上篇文章（【AI Agent系列】【阿里AgentScope框架】1. 深入源码：详细解读AgentScope中的智能体定义以及模型配置的流程）我们深入学习了AgentScope框架中的agent模块，并在最开始的时候创建了两个智能体实例，并运行了智能体实例得到了结果。
今天我们在之前代码的基础上，稍微修改一下，引入AgentScope框架的Pipeline模块，实现一个最简单的多智能体交互流程，以此来入门AgentScope中的Pipeline模块。
0. 之前的代码代码详解请看我之前的文章：【AI Agent系列】【阿里AgentScope框架】0. 快速上手：AgentScope框架简介与你的第一个AgentScope程序
import agentscope
import os
openai_api_key = os.getenv('OPENAI_API_KEY')
# 一次性初始化多个模型配置
openai_cfg_dict = {
"config_name": "openai_cfg", # A unique name for the model config.
"model_type": "openai", # Choose from "openai", "openai_dall_e", or "openai_embedding".
"model_name": "gpt-3.5-turbo", # The model identifier used in the OpenAI API, such as "gpt-3.5-turbo", "gpt-4", or "text-embedding-ada-002".
"api_key": openai_api_key, # Your OpenAI API key. If unset, the environment variable OPENAI_API_KEY is used.
}
agentscope.init(model_configs=[openai_cfg_dict])
from agentscope.agents import DialogAgent, UserAgent
# 创建一个对话智能体和一个用户智能体
dialogAgent = DialogAgent(name="assistant", model_config_name="openai_cfg", sys_prompt="You are a helpful ai assistant")
userAgent = UserAgent()
x = None
x = dialogAgent(x)
print("diaglogAgent: \n", x)
x = userAgent(x)
print("userAgent: \n", x)这个代码的最后：
x = None
x = dialogAgent(x)
print("diaglogAgent: \n", x)
x = userAgent(x)
print("userAgent: \n", x)我们简单的使用了一下这两个智能体实例，这其中也让这两个智能体之间有了一点交互：dialogAgent 的回复传给了 userAgent。但是 userAgent 并没有给 dialogAgent 发送消息，
为了使以上两个智能体间产生交互，能相互对话，我们可以这样改：
x = None
while True:
x = dialogAgent(x)
x = userAgent(x)
# 如果用户输入"exit"，则终止对话
if x.content == "exit":
print("Exiting the conversation.")
break加入一个while循环，让dialogAgent的结果给userAgent，userAgent的结果给dialogAgent。
那根据上篇文章中我们看的智能体的实现，可以知道这个x传递给了智能体，就相当于加到了这个智能体的memory中：这样就有对方和自己的信息在上下文中了。
if self.memory:
self.memory.add(x)2.1 Pipeline是什么？- 个人简单理解
AgentScope为了方便大家对智能体间交互逻辑的编排，特地封装了 Pipeline 模块，其中包含了一系列地 Pipeline ，就像编程语言中的控制结构：顺序结构、条件分支、循环结构等。利用这些 Pipeline ，大家可以很方便地实现多智能体间的交互逻辑控制。
2.2 上手使用 Pipeline
引入 Pipeline ，改写以上代码为：
from agentscope.pipelines.functional import sequentialpipeline
# 在Pipeline结构中执行对话循环
x = None
while x is None or x.content != "exit":
x = sequentialpipeline([dialogAgent, userAgent], x)这里利用了 sequentialpipeline，这个Pipeline是让智能体间的信息流顺序地传递。利用 sequentialpipeline 就轻松实现了两个智能体间的信息交互。
2.3 sequentialpipeline 源码阅读
sequentialpipeline 实现源码如下：
def sequentialpipeline(
operators: Sequence[Operator],
x: Optional[dict] = None,
) -> dict:
"""Functional version of SequentialPipeline.
Args:
operators (`Sequence[Operator]`):
Participating operators.
x (`Optional[dict]`, defaults to `None`):
The input dictionary.
Returns:
`dict`: the output dictionary.
"""
if len(operators) == 0:
raise ValueError("No operators provided.")
msg = operators[0](x)
for operator in operators[1:]:
msg = operator(msg)
return msg接收两个参数：
•
operators：按顺序排列好的 agent 列表•
x：给智能体的输入信息，可选，没有输入，那多个智能体间就是自己玩儿自己的了
然后里面的实现逻辑，其实就跟第1小节中下面的传递过程一样了：
x = dialogAgent(x)
x = userAgent(x)3.1 完整代码
import agentscope
# import os
# openai_api_key = os.getenv('OPENAI_API_KEY')
# 一次性初始化多个模型配置
openai_cfg_dict = {
"config_name": "openai_cfg", # A unique name for the model config.
"model_type": "openai", # Choose from "openai", "openai_dall_e", or "openai_embedding".
"model_name": "gpt-3.5-turbo", # The model identifier used in the OpenAI API, such as "gpt-3.5-turbo", "gpt-4", or "text-embedding-ada-002".
# "api_key": openai_api_key, # Your OpenAI API key. If unset, the environment variable OPENAI_API_KEY is used.
}
agentscope.init(model_configs=[openai_cfg_dict])
from agentscope.agents import DialogAgent, UserAgent
# 创建一个对话智能体和一个用户智能体
dialogAgent = DialogAgent(name="assistant", model_config_name="openai_cfg", sys_prompt="You are a helpful ai assistant")
userAgent = UserAgent()
from agentscope.pipelines.functional import sequentialpipeline
# 在Pipeline结构中执行对话循环
x = None
while x is None or x.content != "exit":
x = sequentialpipeline([dialogAgent, userAgent], x)
