基于向量知识库的多智能体任务编排方法和计算机设备与流程

本技术涉及人工智能和信息，尤其是涉及到一种基于向量知识库的多智能体任务编排方法和计算机设备。

背景技术：

1、随着深度学习和大语言模型（large language model，llm）技术的飞速发展，利用多个智能体（agent）协同处理复杂的业务任务已成为当前技术发展的热点。

2、然而，在面对特定垂直行业，如烟草、医疗或金融等行业的大规模、多源非结构化数据时，由于多智能体任务编排方案，大多依赖预设规则库、结构化知识库或固定提示词模板完成任务拆解与编排调度，导致无法对碎片化、无固定格式的非结构化数据进行有效语义解析与特征融合，难以挖掘数据蕴含的场景化知识。同时，现有多智能体调度体系大多采用单一固化的任务执行模式，任务调用、工具匹配、子任务调度缺乏动态适配能力，无法根据场景知识与实时任务需求动态调整执行策略，面对复杂、多变的场景化任务时，极易出现任务执行错乱、子任务衔接失效、任务落地成功率低等问题，严重制约了多智能体系统在复杂真实场景下的自动化编排能力与实用性。

技术实现思路

1、有鉴于此，本技术提供了一种基于向量知识库的多智能体任务编排方法和计算机设备，旨在解决现有技术中智能体编排随机性大、缺乏场景约束的技术问题。

2、根据本技术的第一个方面，提供了一种基于向量知识库的多智能体任务编排方法，所述方法应用于编排系统，所述方法应用于编排系统，所述编排系统包括：轻量级的大语言模型和智能体协作单元，所述智能体协作单元用于驱动所述大语言模型完成任务自动化编排并执行调度，所述智能体协作单元包括第一智能体、第二智能体、第三智能体、第四智能体；所述方法包括：

3、所述第一智能体将目标场景下多源非结构化数据转化为带有场景元数据标签的语义数据块，调用大语言模型将所述语义数据块转化为低维的知识向量，构建融合语义特征与场景特征的向量知识库；其中，所述向量知识库包含所述知识向量至所述非结构化数据的溯源通道；

4、所述第一智能体基于用户指令的语义特征向量在所述向量知识库中进行相似度检索，获取与所述用户指令匹配的知识向量；

5、所述第二智能体响应于所述第一智能体传输的所述知识向量和所述用户指令的需求数据生成第一提示词，并将所述第一提示词输入所述大型语言模型中，通过所述大语言模型进行任务分解，得到具有依赖关系的多个子任务；

6、所述第三智能体响应于所述第二智能体传输的所述多个子任务，调用所述第一智能体获取系统可用资源和系统工具的性能参数，并将所述系统可用资源、所述性能参数、所述多个子任务协同生成的第二提示词并输入所述大型语言模型中，通过所述大型语言模型进行规划推理，得到包含时间窗和算力资源分配方案的所述执行计划；

7、所述第四智能体响应于所述执行计划，基于所述执行计划动态调用系统工具执行所述多个子任务。

8、可选地，所述第一智能体将目标场景下多源非结构化数据转化为带有场景元数据标签的语义数据块，包括：

9、所述第一智能体对所述多源非结构化数据进行标准化处理，获得半结构化数据；

10、所述第一智能体识别所述半结构化数据中的场景元数据，并将所述场景元数据与所述半结构化数据进行绑定，得到带标签的结构化数据；

11、所述第一智能体对所述结构化数据进行语义切片处理，得到所述语义数据块，并建立所述语义数据块、所述结构化数据与所述多源非结构化数据之间的映射关系。

12、可选地，所述第一智能体调用轻量级的大语言模型将所述语义数据块转化为低维的知识向量，构建融合语义特征与场景特征的向量知识库，包括：

13、所述第一智能体将所述语义数据块及其场景元数据标签输入轻量级的大语言模型中，通过所述大语言模型的三层编码算子将所述语义数据块向量化为语义特征向量，并以预设融合权重对所述语义数据块的语义特征向量与所述场景元数据标签对应的场景特征向量进行加权融合，生成增强特征向量，以及对所述增强特征向量进行降维压缩，得到所述语义数据块对应的低维稠密特征向量；

