动作图

简介

ActionGraph 类是 EvoAgentX 框架中的一个基础组件，用于在单个任务中创建和执行操作（动作）序列。它提供了一种结构化的方式来定义、管理和执行一系列需要按特定顺序执行的操作，以完成任务。

动作图表示一组按预定义顺序执行的运算符（动作），用于处理输入并产生输出。与在更高层次管理多个任务及其依赖关系的 WorkFlowGraph 不同，ActionGraph 专注于单个任务内的详细执行步骤。

架构

动作图架构

ActionGraph 由几个关键组件组成：

1. 运算符：

   每个运算符代表可以作为任务一部分执行的特定操作或动作，具有以下属性：

   • name：运算符的唯一标识符
   • description：运算符功能的详细描述
   • llm：用于执行运算符的 LLM
   • outputs_format：运算符输出的结构化格式
   • interface：调用运算符的接口
   • prompt：执行此运算符时用于指导 LLM 的模板

2. LLM：

   ActionGraph 使用语言学习模型（LLM）来执行运算符。它接收 llm_config 作为输入并创建 LLM 实例，该实例将被传递给运算符执行。LLM 提供了执行每个动作所需的推理和生成能力。

3. 执行流程：

   ActionGraph 定义了特定的执行顺序：

   • 动作按预定顺序执行（在 execute 或 async_execute 方法中使用代码指定）
   • 每个动作可以使用之前动作的结果
   • 在所有动作执行完成后产生最终输出

与工作流图的比较

虽然 ActionGraph 和 WorkFlowGraph 都管理执行流程，但它们在抽象层次上有所不同：

特性	动作图	工作流图
范围	单个任务执行	多任务工作流编排
组件	运算符（动作）	节点（任务）和边（依赖关系）
重点	任务内的详细步骤	不同任务之间的关系
灵活性	固定执行顺序	基于依赖关系的动态执行
主要用途	定义可重用的任务执行模式	编排复杂的多步骤工作流
粒度	细粒度操作	粗粒度任务

使用方法

基本动作图创建

from evoagentx.workflow import ActionGraph
from evoagentx.workflow.operators import Custom
from evoagentx.models import OpenAILLMConfig 

# 创建 LLM 配置
llm_config = OpenAILLMConfig(model="gpt-4o-mini", openai_key="xxx")

# 创建自定义 ActionGraph
class MyActionGraph(ActionGraph):
    def __init__(self, llm_config, **kwargs):

        name = kwargs.pop("name") if "name" in kwargs else "Custom Action Graph"
        description = kwargs.pop("description") if "description" in kwargs else "A custom action graph for text processing"
        # 基于 `llm_config` 创建 LLM 实例 `self._llm` 并将其传递给运算符
        super().__init__(name=name, description=description, llm_config=llm_config, **kwargs)
        # 定义运算符
        self.extract_entities = Custom(self._llm) # , prompt="Extract key entities from the following text: {input}")
        self.analyze_sentiment = Custom(self._llm) # , prompt="Analyze the sentiment of the following text: {input}")
        self.summarize = Custom(self._llm) # , prompt="Summarize the following text in one paragraph: {input}")

    def execute(self, text: str) -> dict:
        # 按顺序执行运算符（指定运算符的执行顺序）
        entities = self.extract_entities(input=text, instruction="Extract key entities from the provided text")["response"]
        sentiment = self.analyze_sentiment(input=text, instruction="Analyze the sentiment of the provided text")["response"]
        summary = self.summarize(input=text, instruction="Summarize the provided text in one paragraph")["response"]

        # 返回组合结果
        return {
            "entities": entities,
            "sentiment": sentiment,
            "summary": summary
        }

# 创建动作图
action_graph = MyActionGraph(llm_config=llm_config)

# 执行动作图
result = action_graph.execute(text="This is a test text")
print(result)

在工作流图中使用动作图

您可以直接使用 ActionGraph 或在 WorkFlowGraph 中将其作为节点使用。

from evoagentx.workflow.workflow_graph import WorkFlowNode, WorkFlowGraph
from evoagentx.workflow.action_graph import QAActionGraph
from evoagentx.core.base_config import Parameter
from evoagentx.models import OpenAILLMConfig, OpenAILLM
from evoagentx.workflow import WorkFlow

# 创建 LLM 配置
llm_config = OpenAILLMConfig(model="gpt-4o-mini", openai_key="xxx", stream=True, output_response=True)
llm = OpenAILLM(llm_config)

# 创建动作图
qa_graph = QAActionGraph(llm_config=llm_config)

# 创建使用动作图的工作流节点
qa_node = WorkFlowNode(
    name="QATask",
    description="Answer questions using a QA system",
    # 输入名称应与动作图的 `execute` 方法中的参数匹配
    inputs=[Parameter(name="problem", type="string", description="The problem to answer")],
    outputs=[Parameter(name="answer", type="string", description="The answer to the problem")],
    action_graph=qa_graph  # 使用 action_graph 而不是 agents
)

# 创建工作流图
workflow_graph = WorkFlowGraph(goal="Answer a question", nodes=[qa_node])

# 定义工作流
workflow = WorkFlow(graph=workflow_graph, llm=llm)

# 执行工作流
result = workflow.execute(inputs={"problem": "What is the capital of France?"})
print(result)

Warning

在 WorkFlowNode 中使用 ActionGraph 时，WorkFlowNode 的 inputs 参数应与 ActionGraph 的 execute 方法中所需的参数匹配。execute 方法应返回一个字典或 LLMOutputParser 实例，其键与 WorkFlowNode 中 outputs 的名称匹配。

保存和加载动作图

# 保存动作图
action_graph.save_module("examples/output/my_action_graph.json")

# 加载动作图
from evoagentx.workflow.action_graph import ActionGraph
loaded_graph = ActionGraph.from_file("examples/output/my_action_graph.json", llm_config=llm_config)

ActionGraph 类提供了一种强大的方式来定义单个任务内的复杂操作序列，补充了 EvoAgentX 框架中 WorkFlowGraph 的高级编排功能。