🔔新闻

• [2024-06-25] 我们发布了Agents 2.0，这是对原库的重大更新，新增了智能体学习与评估的支持。

---

🌟概览

智能体符号学习是一种系统性的语言智能体训练框架，其灵感来源于用于训练神经网络的联结主义学习流程。我们把语言智能体与神经网络进行类比：智能体的流水线对应于神经网络的计算图，智能体流水线中的一个节点对应于神经网络中的一层，而该节点的提示和工具则对应于神经网络中某一层的权重。通过这种类比，我们能够在基于语言的损失、梯度和权重的智能体训练场景下，实现联结主义学习的主要组成部分——反向传播和基于梯度的权重更新。

我们在精心设计的提示流水线基础上，实现了智能体训练中的损失函数、反向传播和权重优化器。对于一个训练示例，我们的框架首先执行“前向传递”（即智能体的执行过程），并将每个节点的输入、输出、提示以及工具使用记录在一个“轨迹”中。随后，我们利用基于提示的损失函数来评估结果，得到“语言损失”。接着，我们沿着轨迹从最后一个节点向第一个节点反向传播语言损失，从而为每个节点内的符号组件生成文本分析和反思，我们称之为“语言梯度”。最后，我们根据这些语言梯度，并借助另一个精心设计的提示，更新每个节点中的所有符号组件，以及由这些节点及其连接构成的计算图。此外，我们的方法还能自然地支持多智能体系统的优化，既可以将节点视为不同的智能体，也可以允许多个智能体在同一节点中采取行动。

工作流程示意图

---

🔧安装

从 Git 仓库分支安装：

pip install git+https://github.com/aiwaves-cn/agents@master

本地开发环境安装：

git clone -b master https://github.com/aiwaves-cn/agents
cd agents
pip install -e .

---

⭐ 星标历史

---

🚩引用

如果您在研究中使用了我们的仓库，请考虑引用以下内容：

@article{zhou2024agents2,
      title={Symbolic Learning Enables Self-Evolving Agents}, 
      author={Wangchunshu Zhou and Yixin Ou and Shengwei Ding and Long Li and Jialong Wu and Tiannan Wang and Jiamin Chen and Shuai Wang and Xiaohua Xu and Ningyu Zhang and Huajun Chen and Yuchen Eleanor Jiang},
      year={2024},
      eprint={2406.18532},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2406.18532}, 
}

@article{zhou2023agents,
      title={Agents: An Open-source Framework for Autonomous Language Agents}, 
      author={Wangchunshu Zhou and Yuchen Eleanor Jiang and Long Li and Jialong Wu and Tiannan Wang and Shi Qiu and Jintian Zhang and Jing Chen and Ruipu Wu and Shuai Wang and Shiding Zhu and Jiyu Chen and Wentao Zhang and Xiangru Tang and Ningyu Zhang and Huajun Chen and Peng Cui and Mrinmaya Sachan},
      year={2023},
      eprint={2309.07870},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2309.07870}, 
}

Agents 2.0 快速上手指南

Agents 2.0 是一个基于“符号学习”（Symbolic Learning）框架的开源库，旨在训练能够自我进化的语言智能体。它通过模拟神经网络的连接主义学习过程（前向传播、损失计算、反向传播、权重更新），利用自然语言作为损失、梯度和权重，实现智能体流程、提示词和工具的自动优化。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.8 及以上版本
• 前置依赖：
  • pip 包管理工具
  • git 版本控制工具
  • 有效的 LLM API Key（如 OpenAI, Azure OpenAI 等，具体取决于您计划使用的模型后端）

安装步骤

您可以选择直接从 GitHub 安装最新稳定版，或克隆代码进行本地开发。

方式一：直接安装（推荐）

使用 pip 直接从 GitHub 仓库安装：

pip install git+https://github.com/aiwaves-cn/agents@master

国内加速建议：如果下载速度较慢，可尝试配置 pip 使用国内镜像源（如清华源）：

pip install git+https://github.com/aiwaves-cn/agents@master -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：本地开发安装

如果您需要修改源码或贡献代码，请克隆仓库并进行可编辑安装：

git clone -b master https://github.com/aiwaves-cn/agents
cd agents
pip install -e .

基本使用

Agents 2.0 的核心工作流包含“前向执行”与“符号学习优化”。以下是一个概念性的最小使用示例，展示如何定义一个简单的智能体流程并触发学习过程。

(注：实际使用时需替换为您的 API Key 和具体任务数据)

from agents import Agent, Environment, Trajectory

# 1. 定义智能体节点 (对应神经网络中的层)
# 每个节点包含特定的 Prompt (权重) 和工具
agent = Agent(
    name="reasoning_agent",
    prompt="You are a helpful assistant that solves math problems step by step.",
    tools=[] 
)

# 2. 构建环境 (定义任务输入与评估标准)
env = Environment(
    task="Calculate the sum of 1 to 100.",
    evaluation_metric="exact_match" # 定义语言损失函数的评估标准
)

# 3. 前向传播 (Forward Pass)
# 执行智能体，生成轨迹 (Trajectory)，记录输入、输出、Prompt 使用情况
trajectory: Trajectory = agent.run(env.task)

# 4. 计算语言损失 (Language Loss)
# 根据执行结果评估损失
loss = env.evaluate(trajectory)

# 5. 反向传播 (Backward Pass)
# 从后向前传播损失，生成语言梯度 (文本分析与反思)
gradients = trajectory.backpropagate(loss)

# 6. 权重更新 (Weight Update)
# 根据语言梯度更新节点的 Prompt 和计算图结构
agent.update(gradients)

print("Agent self-evolved successfully with new prompts:")
print(agent.prompt)

核心概念简述

• Trajectory (轨迹)：记录智能体执行过程中的所有状态，相当于神经网络的计算图快照。
• Language Loss (语言损失)：通过 Prompt 评估任务完成度的文本反馈。
• Language Gradients (语言梯度)：反向传播生成的文本分析和反思，用于指导优化。
• Self-Evolving (自我进化)：通过上述循环，智能体自动调整其 Prompt 策略和工作流结构。

更多详细文档和高级用法（如多智能体系统优化），请访问 官方文档。