「Swarms Architectures」 之「从技术上帮你拿住Swarms 」 内容包含主要包含: - Swarms架构解析 - MCS架构解析 这是一条完整介绍Swarms的代码的Thread，写这条Thread的原因是最近 #Swarms 的创始人被Shaw指责没有编写代码的能力推特火了之后，推特上很多人都在浅浅看看代码之后说Swarms的代码很烂，而且很多朋友也来询问我关于Swarms 技术的问题，这两天花了很多时间把基本上所有代码完整的看了一遍就有了这条Thread，客观的叙述下Swarms @swarms_corp 架构如下: 整体的架构图如下： 1. 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了类似ElizaOS对应的注册表的方式。 --------- Swarm Framework --------- 2.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： 1️⃣ 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 2️⃣ 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 3️⃣ 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 4️⃣ 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 4️⃣ 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 5️⃣ RoundRobin则是通过轮询的方式让每个Agent平等的参加工作 6️⃣ 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 7️⃣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 8️⃣ 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 关于Swarm的总结： 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) -------- Swarms Framework --------- 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 1️⃣SwarmRouter 通过 「Word Vector」比较的方式选择最合适的Swarm Model进行执行task 2️⃣SwarmRearrange 也可以通过类似定义 workflow 的方式，直接协调多个 Swarm 进行工作 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。 -------- 总结 -------- 最终Swarms产生的结果就是，任何Agent协作场景你都能在Swarms上找到开箱即用的协作方式，而即便是更复杂的场景也可以通过不同Swarms之间的配合来实现，因此ElizaOS开启了Web3 Agent Framework的赛道，而Swarms会对Web3 Agent Swarm 领域有很大的贡献要，当然现在的代码还不够完美，但是很明显随着越来越多开发者来到Swarms生态我们可以一起把这些很前沿的代码Build到最好 ---------- Mcs 架构分析----------- 目前Swarms生态也开始起来，我觉得会爆发出巨大的力量，就比如 Swarms 生态的龙一 #mcs 的核心代码不过百来行，核心是通过 AgentRearrange的Swarm Model协调四个agent之间的工作，而且当时Kye搞 @mcs_swarm 核心的目的就是想证明Swarms行！ 1. 核心架构与Agent： 主要Agent： - 首席医疗官(Chief Medical Officer)：协调整个团队，收集症状，形成鉴别诊断 - 医疗编码员(Medical Coder)：分配 ICD-10 代码，确保编码合规 - 诊断合成器(Synthesizer)：整合所有发现生成最终诊断评估 - 治疗智能体(Treatment Agent)：根据效果和成本推荐治疗方案 - 实验室匹配器(Lab Matcher)：匹配诊断与实验室检查，提供参考范围 定义Workflow: `首席医疗官 -> 医疗编码员 -> 诊断合成器 -> 治疗智能体` 2. 协调机制： 并通过上面介绍的AgentRearrange 方式来实现协调多个Agent工作 3. 工作流程 同时每轮执行前会从数据库中拿取该任务所需要的对应数据 推荐大家实际使用下 mcs 来感受下 mcs.swarms.world/ 所以对于 Swarms来说，一切肯定都不是最好的，但是足够好了，对于现在有这么一个开箱即用的框架也很棒了,Swarms的框架初看会觉得很一般，再看会逐渐发现里面一些 @KyeGomezB 关于Swarm很深的一些思考，是很有价值的

1/5 Swarms原理解析(一) 上一条推特用了外链，重新用thread写了一遍，感谢大家的建议～ xitter.cf/hhh69251498/status/187… #Swarms @swarms_corp 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； 根据跟用户的交互数据生成对应的任务，然后把任务交给LLM(大语言模型)进行处理，大语言模型会根据提前设置好的Tool Resistry选取对应的Tool进行执行，同时执行结果以及过程中发生的一些信息提取都会被加入到Memory之中。 我们大概可以认为 Swarms Tool = Eliza Provider + Action = Arc Tool. 所以这一块大家并没有什么太大的差别，也不存在太强的技术壁垒 # 2. Swarms Framework Swrms真正核心的其实是这套让各个Agent协作的架构 并且他有一个SwapRouter组件，通过这个组件它可以根据具体的任务内容启动不同的Agent协作框架，大体架构如下： SwarmRouter和SwarmMatcher会决定一个Task选择哪一个具体的Swarm框架进行执行 具体的Swarm框架会分配多个Agents来执行这个Task的不同部分，并且管理他们之间的输入输出，有些任务之间可能会有依赖关系，这个调度过程也是交给对应启动的Swarm框架来管理 最后就是被调度到的Agent执行自己的任务并且返回结果 ## 2.1 目前支持的Swarm方式 AgentRearrange (rearrange.py)用于优化 agent 排列顺序和工作流 支持灵活的任务流程定义 可以按照自定义的流程图执行任务 MixtureOfAgents (mixture_of_agents.py)组合多个不同类型的专家 agents 使用聚合器 agent 来汇总和分析其他 agents 的输出 通过分层执行实现任务分解和综合 SpreadSheetSwarm (spreadsheet_swarm.py)像电子表格一样处理并展示数据 支持并发任务执行并保存元数据 可以将处理结果导出为 CSV 文件 SequentialWorkflow (sequential_workflow.py)按顺序执行任务的工作流 支持任务依赖关系管理 可以保存和恢复工作流状态 ConcurrentWorkflow (concurrent_workflow.py) - 支持并发执行多个任务 - 使用线程池进行任务调度 - 可以监控资源使用情况 我们下面详细深入下 SequentialWorkflow，ConcurrentWorkflow， MixtureOfAgents这几个协作方式，剩下的几个我有时间再来写，Swarms的协作代码太多了看不过来了。 ## 2.2 SequentialWorkflow 如何工作 按顺序执行任务的工作流 支持任务依赖关系管理 可以保存和恢复工作流状态 以下是一个使用的调用例子，假设我们有创建了两个Agent: - Agent1是一个负责研究的Ai Agent - Agent2是一个负责写作的Ai Agent - 这个时候我们通过SequentialWorkFlow创建一个task： 研究并写一篇关于AI的文章 - 这个时候这个 task 会被先传递给 Agent1 ， 然后我们可以得到 output1 = Agent1.run(Task) - 接着我们更新下Content = {当前的任务是task, 已经有的研究结构是 output1 },然后把它传递传递给 Agent2, 这样最终我们就可以实现一个顺序分工的Agent工作机制 在以下代码里，我们也可以看到Sequential_flow就是一个顺序调用Agent的流程