Исследовательский агент с Gemini 2.5 Pro и LlamaIndex

LlamaIndex — это фреймворк для создания агентов знаний с использованием LLM, подключенных к вашим данным. В этом примере показано, как создать многоагентный рабочий процесс для исследовательского агента. В LlamaIndex Workflows являются строительными блоками агентов или многоагентных систем.

Вам понадобится ключ API Gemini. Если у вас его ещё нет, вы можете получить его в Google AI Studio . Сначала установите все необходимые библиотеки LlamaIndex. LlamaIndex использует пакет google-genai .

pip install llama-index llama-index-utils-workflow llama-index-llms-google-genai llama-index-tools-google

Настройка Gemini 2.5 Pro в LlamaIndex

Движок любого агента LlamaIndex — это LLM-программа, которая отвечает за рассуждения и обработку текста. В этом примере используется Gemini 2.5 Pro. Убедитесь, что вы указали ключ API как переменную окружения .

from llama_index.llms.google_genai import GoogleGenAI

llm = GoogleGenAI(model="gemini-2.5-pro")

Инструменты для сборки

Агенты используют инструменты для взаимодействия с внешним миром, например, для поиска в интернете или хранения информации. Инструменты в LlamaIndex могут быть обычными функциями Python или импортированы из уже существующих ToolSpecs . Gemini имеет встроенный инструмент для работы с Google Поиском, который здесь и используется.

from google.genai import types

google_search_tool = types.Tool(
    google_search=types.GoogleSearch()
)

llm_with_search = GoogleGenAI(
    model="gemini-2.5-pro",
    generation_config=types.GenerateContentConfig(tools=[google_search_tool])
)

Теперь протестируйте экземпляр LLM с помощью запроса, требующего поиска:

response = llm_with_search.complete("What's the weather like today in Biarritz?")
print(response)

Исследовательский агент будет использовать функции Python в качестве инструментов. Существует множество способов создания системы для выполнения этой задачи. В этом примере мы будем использовать следующее:

  1. search_web использует Gemini с Google Search для поиска в Интернете информации по заданной теме.
  2. record_notes сохраняет результаты исследований, найденных в Интернете, в состояние, чтобы другие инструменты могли их использовать.
  3. write_report пишет отчет, используя информацию, найденную ResearchAgent
  4. review_report рассматривает отчет и предоставляет отзыв.

Класс Context передает состояние между агентами/инструментами, и каждый агент будет иметь доступ к текущему состоянию системы.

from llama_index.core.workflow import Context

async def search_web(ctx: Context, query: str) -> str:
    """Useful for searching the web about a specific query or topic"""
    response = await llm_with_search.acomplete(f"""Please research given this query or topic,
    and return the result\n<query_or_topic>{query}</query_or_topic>""")
    return response

async def record_notes(ctx: Context, notes: str, notes_title: str) -> str:
    """Useful for recording notes on a given topic."""
    current_state = await ctx.store.get("state")
    if "research_notes" not in current_state:
        current_state["research_notes"] = {}
    current_state["research_notes"][notes_title] = notes
    await ctx.store.set("state", current_state)
    return "Notes recorded."

async def write_report(ctx: Context, report_content: str) -> str:
    """Useful for writing a report on a given topic."""
    current_state = await ctx.store.get("state")
    current_state["report_content"] = report_content
    await ctx.store.set("state", current_state)
    return "Report written."

async def review_report(ctx: Context, review: str) -> str:
    """Useful for reviewing a report and providing feedback."""
    current_state = await ctx.store.get("state")
    current_state["review"] = review
    await ctx.store.set("state", current_state)
    return "Report reviewed."

Создайте многоагентного помощника

Чтобы построить многоагентную систему, необходимо определить агентов и их взаимодействие. В вашей системе будет три агента:

  1. ResearchAgent агент ищет в Интернете информацию по заданной теме.
  2. WriteAgent пишет отчет, используя информацию, найденную ResearchAgent .
  3. ReviewAgent проверяет отчет и предоставляет обратную связь.

В этом примере класс AgentWorkflow используется для создания многоагентной системы, которая будет выполнять эти агенты по порядку. Каждый агент получает системное приглашение system_prompt , которое сообщает ему, что он должен делать, и подсказывает, как взаимодействовать с другими агентами.

