再见 LangChain！Atomic Agent火了！
像LangChain、CrewAI和AutoGen这样的框架通过提供构建人工智能系统的高级抽象而广受欢迎。然而，包括我在内的许多开发人员都发现，这些工具弊大于利，常常给开发过程带来不必要的复杂性和挫折感。
进入Atomic Agents--一个模块化的精简框架，旨在消除与现有人工智能开发工具相关的麻烦。Atomic Agents 基于可靠的编程范式，如 Input–Process–Output（IPO）模型和原子性概念，提供了一种以简单性、灵活性和开发者控制为优先考虑的全新方法。
在本文中，我们将深入探讨 Atomic Agents 的创建原因、它所采用的编程范式以及它如何在众多产品中脱颖而出。结合代码示例和实际示例，一起深入了解 Atomic Agents。如果你也一度觉得 LangChain 太复杂了，下面我们一起看一看吧～
现有人工智能框架的问题
当我第一次开始尝试使用LangChain时，我对它简化人工智能代理开发非常感兴趣。然而，实际上并非如此简单。
除了各种错中复杂的类和方法，LangChain的开发者似乎并不了解人工智能开发所面临的实际挑战，或许他们更看重的是理论上的优雅而非现实世界中的可用性。过度的抽象不仅增加了开发难度，还让开发变得不透明。
CrewAI 和 AutoGen 中的魔法幻觉
同样，CrewAI和AutoGen等框架也试图通过自动化复杂任务来提供 “神奇 ”的解决方案。部署成群的人工智能代理来自主处理一切事务的想法很诱人，但在实践中，这些工具往往一半的时间都无法正常工作。它们的承诺过高，而实际效果却不尽如人意，让开发人员疲于应对不可预测的行为和缺乏控制的问题。
这些框架模糊了底层流程，使得调试或定制功能变得困难。结果就是，这些工具更像是一个黑盒子，而不是一个有用的框架--在开发需要可靠和可维护性的应用程序时，这种情况并不理想。
过度承诺功能：常见问题
这些框架经常出现的一个问题是倾向于过度承诺功能。一些公司和工具声称可以提供接近AGI（人工通用智能）的解决方案，但如果你有长时间从事人工智能领域相关工作，你就会发现，我们还没有达到那个水平。炒作往往会导致不切实际的期望，而当这些工具不可避免地出现不足时，开发人员就不得不面对后果。
需要更好的方法
在与这些挫折搏斗之后，我们清楚地认识到，我们需要一个这样的框架：消除不必要的复杂性和抽象层：
消除不必要的复杂性和抽象层。 为开发人员提供全面控制，而不会将关键功能隐藏在不透明的接口之后。 遵循可靠、久经考验的编程范式，提高可维护性和可扩展性。 由开发人员构建，面向开发人员，了解人工智能开发中面临的实际挑战。
这种认识促成了Atomic Agents的诞生。
Atomic Agents介绍
Atomic Agents是一个开源框架，旨在尽可能做到轻量级、模块化和可组合。它遵循输入-处理-输出（IPO）模型和原子性的原则，确保每个组件都是单一用途、可重用和可互换的。
Atomic Agents为何存在？
Atomic Agents 的诞生是为了弥补现有框架的不足。它的目标是
通过提供清晰、可管理的组件，简化人工智能开发。 消除困扰其他框架的多余复杂性和不必要的抽象。 促进灵活性和一致性，让开发人员专注于构建有效的人工智能应用，而不是与框架本身纠缠不清。 鼓励最佳实践，鼓励开发人员采用模块化、可维护的代码结构。
通过坚持这些原则，Atomic Agents 让开发人员能够构建既强大又易于管理的人工智能代理和应用程序。
Atomic Agents背后的编程范式
Input–Process–Output（IPO）模型
Atomic Agents的核心是Input–Process–Output（IPO）模型，这是一种基本的编程范式，它将程序结构分为三个不同的阶段：
Input：从用户或其他系统接收数据。 Process：对数据进行处理或转换。 Output：处理后的数据作为结果呈现。
这种模型清晰简洁，更容易理解和管理应用程序中的数据流。
在Atomic Agents中，这可以转化为
Input Schemas（输入模式）：使用 Pydantic 定义输入数据的结构和验证规则。 Processing Components（处理组件）：对数据执行操作的代理和工具。 Output Schemas（输出方案）：确保结果在返回前经过结构化和验证。
原子性：功能构件
原子性的概念是将复杂的系统分解成最小的功能部分或 “原子”。每个原子
具有单一责任，使其更易于理解和维护。 可重复使用，允许在应用程序的不同部分甚至不同项目中使用组件。 可与其他原子组件组合，构建更复杂的功能。
通过专注于原子组件，Atomic Agents 促进了模块化架构，提高了灵活性和可扩展性。
Atomic Agents如何工作
组成部分
在Atomic Agents中，人工智能代理由几个关键部分组成：
系统提示：定义代理的行为和目的。 输入模式：指定输入数据的预期结构。 输出模式：定义输出数据的结构。 内存：存储对话历史或状态信息。 上下文提供程序：在运行时向系统提示注入动态上下文。 工具：代理可使用的外部功能或应用程序接口。
每个组件的设计都是模块化和可互换的，并遵循关注点分离和单一责任的原则。
模块化和可组合性
模块化是Atomic Agents的核心。通过将组件设计成自成一体并专注于单一任务，开发人员可以
