect_llm="gpt-4o",
    min_reflect=2,
    max_reflect=4
)

顺序任务处理机制

示例代码展示了四个任务的顺序执行流程：

研究任务：分析2024年AI领域的进展
写作任务：基于研究结果撰写博客文章
JSON生成任务：创建简单的JSON对象
保存输出任务：将博客文章保存到文件

任务依赖关系

任务之间可以通过context参数建立依赖关系。例如，写作任务依赖于研究任务的输出：

task2 = Task(
    name="writing_task",
    description="""Create a blog post about major AI advancements...""",
    agent=writer,
    context=[task1],  # 依赖task1的输出
    callback=my_callback
)

回调函数机制

PraisonAI支持为任务设置回调函数，当任务完成时会自动调用：

def my_callback(output):
    print(f"Callback Task output: {output}")

工具集成与自定义功能

示例中展示了如何集成外部工具——DuckDuckGo搜索：

def internet_search_tool(query) -> list:
    try:
        results = []
        ddgs = DDGS()
        for result in ddgs.text(keywords=query, max_results=10):
            results.append({
                "title": result.get("title", ""),
                "url": result.get("href", ""),
                "snippet": result.get("body", "")
            })
        return results
    except Exception as e:
        print(f"Error during DuckDuckGo search: {e}")
        return []

这个自定义工具随后被分配给研究员代理使用。

任务执行与结果处理

通过PraisonAIAgents类管理代理和任务的执行：

agents = PraisonAIAgents(
    agents=[researcher, writer],
    tasks=[task1, task2, task3, task4],
    process="sequential",  # 指定顺序执行模式
    manager_llm="gpt-4o"
)

执行后可以获取详细的任务状态和结果：

# 打印任务结果摘要
print("\n=== Task Results ===")
for task_id, task_status in result['task_status'].items():
    print(f"Task {task_id}: {task_status}")
    if task_result := result['task_results'].get(task_id):
        print(f"Output: {task_result.raw[:200]}...")

错误处理机制

PraisonAI提供了完善的错误日志记录功能，可以捕获并分类各种执行错误：

if error_logs:
    print("\n=== Error Summary ===")
    for err in error_logs:
        print(f"- {err}")
        if "parsing self-reflection json" in err:
            print("  Reason: The self-reflection JSON response was not valid JSON.")
        elif "Error: Task with ID" in err:
            print("  Reason: Task ID referenced does not exist.")