При желании вы можете помочь своей многоагентной системе, указав, с какими другими агентами она может взаимодействовать, используя can_handoff_to (если нет, она попытается выяснить это самостоятельно).

from llama_index.core.agent.workflow import (
    AgentInput,
    AgentOutput,
    ToolCall,
    ToolCallResult,
    AgentStream,
)
from llama_index.core.agent.workflow import FunctionAgent, ReActAgent

research_agent = FunctionAgent(
    name="ResearchAgent",
    description="Useful for searching the web for information on a given topic and recording notes on the topic.",
    system_prompt=(
        "You are the ResearchAgent that can search the web for information on a given topic and record notes on the topic. "
        "Once notes are recorded and you are satisfied, you should hand off control to the WriteAgent to write a report on the topic."
    ),
    llm=llm,
    tools=[search_web, record_notes],
    can_handoff_to=["WriteAgent"],
)

write_agent = FunctionAgent(
    name="WriteAgent",
    description="Useful for writing a report on a given topic.",
    system_prompt=(
        "You are the WriteAgent that can write a report on a given topic. "
        "Your report should be in a markdown format. The content should be grounded in the research notes. "
        "Once the report is written, you should get feedback at least once from the ReviewAgent."
    ),
    llm=llm,
    tools=[write_report],
    can_handoff_to=["ReviewAgent", "ResearchAgent"],
)

review_agent = FunctionAgent(
    name="ReviewAgent",
    description="Useful for reviewing a report and providing feedback.",
    system_prompt=(
        "You are the ReviewAgent that can review a report and provide feedback. "
        "Your feedback should either approve the current report or request changes for the WriteAgent to implement."
    ),
    llm=llm,
    tools=[review_report],
    can_handoff_to=["ResearchAgent","WriteAgent"],
)

Агенты определены, теперь вы можете создать AgentWorkflow и запустить его.

from llama_index.core.agent.workflow import AgentWorkflow

agent_workflow = AgentWorkflow(
    agents=[research_agent, write_agent, review_agent],
    root_agent=research_agent.name,
    initial_state={
        "research_notes": {},
        "report_content": "Not written yet.",
        "review": "Review required.",
    },
)

Во время выполнения рабочего процесса вы можете транслировать события, вызовы инструментов и обновления на консоль.

from llama_index.core.agent.workflow import (
    AgentInput,
    AgentOutput,
    ToolCall,
    ToolCallResult,
    AgentStream,
)

research_topic = """Write me a report on the history of the web.
Briefly describe the history of the world wide web, including
the development of the internet and the development of the web,
including 21st century developments"""

handler = agent_workflow.run(
    user_msg=research_topic
)

current_agent = None
current_tool_calls = ""
async for event in handler.stream_events():
    if (
        hasattr(event, "current_agent_name")
        and event.current_agent_name != current_agent
    ):
        current_agent = event.current_agent_name
        print(f"\n{'='*50}")
        print(f"🤖 Agent: {current_agent}")
        print(f"{'='*50}\n")
    elif isinstance(event, AgentOutput):
        if event.response.content:
            print("📤 Output:", event.response.content)
        if event.tool_calls:
            print(
                "🛠️  Planning to use tools:",
                [call.tool_name for call in event.tool_calls],
            )
    elif isinstance(event, ToolCallResult):
        print(f"🔧 Tool Result ({event.tool_name}):")
        print(f"  Arguments: {event.tool_kwargs}")
        print(f"  Output: {event.tool_output}")
    elif isinstance(event, ToolCall):
        print(f"🔨 Calling Tool: {event.tool_name}")
        print(f"  With arguments: {event.tool_kwargs}")

После завершения рабочего процесса вы можете распечатать окончательный вывод отчета, а также окончательное состояние проверки от проверяющего агента.

state = await handler.ctx.store.get("state")
print("Report Content:\n", state["report_content"])
print("\n------------\nFinal Review:\n", state["review"])

Расширяйте возможности с помощью индивидуальных рабочих процессов

AgentWorkflow — отличный способ начать работу с многоагентными системами. Но что, если вам нужно больше контроля? Вы можете создать рабочий процесс с нуля. Вот несколько причин, по которым вам может понадобиться создать собственный рабочий процесс:

  • Больше контроля над процессом : вы можете точно определить путь, по которому пойдут ваши агенты. Это включает в себя создание циклов, принятие решений в определённые моменты или параллельную работу агентов над разными задачами.
  • Используйте сложные данные : выходите за рамки простого текста. Настраиваемые рабочие процессы позволяют использовать более структурированные данные, такие как объекты JSON или пользовательские классы, для входных и выходных данных.
  • Работайте с различными медиа : создавайте агенты, способные понимать и обрабатывать не только текст, но и изображения, аудио и видео.
  • Более разумное планирование : вы можете разработать рабочий процесс, который сначала создаст подробный план, прежде чем агенты приступят к работе. Это полезно для сложных задач, требующих многоэтапного выполнения.
  • Включите самокоррекцию : создайте агентов, которые смогут самостоятельно проверять свою работу. Если результат неудовлетворителен, агент может попробовать ещё раз, создавая цикл улучшения, пока результат не станет идеальным.

Дополнительную информацию о рабочих процессах LlamaIndex см. в документации по рабочим процессам LlamaIndex .