Skip to content

agent_architecture.md

Latest commit

 

History

History
157 lines (111 loc) · 4.55 KB

agent_architecture.md

File metadata and controls

157 lines (111 loc) · 4.55 KB

內容發布系統 - Agent 架構圖

系統概覽

這個多代理系統結合了並行研究和循序內容創作，展示了進階的代理編排模式。

Agent 關聯圖

graph TB
    Start([使用者輸入主題]) --> CPS[ContentPublishingSystem<br/>循序代理]

    CPS --> PR[ParallelResearch<br/>並行代理<br/>階段1: 研究]

    %% 並行分支 1: 新聞研究管線
    PR --> NP[NewsPipeline<br/>循序代理]
    NP --> NF[news_fetcher<br/>新聞研究員]
    NF -->|raw_news| NS[news_summarizer<br/>新聞總結者]
    NS -->|news_summary| Merge[合併研究結果]

    %% 並行分支 2: 社群媒體研究管線
    PR --> SP[SocialPipeline<br/>循序代理]
    SP --> SM[social_monitor<br/>社群媒體監控者]
    SM -->|raw_social| SA[sentiment_analyzer<br/>情緒分析師]
    SA -->|social_insights| Merge

    %% 並行分支 3: 專家意見管線
    PR --> EP[ExpertPipeline<br/>循序代理]
    EP --> EF[expert_finder<br/>專家尋找者]
    EF -->|raw_experts| QE[quote_extractor<br/>引述提取者]
    QE -->|expert_quotes| Merge

    %% 循序內容創作流程
    Merge --> AW[article_writer<br/>文章撰寫者<br/>階段2: 草稿]
    AW -->|draft_article| AE[article_editor<br/>文章編輯者<br/>階段3: 編輯]
    AE -->|edited_article| AF[article_formatter<br/>文章格式化者<br/>階段4: 格式化]
    AF -->|published_article| End([發布的文章])

    %% 工具使用
    NF -.使用.-> GS1[google_search]
    SM -.使用.-> GS2[google_search]
    EF -.使用.-> GS3[google_search]

    %% 樣式設定
    classDef parallelAgent fill:#e1f5ff,stroke:#01579b,stroke-width:3px
    classDef sequentialAgent fill:#fff3e0,stroke:#e65100,stroke-width:3px
    classDef leafAgent fill:#f1f8e9,stroke:#33691e,stroke-width:2px
    classDef tool fill:#fce4ec,stroke:#880e4f,stroke-width:2px
    classDef dataFlow fill:#fff,stroke:#666,stroke-width:1px,stroke-dasharray: 5 5

    class PR parallelAgent
    class CPS,NP,SP,EP sequentialAgent
    class NF,NS,SM,SA,EF,QE,AW,AE,AF leafAgent
    class GS1,GS2,GS3 tool
    class Merge dataFlow
Loading

架構說明

🔵 階段 1: 並行研究 (ParallelResearch)

三條研究管線同時執行，每條管線內部是循序處理：

📰 新聞研究管線 (NewsPipeline)

  1. news_fetcher: 使用 Google 搜尋取得最新新聞文章
    • 輸出: raw_news
  2. news_summarizer: 總結關鍵新聞要點
    • 輸出: news_summary

📱 社群媒體研究管線 (SocialPipeline)

  1. social_monitor: 監控社群媒體趨勢和討論
    • 輸出: raw_social
  2. sentiment_analyzer: 分析社群情緒和洞察
    • 輸出: social_insights

👨‍🏫 專家意見管線 (ExpertPipeline)

  1. expert_finder: 尋找產業專家和意見領袖
    • 輸出: raw_experts
  2. quote_extractor: 提取可引用的專家見解
    • 輸出: expert_quotes

🟠 階段 2-4: 循序內容創作

研究完成後，依序執行內容創作：

  1. article_writer (階段 2): 整合所有研究撰寫文章草稿

    • 輸入: news_summary, social_insights, expert_quotes
    • 輸出: draft_article

  2. article_editor (階段 3): 編輯文章提升品質

    • 輸入: draft_article
    • 輸出: edited_article

  3. article_formatter (階段 4): 格式化文章以供發布

    • 輸入: edited_article
    • 輸出: published_article

資料流程

flowchart LR
    A[主題輸入] --> B{並行研究}

    B --> C[raw_news]
    B --> D[raw_social]
    B --> E[raw_experts]

    C --> F[news_summary]
    D --> G[social_insights]
    E --> H[expert_quotes]

    F --> I[draft_article]
    G --> I
    H --> I

    I --> J[edited_article]
    J --> K[published_article]

    style B fill:#e1f5ff
    style I fill:#fff3e0
    style J fill:#fff3e0
    style K fill:#f1f8e9
Loading

關鍵特性

⚡ 並行執行

  • 3 條研究管線同時執行，大幅縮短研究時間
  • 每條管線內部仍保持循序邏輯（先取得資料 → 再處理）

🔄 循序精煉

  • 內容創作階段循序執行，確保品質層層把關
  • 草稿 → 編輯 → 格式化的漸進式改進

🔧 工具使用

  • 只有初始的研究 agent 使用 google_search 工具
  • 後續 agent 專注於處理和精煉資料

📊 資料傳遞

  • 使用 output_key 機制在 agent 之間傳遞資料
  • 每個階段的輸出成為下個階段的輸入

Agent 類型圖例

  • 🔵 藍色: 並行代理 (ParallelAgent)
  • 🟠 橙色: 循序代理 (SequentialAgent)
  • 🟢 綠色: 葉節點代理 (Leaf Agent)
  • 🔴 粉色: 外部工具 (Tools)