蚂蚁集团多智能体框架AIEvo正式开源

项目发起人:莫尔(李小宇)、玄浩(林皓俊)、冷凇(刘凇杉)

项目负责人:子谅(王恒)、善衡(曾欢)

AIEvo开源

AIEvo是蚂蚁集团开源的一款专注于多智能体协作的框架。其开发基于蚂蚁集团在大规模线上告警问题诊断和专家经验平台化方面的技术积累和实践经验。AIEvo通过多智能体协同和高可执行率的设计,利用反馈机制提升模型输出稳定性,并基于SOP机制确保指令的协同遵从,特别适用于复杂任务的自动化处理和智能决策支持。

a66615f7620b86af70d75f265d6464b5.png

核心优势

▌智能体高执行成功率

AIEvo通过Enviorment模块实现智能体状态的动态管理和调度,并利用feedback和watcher机制确保任务趋向最优解。这种设计保证了智能体在执行过程中能够灵活调整,极大提升了任务完成的成功率。

自主推理与任务分配

除了依赖预设方案,AIEvo允许智能体进行自主推理和任务分配。这种能力使得智能体在面对不确定性和复杂任务时,能够迅速调整策略,自主制定新的执行路径,增强了系统的适应性与智能化水平。

Go语言开发的多智能体框架

作为基于Go语言开发的少数多智能体框架之一,AIEvo具备高性能与并发处理的天然优势。这使其在大规模分布式系统和高性能需求的场景中表现尤为出色。

企业生产验证:

AIEvo已经过蚂蚁集团内部的生产验证,确保了框架的稳定性和可靠性。

技术架构

fb27661508a751091da85874552841f6.png

Agent模块

  • 用于Agent的构建,采用ReAct方式支持智能体之间的自主交互,每个智能体不仅能执行任务,还能进行信息交流,协同解决问题。

Env模块

  • Env模块作为多智能体的消息中转池,存储团队成员、订阅关系、历史消息和任务SopGraph等信息,确保智能体间高效、协调的任务执行。

Feedback模块

  • Feedback模块专注于审查和反馈智能体生成内容的规范性和准确性,确保输出符合预期,避免重复调用和生成敏感信息。

Watcher模块

  • Watcher模块实时监控多智能体的运行状态,适时介入调整队伍成员,保证任务顺畅进行。

驱动模块

  • 驱动模块采用消息驱动机制,管理整个多智能体系统的运作。通过构建Team和Sop,启动Watcher,并依照Env消息调度智能体,确保任务按计划进行。

规划

AIEvo平台能力的演进分为四大阶段,第一、二、三阶段在开源前已经完成,第四阶段在实验室也取得了较好效果。

第一阶段-实现Agent的单体LLM交互与多智能体的基础协同

  • Agent模块:实现单智能体的LLM交互。

  • Enviorment协作模块:实现多智能体的通信通道,实现智能体状态和环境的交互。

  • 用户介入模块:在关键点支持用户介入以调整任务走向及关键信息确认。

第二阶段-基于SOP和反馈机制,提升任务执行的稳定性和准确率

  • SOP模块:基于SOP构建Graph图,提高多智能体的协调稳定性和审查的参考依据。

  • 审查反馈模块:对LLM的输出文本结构、文本内容的稳定性和准确率方向进行审查,并实时反馈调整。

第三阶段-优化多智能体管理,通过Creative Agent匹配最合适的智能体

  • Creative Agent:基于专家招募模式,对用户的任务匹配更适合的智能体或选择用户已构建的智能体,过滤多余的智能体,降低打扰,匹配任务。

  • 观察者模式:对系统内各Agent的执行进行观察,将能力不足、捣乱者及时剔除/更新,保证任务快速稳定运行。

第四阶段-支持多文档、多模态环境,提升智能体协作的并发能力和效率

  • 多文档类型的支持,通过源文档快速提炼出来SOP。

  • 多模态支持。

  • 其他社区issue支持。

加入 AIEvo 社区

作为一个开放项目,我们认可开源的研发模式,并致力于将AIEvo社区打造成一个开放和有创造力的社区。后续,所有的研发、讨论等相关工作都会在社区透明运行。我们欢迎任何形式的参与,包括但不限于提问、代码贡献、技术讨论、需求建议等。我们期待更多AIOPS开发者和AI爱好者加入到AIEvo社区,与我们一起开创智能运维与多智能体的新篇章!

项目 GitHub 地址:

https://github.com/antgroup/aievo

钉钉群:

508358b791480bc0228cef2d4f4e8067.png

内容概要:本文系统研究了电力系统短期负荷预测问题,提出并实现了基于极限学习机(ELM)及其智能优化改进模型的预测方法。研究涵盖标准ELM、白鲸优化算法(BWO)优化ELM和鹭鹰优化算法(IBOA)优化ELM三种模型,重点通过智能优化算法对ELM的输入权重与偏置参数进行全局寻优,有效克服了传统ELM因参数随机初始化导致的不稳定性和泛化能力不足的问题。文章完整呈现了从数据预处理、特征选择、模型构建、参数优化到预测结果对比分析的全流程,利用Matlab编程实现各模型的仿真验证,显著提升了预测精度与模型鲁棒性,为电力系统调度决策提供了可靠的技术支撑。; 适合人群:具备电力系统基础知识、时间序列预测理论及Matlab编程能力的高校研究生、科研机构研究人员以及电力公司从事负荷预测、电网调度与规划工作的技术人员。; 使用场景及目标:①应用于实际电力系统短期负荷预测业务中,提升电网运行调度的精细化与智能化水平;②作为智能优化算法与神经网络融合的经典案例,服务于学术论文撰写、科研项目申报及算法性能对比研究;③应对新能源大规模接入背景下负荷波动加剧的挑战,为构建高精度、强鲁棒性的现代负荷预测体系提供解决方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解ELM网络结构与优化算法的集成机制,重点对比分析不同优化策略在收敛速度、预测误差(如MAE、RMSE、MAPE)等方面的性能差异,进而掌握智能优化技术在提升预测模型性能方面的关键作用。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值