网站建设推广 seo浦东新区做网站

网站建设推广 seo,浦东新区做网站,wordpress 404跳转,家装品牌排行榜前十名大家好#xff0c;我是Edison。最近我一直在跟着圣杰的《.NETAI智能体开发进阶》课程学习MAF的开发技巧#xff0c;我强烈推荐你也上车跟我一起出发#xff01;上一篇#xff0c;我们学习了MAF中进行了Agent和Executor的混合编排#xff0c;相信你一定有了更多地理解。本篇…大家好我是Edison。最近我一直在跟着圣杰的《.NETAI智能体开发进阶》课程学习MAF的开发技巧我强烈推荐你也上车跟我一起出发上一篇我们学习了MAF中进行了Agent和Executor的混合编排相信你一定有了更多地理解。本篇我们来通过一个经典的例子了解下MAF中工作流如何实现状态的共享。状态共享的应用场景在实际业务场景中一个AI工作流的多个步骤之间往往需要共享上下文数据例如用户原始输入、模型的输出缓存等。在MAF中提供了一个 WorkflowContext 的模型它原生提供了工作流上下文的状态共享能力。举个例子在下面这个聚合统计流程中创建了一个FileContentState的共享内容通过WorkflowContext进行传递共享给后续的两个统计Executor使用进而进行聚合输出结果。WorkflowContext API一览在WorkflowContext API中它提供了以下一些状态读取和设置的接口作为字典我们可以了解一下这里我们用的比较多的是QueueStateUpdateAsync 和 ReadStateAsync 两个方法。实验案例今天来实践一个文档统计的工作流案例和上面的例子相似这是一个典型的扇入扇出Fan-In Fan-Out工作流首先用户输入一个文件名FileReadExecutor会读取该文件的内容并将文件内容传入工作流上下文中共享同时将文件ID号传递给后续流程。然后单词统计Executor 和 段落统计Executor 会分别统计该文件内容的 单词数 和 段落数。最后聚合统计Executor会将收集到的 单词数 和 段落数 交由LLM进行友好信息的输出最初反馈给用户。这个案例展示了一次写入多处读取的经典场景它也是并发协作的基础。准备工作在今天的这个案例中我们仍然创建了一个.NET控制台应用程序安装了以下NuGet包Microsoft.Agents.AI.OpenAIMicrosoft.Agents.AI.WorkflowsMicrosoft.Extensions.AI.OpenAI我们的配置文件中定义了LLM API的信息{ OpenAI: { EndPoint: https://api.siliconflow.cn, ApiKey: ******************************, ModelId: Qwen/Qwen3-30B-A3B-Instruct-2507 }}这里我们使用 SiliconCloud 提供的 Qwen/Qwen3-30B-A3B-Instruct-2507 模型之前的 Qwen2.5 模型在这个案例中不适用。你可以通过这个URL注册账号https://cloud.siliconflow.cn/i/DomqCefW 获取大量免费的Token来进行本次实验。然后我们将配置文件中的API信息读取出来var config new ConfigurationBuilder() .AddJsonFile($appsettings.json, optional: false, reloadOnChange: true) .Build();var openAIProvider config.GetSection(OpenAI).GetOpenAIProvider();定义数据传输模型首先我们定义一下在这个工作流中需要生成传递的数据模型1FileStats 统计结果DTOinternal sealed class FileStats{ public int WordCount { get; init; } public int ParagraphCount { get; init; }}2FileContentStateConstants 常量类似于Cache Key的作用internal static class FileContentStateConstants{ public const string ScopeName FileContentState;}定义示例数据集这里我们Mock了一个文档数据集用于模拟读取的文件内容。internal static class SharedStateSampleData{ private static readonly IReadOnlyDictionarystring, string Documents new Dictionarystring, string { [ProductBrief] MAF Workflow 让 .NET 团队可以像积木一样组合 Agent、Executor 与工具, 支持流式事件、并发节点和可观测性。\n\n它强调企业级能力, 包括状态管理、依赖注入、权限控制, 适合搭建端到端 AI 业务流程。, [WeeklyReport] 本周平台完成了 Shared State 功能的代码走查, 已经覆盖 Fan-out/Fan-in, Loop, Human-in-the-Loop 三种场景。\n\n下周计划: 1) 集成多模型投票; 2) 增加异常回滚; 3) 落地监控指标。 }; public static string GetDocument(string name) Documents.TryGetValue(name, out var content) ? content : throw new ArgumentException($未找到文档: {name});}文件读取ExecutorMAF中定义了一个Executor的基类所有自定义Exectuor都需要继承于它。internal sealed class FileReadExecutor() : Executorstring, string(FileReadExecutor){ public override async ValueTaskstring HandleAsync(string message, IWorkflowContext context, CancellationToken cancellationToken default) { var content SharedStateSampleData.GetDocument(message); var fileId Guid.NewGuid().ToString(N); await context.QueueStateUpdateAsync(fileId, content, FileContentStateConstants.ScopeName, cancellationToken); Console.WriteLine($ FileReadExecutor 已成功将 {message} 写入 Scope:{FileContentStateConstants.ScopeName}); return fileId; }}在这个Executor中接收了用户的输入文件名然后模拟从Mock文档内容中读取文件内容并将文件ID 和 文件内容 通过 QueueStateUpdateAsync 方法传入共享状态存储区中以便后续节点在需要的时候可以从共享状态中读取传递的内容。最后将文件ID直接传递给下一个节点。文字统计 和 段落统计Executor这里我们弄了两个用于统计文件内容的Executor演示一下如何通过 ReadStateAsync 方法读取共享状态存储区中的内容。1文字统计internal sealed class WordCountingExecutor() : Executorstring, FileStats(WordCountingExecutor){ public override async ValueTaskFileStats HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken default) { string? content await context.ReadStateAsyncstring(fileId, FileContentStateConstants.ScopeName, cancellationToken); if (content is null) { throw new InvalidOperationException($无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId{fileId}); } int wordCount content.Split([ , \n, \r], StringSplitOptions.RemoveEmptyEntries).Length; return new FileStats { WordCount wordCount }; }}2段落统计internal sealed class