14、所述第一智能体以多个所述低维稠密特征向量作为所述知识向量构建所述向量知识库。

15、可选地，所述第二智能体基于所述第一智能体传输的所述知识向量和所述用户指令的需求数据生成第一提示词，包括：

16、所述第二智能体将所述知识向量还原为场景约束规则文本；

17、所述第二智能体将所述用户指令的需求数据与所述场景约束规则文本拼接为所述第一提示词。

18、可选地，所述方法还包括：

19、所述第三智能体调用所述第一智能体检索与所述多个子任务匹配的历史任务模板；

20、若所述多个子任务与所述历史任务模板的匹配度大于匹配度阈值，所述第三智能体则复用所述历史任务模板对应的执行计划；

21、若所述多个子任务与所述历史任务模板的匹配度小于等于匹配度阈值，所述第三智能体则调用所述第一智能体获取系统可用资源和系统工具的性能参数。

22、可选地，所述第四智能体包括控制调度智能体和至少一个子任务执行智能体；所述第四智能体基于所述执行计划，动态调用系统工具执行所述多个子任务，包括：

23、所述控制调度智能体解析所述执行计划，并基于解析出的所述多个子任务的依赖关系生成调度指令；

24、所述控制调度智能体基于所述调度指令，将不同的子任务分配至对应的所述子任务执行智能体；

25、所述子任务执行智能体响应于接收到的子任务，调用匹配的所述系统工具执行任务操作。

26、可选地，所述编排系统还包括第五智能体；所述方法还包括：

27、所述第五智能体监控所述系统工具的执行状态，在检测到任一子任务执行异常的情况下，提取所述任一子任务的上下文堆栈信息，并将所述上下文堆栈信息传输至所述第三智能体；

28、所述第三智能体基于所述上下文堆栈信息对所述多个子任务再次调用所述大型语言模型进行计划调整，得到修正执行计划；

29、所述第四智能体响应于所述修正执行计划重新调用对应的系统工具执行所述任一子任务，直至执行成功或达到预设的最大重试阈值。

30、可选地，所述方法还包括：

31、所述第五智能体在子任务执行完毕的情况下，将执行结果经特征提取后得到的任务完成特征传输至所述第一智能体；

32、所述第一智能体将所述任务完成特征更新至所述向量知识库。

33、可选地，所述编排系统还包括第六智能体；所述方法还包括：

34、所述第六智能体响应于用户指令，将所述用户指令输入所述大语言模型进行意图解析，获取所述需求信息；

35、所述第六智能体在子任务执行完毕后，获取用户反馈内容；

36、所述第一智能体将所述第六智能体传输的所述用户反馈内容更新至所述向量知识库。

37、根据本技术第二个方面，提供了可读存储介质，其上存储有程序或指令，程序或指令被处理器执行时实现上述基于向量知识库的多智能体任务编排方法的步骤。

38、根据本技术第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述基于向量知识库的多智能体任务编排方法的步骤。

39、借由上述技术方案，一方面，通过第一智能体将多源非结构化数据转化为带有场景元数据标签的语义数据块并对其进行降维，使得构建出来的向量知识库不仅具备文本语义特征，还绑定了目标场景的拓扑、规则等环境特征，同时还记录了多源非结构化数据转化过程中的映射关系形成溯源通道。如此，依托向量相似度检索能够精准匹配用户指令对应的知识向量，有效解决了传统方案中非结构化数据难以有效利用及向量化过程不透明的问题。另一方面，结合第二智能体和第三智能体，仅把少量匹配后的精准知识片段和用户需求送入大模型，利用输入大语言模型完成任务分解、逻辑依赖梳理与执行规划。从而在让任务规划符合实际业务场景的基础上，大模型不再承担海量原文读取、粗筛选工作，大大降低了对大参数模型的依赖度。最后，由第四智能体依据执行计划动态调度系统工具完成各子任务，实现任务全流程自动化与动态调度，从而简化了多智能体编排系统的集成与调度复杂度，并且每一步编排难度大幅下降，即使轻量级大模型也能稳定输出结果。

40、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。