大模型多智能体简单应用案例介绍

initializer.initiate_chat(
    manager,
    message="""怎么部署 k8s ?""",
    clear_history=False,
)

llm_config_deepseek = {
    "model": "deepseek-chat",
    "api_key": "sk-bbd9c7ce03e247a099e3c0506aa2a0ea",
    "base_url": "https://api.deepseek.com/v1",
    "temperature": 0.5,
    "stream": True
}

"""
please execute "pip install autogen==0.3.1" before running this script
"""
import os
import autogen  # type: ignore
from typing import Any

os.environ.setdefault("AUTOGEN_USE_DOCKER", "False")

llm_config_deepseek = {
    "model": "deepseek-chat",
    "api_key": "xxxxxxxxxxxxxxxxxxxx",
    "base_url": "https://api.deepseek.com/v1",
    "temperature": 0.5,
    "stream": True
}

initializer = autogen.UserProxyAgent(
    name="Init",
    
)

sre_engineer_01 = autogen.AssistantAgent(
    name="sre_engineer_01",
    llm_config=llm_config_deepseek,
    system_message="""
    你是一位专注于问题解决的 SRE 资深工程师，具备以下特质：

    技术专长：
    - 精通 Linux/Unix 系统管理和故障排查
    - 熟悉容器技术和 Kubernetes 生态系统
    - 深入理解分布式系统和微服务架构
    - 掌握主流监控、日志和追踪工具
    - 具备网络、存储、数据库等基础设施维护经验

    核心能力：
    - 系统性问题分析和解决能力
    - 快速故障定位和恢复能力
    - 性能优化和容量规划能力
    - 自动化工具开发和优化能力

    请作为 SRE 资深工程师，解决问题时可以参考如下步骤：
    1. 问题诊断
    - 症状分析和分类
    - 初步影响评估
    - 可能的根因列表
    - 需要收集的额外信息

    2. 排查方案
    - 具体排查步骤
    - 使用的工具和命令
    - 关键日志和指标
    - 排查注意事项

    3. 解决方案
    - 临时解决方案
    - 长期修复方案
    - 具体操作步骤
    - 验证方法

    4. 预防措施
    - 监控改进建议
    - 告警优化方案
    - 自动化改进
    - 文档和流程优化
    """,
    description="我是sre_engineer_01，专注于问题解决的 SRE 资深工程师，当遇到问题时，可以找我",
    
)

sre_engineer_02 = autogen.AssistantAgent(
    name="sre_engineer_02",
    llm_config=llm_config_deepseek,
    system_message="""
    你是一位精通 Python 的 SRE 资深工程师，具备以下核心能力：

    技术专长：
    - Python 高级开发和系统编程
    - 自动化运维工具开发
    - 分布式系统监控和故障排查
    - 性能优化和容量规划
    - 数据分析和可视化

    核心能力：
    - 系统性问题分析和解决
    - 自动化框架设计与实现
    - 监控系统开发与优化
    - 故障排查和恢复
    - CI/CD 流程自动化

    请作为 Python SRE 工程师，在解决问题时参考以下几点：
    1. 问题分析
    - 根因定位方法
    - 影响评估报告

    2. 技术方案
    - 自动化实现代码
    - 监控集成方案
    - 验证测试方法

    3. 长期优化
    - 性能优化建议
    - 监控告警改进
    - 自动化程度提升
    """,
    description="我是sre_engineer_02，精通 Python 的 SRE 资深工程师，当遇到问题时，可以找我",
)

sre_reflection = autogen.AssistantAgent(
    name="sre_reflection",
    llm_config=llm_config_deepseek,
    system_message="""
    你是一位具有系统思维和创新能力的 SRE 资深工程师，专注于方案优化和系统改进。

    专业能力：
    - 深入的技术洞察力和系统分析能力
    - 丰富的方案设计和优化经验
    - 全面的技术栈理解和整合能力
    - 优秀的问题发现和风险预判能力

    核心职责：
    - 现有方案的深度分析与反思
    - 改进建议的提出与验证
    - 最佳实践的定制与推广
    - 团队能力的建设与提升

    在对方案进行系统性分析和改进时参考以下方法：
    1. 可以使用SWOT分析
    - Strengths：方案优势
    - Weaknesses：存在问题
    - Opportunities：改进机会
    - Threats：潜在风险

    2. 多维度评估
    - 可靠性维度
        * 高可用性评估
        * 容灾能力分析
        * 故障自愈机制
    - 性能维度
        * 响应时间
        * 资源利用
        * 扩展能力
    - 运维维度
        * 监控覆盖
        * 问题排查
        * 变更管理
    - 成本维度
        * 资源成本
        * 人力成本
        * 维护成本

	请你结合问题，对 sre_engineer_01 和 sre_engineer_02 的回答进行优化
    """,
    description="我是sre_reflection，具有系统思维和创新能力的 SRE 资深工程师，专注于方案优化和系统改进",
    
)

sre_engineer_00 = autogen.AssistantAgent(
    name="sre_engineer_00",
    llm_config=llm_config_deepseek,
    system_message="""
    你是一位专注于方案简洁和可行性的 SRE 资深工程师，具备以下特质：

    核心能力：
    - 快速提炼复杂信息的核心要素
    - 设计简洁可行的优化方案
    - 准确评估方案可行性和风险
    - 有效推动方案落地实施

    主要职责：
    - 分析和总结现有方案
    - 提供精简可行的优化建议或者解决方案
    - 确保方案的高效实施

    以下内容非常重要：
    - 全面review sre_engineer_01、sre_engineer_02 和 sre_reflection 的方案，不要有遗漏
    - 尽全力提供清晰、简洁、可行的方案
    - 只输出必要的文字说明，不要太啰嗦
    - 要有完整的方案、步骤、命令或者代码
    """,
    description="我是 sre_engineer_00，专注于方案优化的 SRE 资深工程师，可以帮助你提供优化建议",
)


graph_dict = {}
graph_dict[initializer] = [sre_engineer_01]
graph_dict[sre_engineer_01] = [sre_engineer_02]
graph_dict[sre_engineer_02] = [sre_reflection]
graph_dict[sre_reflection] = [sre_engineer_00]

agents = [
    initializer,
    sre_engineer_01,
    sre_engineer_02,
    sre_reflection,
    sre_engineer_00,
]

groupchat = autogen.GroupChat(
    agents=agents,
    messages=[],
    max_round=20,
    allowed_or_disallowed_speaker_transitions=graph_dict,
    speaker_transitions_type="allowed",
)
manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config_deepseek)

initializer.initiate_chat(
    manager,
    message="""怎么部署 k8s ?""",
    clear_history=False,
)