利用 GitHub Copilot 可以让 AI 提升开发者的编程效率， 通过不同的 Chat Participant 更可以让开发者完成不同场景的 AI 赋能，如 @workspace 不仅可以创建简单项目和 Notebook，更可以帮你维护项目代码，以及生成测试环境等。你可以通过在 GitHub Copilot Chat 中输入 /help 以了解系统自带的 Chat Participant。当然你也可以自定义属于自己工作流上的各种 Chat Participant。现在自定义 Chat Participant，可以基于 Visual Studio Code Chat Extension 进行创建，也可以直接创建 Copilot Extensions 用以支持更多的 IDE 应用。
在上篇文章中，大家可以看到如何通过 Semantic Kernel 去编排 Multi-Agents。结合 LLM 的能力，我们可以使用 Multi-Agents 完成更复杂的工作，例如在软件工程中的支撑。过去，我们借助简单的框架使用 IDE 创建项目，再一步步根据需求进行不同的代码编写。有了生成式 AI 的加持后，我们或许可以结合 LLM，根据需求快速完成代码生成工作，不仅能搭建框架，还能够完成逻辑代码的生成。利用 Azure AI Agent Service 提供的各种 DevOps 环境中的 Agent，可以应对不同的工作流来完成 Multi-Agents 编排。如创建项目，我们需要两个 Agent 配合我们的工作，一个读取需求并生成代码的 Agent，一个保存代码的 Agent。结合 Semantic Kernel 的能力，我们可以快速地完成项目创建工作。接下来让我们围绕 Python Flask 项目创建的场景来构建一个自定义的 Visual Studio Code Chat participant。
模型的选择
为了按特定步骤解读需求并生成代码，我们需要一个具备强大推理能力的模型。o1-mini 是非常棒的选择，当然我们也推荐你尝试 Phi-4。至于代码保存功能，我们可用 gpt-4o-mini 来实现。
Multi-Agent 编排
使用 Azure AI Inference SDK 调用 GitHub Models 的 o1-mini 来创建代码生成 Agent，利用 Azure AI Foundry SDK 创建基于 Azure AI Agent Service 的代码保存 Agent。使用 Semantic Kernel 进行 Muliti-Agent 编排，按下图所示与 Plugin 进行绑定，并在 GroupChat 中设置 Agent 交互模式。
整体架构
.NET Aspire 是非常好的分布式应用框架，我们使用 .NET Aspire 来管理我们的 Agent 服务。通过集成 .NET + Semantic Kernel，我们可以非常便捷地创建 Chat Participant 自定义接口服务。可以看到，Chat Participant 可用于应对不同的开发场景，不同的 AI Agents 也可以很好地完成相关定义。必须要说的是，在 LLM / SLM 时代，我们需要更灵活地适配工作流，Semantic Kernel / AutoGen 都具备 AI Agent 的编排能力。
至于 Visual Studio Code Chat Extension，我们定义两个指令 /help 以及 /proj，来分别定义自我介绍以及项目创建的工作。
/help 使用 GitHub Copilot 自带的 gpt-4o 来完成简单的介绍工作。无需绑定任何第三方 Agent。
/proj 用于构建项目，你需要编写需求，然后通过 fetch 调用由封装好的 Semantic Kernel 编排的多 Agent 接口。
查看完整代码
https://github.com/kinfey/MultiAIAgent/tree/main/ghext
更多精彩内容请点击下载
《极客说｜Phi-4 模型的 4 位量化与 vLLM 高速推理》
《极客说｜Azure AI Agent Service 结合 AutoGen/Semantic Kernel 构建多智能体解决⽅案》
腾讯云云原生提质增效实践精选集 2024
《2024腾讯云云原生提质增效实践精选集》出炉，5大热门技术领域，13个行业精选标杆案例，痛点到解决方案全...
评论