HHH Blog
Posts
-
Gemini Cli
Gemini CLI 架构深度分析
-
融资融了1700万美元的AI浏览器 Browser-Use 是怎么实现的
1. AI控制浏览器的应用场景
简单来说,目前浏览器作为人参与互联网的重要基础设施,不仅仅作为我们的信息获取渠道,同时也已经参与进我们的生活中,比如我们通过电商平台购物,社交平台交友等等,甚至可以说人类的互联网生命是活在浏览器上,因此LLM控制浏览器的意义就在于,一旦可以完全控制,它就可以做所有的事情。
-
Buzz 为每个人创造自己的web3 Agent

-
Swarms 架构

- Swarms的Agent的设计该有的功能都有,也就是跟ElizaOs一样都支持了Memory,Tool,LLM,Evaluator, 同时Tool的设计上也都是采用对应了对应的注册表的方式
- 在Agent之上是对应的Swarm Framework,用于协调多个Agent之间的工作
- 目前Swarms已经实现的Swarm Framework有:
- MajorityVoting,相当于多个不同的Agent同时执行一个task,最后会通过投票的方式选择一个最佳答案进行回复,最多得票数的回复会被采用;其实也很想区块链的Pos共识机制,挺有趣的
- AgentRearrange,是一个很灵活的Swarm框架,比如我们现在有三个不同的Agent A,B,C,D ; 然后假设有一个任务希望 按照 task -> A -> B -> C -> D的方式被处理,即A先处理这个任务然后交给B处理再给C处理接着给D处理,那么我们只需要在WorkFlow里这么定义 workflow = “ A -> B -> C -> D”, 然后初始化这个AgentRearrange并且运行,如下所示:
AgentRearrange(agents = [A,B,C,D],workflow = " A -> B -> C -> D").run(task)我们就可以拿到按照我们规定的工作方式最后产生的结果 - 同时如果我们把WorkFlow定义成 A -> B,C -> D,那么A执行task之后,B、C会同时执行任务,最后D再执行任务,所以这是一个可以通过WorkFlow实现灵活定义整个工作流的Swarm模式 - GraphFlow,则相比AgentRearrange还有支持更复杂的工作流关系,可以任意设计整个工作流的之间的依赖关系 - GroupChat 则是让多个Agent进行多轮对话,最终通过多轮对话不断完善要完成的任务内容,从而让结果更可靠更详尽 - - MixtureOfAgents 则是多个Agent同时工作,最后有一个Agent负责总结所有的工作,并产生最终的输出 - RoundRobin则是通过轮询的方式让每个Agent平等的参加工作 - ForestSwarm则是可以支持多个层级的Agent关系,所以就想树有很多枝干一样,ForestSwarm就是一个巨大的Agent节点构成的网络,因为起名叫做森林 - 还有MultiAgentRouter也是我们介绍过的BossAgent - ConcurrentWorkflow,支持多个AI Agent同时执行同一个任务 - AsyncWorkflow, 多个AI Agent异步执行任务,因此这里需要用到ShareMemory来记录任务产生的数据,同时还有复杂的SpeakSystem- 所以Swarm Framework这一层其实需要管理不同的组件,ShareMemory, WorkFlow和 OutputManager, TaskAssigner ,因为总结上面这些不同的Swarm Model,我们会发现当我们想协调多个Agent共同工作的时候我们需要考虑以下几个问题: 1. 决定任务交给谁做 (TaskAssigner) 2. 怎么协调Agent参与工作的先后顺序 (WorkFlow) 3. 怎么管理任务执行之后产生的输出(Output Manager) 4. 异步执行的时候怎么传递一些状态给其他相关任务(ShareMemory)
- Swarm再上层就是Swarms Framework了,用于协调多个Swarm之间的工作,目前主要支持两种
- SwarmRouter
- 通过 「Word Vector」比较的方式选择最合适的Swarm Model进行执行task
- SwarmRearrange
- 也可以通过类似定义 workflow 的方式,直接协调多个 Swarm 进行工作
- SwarmRouter
- 最后我想再强调一下一个Agent是可以在不同的Swarm下直接工作的,所以这里所有的Agent都会由AgentRegistry进行管理,从而能在不同Swarm下尽可能多的复用。
-
Swarms Analysis (三)
这篇文章讲介绍 #SWARMS 框架里最好用的两个东西,一个用于调度多个Agent的Swarm框架
-
Swarms Analysis (二)
```python
定义专业金融分析Agent
finance_agents = [ Agent( agent_name=”市场分析Agent”, description=”负责分析市场趋势并提供交易洞察”, system_prompt=”"”你是一位金融市场分析师。 你的主要职责包括: 1. 深入分析市场数据和趋势 2. 解读市场指标和信号 3. 提供基于数据的市场洞察 4. 给出具体的交易建议
请确保所有分析都有数据支持,建议要具有可操作性。""", model_name="openai/gpt-4o" ), Agent( agent_name="风险评估Agent", description="评估金融风险和合规要求", system_prompt="""你是一位风险评估专家。 你的核心职责是: 1. 全面分析金融数据中的潜在风险 2. 审查运营过程的合规性 3. 识别潜在的风险点 4. 提出具体的风险管理策略 请确保评估全面且符合当前监管要求。""", model_name="openai/gpt-4o" ), Agent( agent_name="投资策略Agent", description="提供投资策略和投资组合管理", system_prompt="""你是一位投资策略专家。 你的重要职责包括: 1. 制定科学的投资策略 2. 优化投资组合配置 3. 进行长期财务规划 4. 提供定制化的投资建议 请确保建议符合客户的风险承受能力和投资目标。""", model_name="openai/gpt-4o" ) ] -
Swarms Analysis (一)
1. Agent架构
Swarms Agent的架构如下,大体架构其实跟其他Web3 AI Agent框架都差不多;
-
Arc 框架解析
1. 实现了 RAG 数据库
-
我在 Project89 内看到下一代Agent框架
先说结论,project89 采用一种全新的方式来设计Agent Framework, 这是一个针对游戏开发的高性能的Agent Framework,与目前使用的Agent Framework相比有更好的性能。
-
Buzz Swarm Architecture:如何优雅的实现
『Buzz 之 Swarm 如何优雅的实现』 昨日副标题 『 为何在buzz上亏钱 』 今日副标题 『 仓位不够大 』
subscribe via RSS