更换工具或代理，而不会影响系统的其他部分。 微调单个组件，如系统提示或模式，而不会产生意想不到的副作用。 通过调整输入和输出模式，将代理和工具无缝地串联起来。
这种模块化方法不仅使开发更易于管理，还增强了人工智能应用程序的可维护性和可扩展性。
提供上下文：增强灵活性
上下文提供程序允许代理在系统提示中包含动态数据，并根据最新信息加强响应。
示例：
from atomic_agents.lib.components.system_prompt_generator import SystemPromptContextProviderBase
class SearchResultsProvider(SystemPromptContextProviderBase):
def __init__(self, title: str, search_results: List[str]):
super().__init__(title=title)
self.search_results = search_results
def get_info(self) -> str:
return "\n".join(self.search_results)
# 向代理注册上下文提供程序
agent.register_context_provider("search_results", search_results_provider)
通过将实时数据注入代理的上下文，您可以创建更动态、反应更灵敏的人工智能应用。
模式和代理的链式连接
Atomic Agents 通过调整输入和输出模式，简化了代理和工具的链式连接过程。
示例： 假设你有一个查询生成代理和一个网络搜索工具。通过设置查询代理的输出模式，使其与搜索工具的输入模式相匹配，就可以直接将它们串联起来。
from web_search_agent.tools.searxng_search import SearxNGSearchTool
# Initialize the query agent
query_agent = BaseAgent(
BaseAgentConfig(
# ... other configurations ...
output_schema=SearxNGSearchTool.input_schema, # Align output schema
)
)
这种设计提高了可重用性和灵活性，可以轻松更换组件或扩展功能。
Atomic Agents优于其他产品的原因
消除不必要的复杂性
与引入多层抽象的框架不同，Atomic Agents 保持了简单明了。每个组件都有明确的目的，没有隐藏的魔法需要破解。
透明架构：您可以完全了解数据是如何在应用程序中流动的。 调试更容易：由于复杂性降低，识别和修复问题变得更加容易。 降低学习曲线：开发人员无需了解复杂的抽象概念，即可快速上手。
由开发人员打造，为开发人员服务
Atomic Agents 的设计考虑到了现实世界中的开发挑战。它采用久经考验的编程范式，并优先考虑开发人员的经验。
坚实的编程基础：通过遵循 IPO 模型和原子性，该框架鼓励最佳实践。 灵活性和控制：开发人员可根据需要自由定制和扩展组件。 社区驱动：作为一个开源项目，它邀请开发者社区提供贡献和协作。
独立和可重复使用的组件
Atomic Agents 的每个部分都可以独立运行，从而促进了可重用性和模块化。
可隔离测试：组件可单独测试，确保集成前的可靠性。 可跨项目重用：原子组件可用于不同的应用程序，节省开发时间。 更易于维护：隔离功能可减少变更的影响，简化更新。
构建一个简单的人工智能代理
我们将构建一个人工智能代理，它能响应用户询问并提出后续问题。
第 1 步：定义自定义输入和输出模式
from pydantic import BaseModel, Field
from typing import List
from atomic_agents.agents.base_agent import BaseIOSchema
class CustomInputSchema(BaseIOSchema):
chat_message: str = Field(..., description="The user's input message.")
class CustomOutputSchema(BaseIOSchema):
chat_message: str = Field(..., description="The agent's response message.")
suggested_questions: List[str] = Field(..., description="Suggested follow-up questions.")
第 2 步：设置系统提示
from atomic_agents.lib.components.system_prompt_generator import SystemPromptGenerator
system_prompt_generator = SystemPromptGenerator(
background=[
"You are a knowledgeable assistant that provides helpful information and suggests follow-up questions."
