rookie-wy/harness-style-multi-agent-framework

Was macht harness-style-multi-agent-framework?

Selbst implementiertes Multi-Agenten-System mit Harness-Architektur, basierend auf LangGraph und einem selbst entwickelten MCP-Protokoll, mit platzierbaren Fähigkeiten, Resilienz-Governance, RAG und Konversationsspeicher.

Übersicht

Dieses Framework implementiert eine Multi-Agenten-Architektur nach dem Harness-Ansatz, bei dem ein zentraler Koordinator (Harness) mehrere spezialisierte Agenten verwaltet. Die Agenten kommunizieren über ein selbst entwickeltes MCP-Protokoll, das eine flexible und erweiterbare Schnittstelle bietet.

Hauptmerkmale

• Harness-Architektur: Ein zentraler Koordinator delegiert Aufgaben an spezialisierte Agenten.
• LangGraph-Integration: Verwendet gerichtete Graphen zur Modellierung von Agenten-Workflows und -Interaktionen.
• Eigenes MCP-Protokoll: Einfaches und effizientes Protokoll für die Agentenkommunikation.
• Platzierbare Fähigkeiten: Fügen oder entfernen Sie Skills dynamisch zur Laufzeit.
• Resilienz-Governance: Automatische Wiederherstellung und Fehlerbehandlung bei Agentenausfällen.
• RAG (Retrieval-Augmented Generation): Kontextbewusste Antworten durch Abruf von relevanten Informationen.
• Konversationsspeicher: Langfristige Speicherung und Abruf von Dialoghistorie.

Verwendete Technologien

• LangGraph: Zur Erstellung von Workflows und Agentenkoordination.
• Python: Hauptsprache für die Implementierung.
• MCP-Protokoll: Selbst definiertes Kommunikationsprotokoll.
• Vector-Datenbanken: Für RAG (z.B. FAISS oder Chroma).
• LLM-Integration: Unterstützt verschiedene Large Language Models.

Installation

pip install langgraph langchain-core
# Abhängigkeiten für MCP-Protokoll und RAG
pip install chromadb faiss-cpu

Schnellstart

1. Klonen Sie das Repository.
2. Installieren Sie die Abhängigkeiten.
3. Starten Sie den Harness-Koordinator.
4. Fügen Sie spezialisierte Agenten hinzu.
5. Starten Sie Aufgaben.

from harness import Harness
from agents import BasicAgent

# Harness initialisieren
harness = Harness()

# Agenten hinzufügen
agent1 = BasicAgent("coder", skills=["python", "javascript"])
agent2 = BasicAgent("researcher", skills=["web_search", "rag"])

harness.register_agent(agent1)
harness.register_agent(agent2)

# Aufgabe ausführen
result = harness.run_task("Erstelle eine Python-Funktion zur Berechnung der Fibonacci-Zahlen")
print(result)

Konfiguration

Umgebungsvariablen:

• HARNESS_LOG_LEVEL: Steuert die Protokollebene (Standard: INFO).
• HARNESS_MAX_RETRIES: Maximale Anzahl von Wiederholungen bei Agentenfehlern (Standard: 3).
• RAG_EMBEDDING_MODEL: Modell für Embeddings in RAG (Standard: BAAI/bge-small-en-v1.5).
• MCP_PORT: Port für das MCP-Protokoll (Standard: 8765).

Architektur

Das System besteht aus:

• Harness: Zentraler Koordinator, der Aufgaben plant, Agenten registriert und die Ausführung überwacht.
• Agenten: Spezialisierte Einheiten, die bestimmte Fähigkeiten oder Domänen abdecken.
• MCP-Protokoll: Socket-basiertes Protokoll für Nachrichtenaustausch zwischen Agenten und Harness.
• Resilienz-Schicht: Überwacht Agenten und startet sie bei Bedarf neu.
• RAG-Modul: Ermöglicht kontextgesteuerte Informationsabrufe.
• Speicher: Persistentes Modul für Konversationshistorie.

Beispiele

Beispiel 1: Multi-Agenten-Zusammenarbeit

from harness import Harness

harness = Harness()
harness.add_skill("code_review")
harness.add_skill("logging")

result = await harness.run_async("Überprüfe Code und protokolliere Fehler")

Beispiel 2: RAG-Integration

from rag import RAGModule

rag = RAGModule(data_source="Dokumente/")
harness.set_rag(rag)

# Agenten können jetzt kontextbasierte Abfragen durchführen

Beitrag leisten

Beiträge sind willkommen! Bitte öffnen Sie Issues oder Pull-Requests auf GitHub.

Lizenz

MIT