Dapr Agents 发布：支持规模化 AI 工作流、多智能体协作

哈喽！伙伴们，我是小智，你们的AI向导。欢迎来到每日的AI学习时间。今天，我们将一起深入AI的奇妙世界，探索“Dapr Agents 发布：支持规模化 AI 工作流、多智能体协作”，并学会本篇文章中所讲的全部知识点。还是那句话“不必远征未知，只需唤醒你的潜能！”跟着小智的步伐，我们终将学有所成，学以致用，并发现自身的更多可能性。话不多说，现在就让我们开始这场激发潜能的AI学习之旅吧。

Dapr Agents 发布：支持规模化 AI 工作流、多智能体协作：

Dapr 最近推出了 Dapr Agents，一个利用大语言模型构建可扩展、可靠的 AI 智能体的框架。它支持结构化的工作流、多智能体协调和基于事件驱动的执行能力，并利用了 Dapr 的安全性、可观测性和云中立架构。Dapr Agents 专为企业使用而设计，支持数千个智能体，可与数据库集成，并通过强大的编排和消息传递确保可靠性。

Dapr Agents 基于 Dapr 提供了一个框架，用于开发能够利用 LLM 进行推理、行动和协作的 AI 智能体。它提供了可靠性、可扩展性和可观测性，支持在单个核心上运行数千个智能体，并且原生支持在 Kubernetes 上运行。作者 Mark Fussell、Yaron Schneider 和 Roberto Rodriguez 描述了 Dapr Agents 与其他框架的不同之处：

Dapr Agents 基于 Dapr 的完整工作流引擎。许多其他智能体和 LLM 框架使用的是自建的工作流系统，这些系统在生产环境中往往不够可靠。Dapr Agents 使用经过验证的 Dapr 工作流系统，该系统具备很好的处理故障、重试和扩展问题的能力。

import logging
import asyncio
import requests
from dotenv import load_dotenv
from dapr_agents.llm.dapr import DaprChatClient
from dapr_agents import AssistantAgent, tool
# Load environment variables
load_dotenv()
logging.basicConfig(level=logging.INFO)
@tool
def get_pr_code(repository: str, pr: str) -> str:
“””Get the code for a given PR”””
response = requests.get(f”https://api.github.com/repos/{repository}/pulls/{pr}/files”)
files = response.json()
code = {file[“filename”]: requests.get(file[“raw_url”]).text for file in files}
return code
@tool
def perform_review(code: str) -> str:
“””Review code”””
response = DaprChatClient().generate(f”Review the following code: {code}”)
return response.get_content()
# Define Code Review Agent
code_review_agent = AssistantAgent(
name=”CodeReviewAgent”,
role=”Review PRs”,
instructions=[“Review code in a pull request, then return comments and/or suggestions”],
tools=[get_pr_code, perform_review],
message_bus_name=”messagepubsub”,
state_store_name=”workflowstatestore”,
agents_registry_store_name=”agentstatestore”,
service_port=8001,
)
# Start Agent Workflow Service
await code_review_agent.start()

Distributed Application Runtime (Dapr) 是一个开源框架，通过提供服务调用、状态管理、发布 / 订阅消息传递和可观测性等构建块来简化云原生应用程序的开发。它抽象了基础设施的复杂性，让开发人员能够专注于业务逻辑，并能够无缝地集成到 Kubernetes 和其他环境中。

Agentic AI 指的是那些能够自主处理信息、做出决策并执行任务的 AI 的驱动系统。在这一领域有多种解决方案，包括 LangChain、AutoGen 和 CrewAI 等框架，它们为开发人员提供了构建基于智能体的应用程序的能力。

Dapr Agents 利用大语言模型作为其推理引擎，并与外部工具集成来增强功能。开发者可以创建具备预定义角色、目标和指令的智能体，赋予它们推理能力以及基于工具的行动能力。他们还可以利用包含 LLM 推理的函数来定义结构化、确定性的工作流。这些工作流确保任务按照预设的顺序执行，同时通过工具集成保持了灵活性。

Dapr Agents 支持多智能体工作流，智能体可以通过 Dapr 的发布 / 订阅消息传递进行协作。协调模型包括基于 LLM 的决策制定、随机选择和轮询任务分配，实现自适应、自我推理的工作流。作者进一步阐述了这一点：

智能体需要作为自主的实体来运行，能够动态响应事件，从而实现与工作流的实时交互和协作。这些事件驱动的智能体工作流利用了 Dapr 的发布 / 订阅消息传递系统，使得智能体能够通过消息智能体进行通信、共享任务，并根据环境触发的事件进行推理。

该设计抽象了与数据库和消息智能体的集成，让开发人员能够在不进行重大代码更改的情况下切换基础设施供应商。它与 Prometheus 和 OpenTelemetry 等监控工具无缝集成，实现了可观测性。作为 CNCF 项目，它避免了供应商锁定，同时确保了安全通信和容错能力。

开发人员可以通过 GitHub 代码库探索 Dapr Agents 的功能，并加入 Discord 社区进行讨论和获取支持。

InfoQ 与 Diagrid 的 CTO 和 Dapr 维护者 Yaron Schneider 就 Dapr Agents、其实现和未来计划进行了交流。

InfoQ：你提到 Dapr Agents 的设计目标是能够在单个核心上运行数千个智能体。那么是哪些优化措施或架构决策实现了这个目标？在 Kubernetes 环境中，架构师应该如何考虑扩展性问题？
Yaron Schneider：Dapr Agents 将智能体及其后续任务视为 Actor ——这些轻量级且持久的对象可以扩展到数百万个，具有非常低的延迟。这使得 Dapr Agents 能够在消耗极低 CPU 和内存的情况下运行大量智能体。由于 Dapr 可以原生集成到 Kubernetes 中，Dapr Agents 对故障具有高度弹性，并考虑到了 Kubernetes Pod 的瞬态特性。

InfoQ：在分布式 AI 智能体异步交互时，调试和可观测性变得至关重要。Dapr Agents 为监控、日志记录和排查智能体行为提供了哪些内置功能？
Schneider：基于 Dapr 构建的 Dapr Agents 为其智能体工作流提供了指标数据，包括每秒请求数、错误率和延迟。此外，由于 Dapr 工作流支持分布式跟踪，开发人员可以使用 OTel 兼容工具来可视化智能体调用图。我们将在未来更多地在智能体可观测性方面进行投入。

InfoQ：Dapr Agents 接下来有什么计划？是否计划增加新功能或做出改进，例如增强的 LLM 集成、新的工作流原语或扩展多云功能？
Schneider：鉴于数据合成在智能体工作负载中的重要性日益增加，我们计划集成模型上下文协议（MCP），让开发人员能够通过状态存储和绑定 API 将 Dapr Agents 连接到各种数据源和 Dapr 的原生功能。此外，我们还计划通过 Dapr 的对话 API 增加对更多 LLM 供应商的支持。最重要的是，Dapr Agents 目前已经支持 Python，我们正在努力增加对 Dotnet 和 Java 的支持。

嘿，伙伴们，今天我们的AI探索之旅已经圆满结束。关于“Dapr Agents 发布：支持规模化 AI 工作流、多智能体协作”的内容已经分享给大家了。感谢你们的陪伴，希望这次旅程让你对AI能够更了解、更喜欢。谨记，精准提问是解锁AI潜能的钥匙哦！如果有小伙伴想要了解学习更多的AI知识，请关注我们的官网“AI智研社”，保证让你收获满满呦！