],
steps=[
"Analyze the user's input to understand the context and intent.",
"Provide a relevant and informative response.",
"Generate 3 suggested follow-up questions."
],
output_instructions=[
"Ensure clarity and conciseness in your response.",
"Conclude with 3 relevant suggested questions."
]
)
第 3 步：初始化代理
from atomic_agents.agents.base_agent import BaseAgent, BaseAgentConfig
import instructor
import openai
# Initialize the agent
agent = BaseAgent(
config=BaseAgentConfig(
client=instructor.from_openai(openai.OpenAI(api_key='YOUR_OPENAI_API_KEY')),
model="gpt-4",
system_prompt_generator=system_prompt_generator,
input_schema=CustomInputSchema,
output_schema=CustomOutputSchema
)
)
第 4 步：使用代理
user_input = "Can you explain the benefits of using Atomic Agents?"
input_data = CustomInputSchema(chat_message=user_input)
response = agent.run(input_data)
print(f"Agent: {response.chat_message}")
print("Suggested questions:")
for question in response.suggested_questions:
print(f"- {question}")
预期输出：
Agent: Atomic Agents simplifies AI development by providing modular, reusable components based on solid programming paradigms like the IPO model and atomicity.
Suggested questions:
- How does Atomic Agents compare to other AI frameworks?
- Can you provide an example of building an agent with Atomic Agents?
- What are the key features of Atomic Agents that enhance productivity?
整合工具和上下文提供程序
假设我们想让代理根据用户查询执行网络搜索。
第 1 步：下载并设置 SearxNGSearchTool
使用 Atomic Assembler CLI，我们可以下载搜索工具：
atomic
从菜单中选择 SearxNGSearchTool，然后按照说明安装依赖项。
第 2 步：集成搜索工具
from web_search_agent.tools.searxng_search import SearxNGSearchTool, SearxNGSearchToolConfig
# 初始化搜索工具
search_tool = SearxNGSearchTool(config=SearxNGSearchToolConfig(base_url="http://localhost:8080"))
第 3 步：更新代理以使用工具
我们可以修改代理，以便根据用户的输入决定何时使用搜索工具。
from typing import Union
class OrchestratorOutputSchema(BaseModel):
tool: str = Field(..., description="The tool to use: 'search' or 'chat'")
parameters: Union[SearxNGSearchTool.input_schema, CustomInputSchema] = Field(..., description="Parameters for the selected tool.")
# 修改代理逻辑以输出 OrchestratorOutputSchema
# ...
# 执行选定的工具
if response.tool == "search":
search_results = search_tool.run(response.parameters)
# 处理检索结果
else:
# 使用之前的聊天代理
pass
第 4 步：使用包含搜索结果的上下文提供程序
class SearchResultsProvider(SystemPromptContextProviderBase):
def __init__(self, search_results):
super().__init__(title="Search Results")
self.search_results = search_results
def get_info(self) -> str:
return "\n".join(self.search_results)
# After obtaining search results
context_provider = SearchResultsProvider(search_results)
agent.register_context_provider("search_results", context_provider)
通过这种集成，代理可以根据实时网络搜索数据提供响应。
Atomic Assembler CLI：轻松管理工具
Atomic Agents的一个突出特点是Atomic Assembler CLI，这是一个简化工具和代理管理的命令行工具。
受一些现代尾风库（如shadcn）的启发，在这些库中，你不需要将组件作为依赖项安装，而是在自己的源代码中对它们拥有所有权。
这意味着我们不会使用 pip 将工具作为依赖项安装，而是将其复制到我们的项目中。有两种方法可以做到这一点：
手动下载工具，或从 Atomic Agents GitHub 代码库中复制/粘贴源代码，并将它们放到 atomic-forge文件夹中。我们将使用 Atomic Assembler CLI 下载工具。
主要功能
下载和管理工具：轻松将新工具添加到项目中，无需手动复制或解决依赖问题。 避免依赖性杂乱：只安装您需要的工具，使您的项目保持精简。 轻松修改工具：每个工具都是独立的，有自己的测试和文档。 直接访问工具：如果你愿意，可以通过访问工具文件夹来手动管理工具。
写在最后
Atomic Agents 将简洁性、模块化和开发者控制放在首位，为人工智能开发领域带来了亟需的转变。通过采用输入-进程-输出模型和原子性等可靠的编程范式，它解决了许多开发人员在使用 LangChain、CrewAI 和 AutoGen 等现有框架时遇到的挫折。