ParagraphCountingExecutor() : Executorstring, FileStats(ParagraphCountingExecutor){ public override async ValueTaskFileStats HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken default) { string? content await context.ReadStateAsyncstring(fileId, FileContentStateConstants.ScopeName, cancellationToken); if (content is null) { throw new InvalidOperationException($无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId{fileId}); } int paragraphCount content.Split([\n, \r], StringSplitOptions.RemoveEmptyEntries).Length; return new FileStats { ParagraphCount paragraphCount }; }}聚合输出Executor在工作流最后我们定义给一个聚合输出的节点来汇总和输出用户友好的统计结果这里我们首先获取到结构化的统计结果然后通过LLM让其根据结果输出最终的反馈信息internal sealed class AggregationExecutor : ExecutorFileStats{ private readonly AIAgent _aggregationAgent; private readonly AgentThread _thread; private readonly ListFileStats _buffer []; public AggregationExecutor(IChatClient chatClient) : base(AggregationExecutor) { // 创建 Agent 和对话线程 this._aggregationAgent chatClient.CreateAIAgent( 你是一个专业的文档统计结果输出大师你可以将收到的JSON格式统计结果如总词数、总段落数 以及 统计时间等进行友好的信息输出给用户。, output_agent, Output user friendly message based on input document stats result); ; this._thread this._aggregationAgent.GetNewThread(); } public override async ValueTask HandleAsync(FileStats message, IWorkflowContext context, CancellationToken cancellationToken default) { this._buffer.Add(message); if (this._buffer.Count 2) { return; } int totalWords this._buffer.Sum(x x.WordCount); int totalParagraphs this._buffer.Sum(x x.ParagraphCount); var output new { 总词数 totalWords, 总段落数 totalParagraphs, 统计时间 DateTimeOffset.UtcNow }; var response await this._aggregationAgent.RunAsync(JsonSerializer.Serialize(output), this._thread, cancellationToken: cancellationToken); await context.YieldOutputAsync(response.Text, cancellationToken); }}构建工作流现在万事俱备只欠一个Workflow现在Lets do it!Step1: 获取ChatClientvar chatClient new OpenAIClient( new ApiKeyCredential(openAIProvider.ApiKey), new OpenAIClientOptions { Endpoint new Uri(openAIProvider.Endpoint) }) .GetChatClient(openAIProvider.ModelId) .AsIChatClient();Step2: 实例化自定义Agent Executorsvar fileRead new FileReadExecutor();var wordCounting new WordCountingExecutor();var paragraphCounting new ParagraphCountingExecutor();var aggregate new AggregationExecutor(chatClient);Step3: 创建Fan-out/Fan-in工作流var sharedStateWorkflow new WorkflowBuilder(fileRead) .AddFanOutEdge(fileRead, [wordCounting, paragraphCounting]) .AddFanInEdge([wordCounting, paragraphCounting], aggregate) .WithOutputFrom(aggregate) .Build(); Console.OutputEncoding Encoding.UTF8;Console.WriteLine(✅ Shared State Workflow 构建完成);Step4: 测试工作流var documentKey ProductBrief;Console.WriteLine(━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━);Console.WriteLine($ 演示文档: {documentKey});Console.WriteLine(━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━);await using (var run await InProcessExecution.StreamAsync(sharedStateWorkflow, documentKey)){ await foreach (WorkflowEvent evt in run.WatchStreamAsync()) { switch (evt) { case WorkflowStartedEvent started: Console.WriteLine($ Workflow Started); break; case ExecutorCompletedEvent executorCompleted: Console.WriteLine($✅ {executorCompleted.ExecutorId} 完成); break; case WorkflowOutputEvent outputEvent: Console.WriteLine(━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━); Console.WriteLine( 工作流执行完成); Console.WriteLine(━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n); Console.WriteLine(${outputEvent.Data}); break; case WorkflowErrorEvent errorEvent: Console.WriteLine(✨ 收到 Workflow Error Event); Console.WriteLine(${errorEvent.Data}); break; default: break; } } await run.DisposeAsync();}测试结果如下图所示可以看见经过多个节点的统计和聚合由LLM总结输出了用户友好的统计结果内容。小结本文介绍了工作流的状态共享的应用场景 和 WorkflowContext相关的API最后给出了一个文档内容统计的Fan-out/Fan-In工作流案例供参考。下一篇我们将继续学习MAF中工作流的上下文相关内容。示例源码Github: https://github.com/EdisonTalk/MAFD参考资料圣杰《.NET AI 智能体开发进阶》年终总结Edison的2024年终总结数字化转型我在传统企业做数字化转型C#刷算法题C#刷剑指Offer算法题系列文章目录C#刷设计模式C#刷23种设计模式系列文章目录.NET面试.NET开发面试知识体系