Skip to content

multiagent.md

Latest commit

 

History

History
112 lines (82 loc) · 5.84 KB

multiagent.md

File metadata and controls

112 lines (82 loc) · 5.84 KB
Raw

背景

当前，PyTorch开源社区每天产生海量动态，分布于GitHub主仓库、Discourse论坛、Discord/Slack频道、PyTorch基金会官网、社区核心开发者的个人动态、邮件列表等多个信息源。参与开源PyTorch团队的开发者获取这些上游信息的主要方式仍高度依赖手动操作。

现状

  1. pytorch团队核心开发者。需要关注社区核心开发者的动态、关于社区演进方向的讨论、官方活动、基金会的动态等等。
    1. 痛点：每日海量PR/Issue/RFC/开发者论坛（Discourse、Discord、GitHub Discussions）产生，逐一全量浏览耗时耗力，在这个过程中也易错过高价值信号。
  2. pytorch团队开发者。关注微观，需要尽快在参与到社区中、在特定模块构建自己的影响力。
    1. 痛点同上，另外缺少对问题“品味”的能力，不知哪些Issue/RFC投入产出比最高、哪些动态隐藏机会。

解决方案

  1. 在Opencode基础上，开发multi-agent+skill的社区动态分析agent。

社区动态agent

在Opencode基础上，扩展agent skill + multi-agent协作系统。根据用户对自己角色、需求、价值的描述，让opencode自动分析在一个开源社区的一定时间内（例如一天、一周）对这个用户高价值的动态，必要的时候深入代码静态分，最后生成个性化社区动态报告。

竟品分析

github copilot、grok能部分缓解，但是它们上下文窗口有限，即使付费订阅，也会因为受限于单次对话的行动步数和rate limit，同时也不支持在一个大任务中深入到具体pr、issue所涉及代码的分析。

难点

  1. 信息高召回率与模型上下文窗口有限的矛盾。
  2. 爬取PyTorch官网时数据的低效问题与信息稀疏问题。

工作流

  1. 用户打开opencode，按tab切换到pytorchinsight-orchestrator agent，输入
@user-prompt.md + 时间窗口

其中user-prompt.md是用户自己配置的个性化prompt文件，描述自身角色、需求、价值判断标准。

  1. opencode通过以下multi-agent拓扑完
flowchart TD
    O[pytorchinsight-orchestrator] --> P1[project-coordinator]
    O --> P2[briefing-composer]

    P1 --> G[github-scout]
    P1 --> W[external-source-scout-web]
    P1 --> S[external-source-scout-slack]
    P1 --> I[item-analyst]
Loading

以pytorch为例：

  • pytorchinsight-orchestrator 负责输入、编排subagent、输出。首先读取原始用户 prompt。根据用户指定的pytorch项目，调用 project-coordinator 负责pytorch项目信息的获取。
  • project-coordinator
    • 首先调用各个信息搜寻subagent收集项目动态，例如github-scout subagent通过github cli、github mcp等工具收集github上的动态；external-source-scout-slack subagent收集slack上的动态，结果是过滤掉无用、噪声信息，将信息组织好返回给project-coordinator
    • 然后project-coordinator 进行价值判断、筛选出值得深度研究高价值的动态项，对每个项目分配一个item-analyst subagent进行深度研究
    • item-analyst subagent 对一条动态进行深度研究；例如对可能影响到用户侧api的变化，其会通过静态分析torch和torch-npu的源码来研究出影响范围。
  • project-coordinator 收集item-analyst subagent 的信息进行汇总返回给主agent pytorchinsight-orchestrator ，pytorchinsight-orchestrator 再根据用户的偏好输出，利用briefing-composer subagent 配合相关的输出skill将信息总结成用户希望的形式（例如html格式的文件、slack通知等）。

各个agent的职责

  • pytorchinsight-orchestrator：唯一主入口，编排各个subagent工作流，输入处理与输出；调用project-coordinator获得项目级动态，并交给briefing-compose拿到最终交付数据，按指定形式输出。
  • project-coordinator：项目级subagent，负责pytorch项目级信息处理，通过调用scouts拿到初步过滤的动态，筛选出值得深入分析的动态交给 item-analyst深入分析。
  • scouts：单个信源的信息搜集subagent，例如pytorch issue动态的获取，进行初步过滤，交回给project-coordinator
  • item-analyst：只服务于单项目协调器，通过结合静态代码深入分析单条动态，将分析结果交付回project-coordinator
  • briefing-composer：成稿层subagent，调用front-designskill将所有动态信息组织成美观的报告，交付回pytorchinsight-orchestrator。

使用本产品前后对比

使用前的workflow

flowchart TD
    A[开始一天工作] --> B[打开 GitHub Issues/PRs]
    B --> C[逐条浏览标题与描述]
    C --> D{值得投入吗？}
    D -->|否| B
    D -->|是| E[深入阅读评论 + 手动打开代码仓库 + 静态分析影响范围]
    E --> F[切换到 Discourse 论坛]
    F --> G[检查 Discord / Slack 讨论]
    G --> H[搜索 RFC 与官方活动]
    H --> I[重复循环 1-2 小时]
    I --> J[耗费精力+容易遗漏]

    classDef pain fill:#ffe6e6,stroke:#d32f2f,stroke-width:2px,color:#000
    class B,C,D,E,F,G,H,I,J pain
Loading

使用后：

flowchart TD
    Start[开始一天工作] 
    --> Open[打开 Opencode]
    --> Tab[切换到 pytorchinsight-orchestrator agent]
    --> Prompt[输入 @user-prompt.md + 时间窗口]
    --> O[Orchestrator 智能编排]
    O --> Multi[Multi-Agent 并行执行]
    Multi --> Collect[并行采集\nGitHub + Slack + Discourse + 论坛动态]
    Collect --> Filter[智能价值筛选 + 角色匹配]
    Filter --> Deep[高价值项\nItem-Analyst 代码静态分析]
    Deep --> Compose[Briefing-Composer 生成报告]
    Compose --> End[快速浏览个性化报告，仅挑选重点深入研究]

    classDef good fill:#e6f4ea,stroke:#137333,stroke-width:2px,color:#000
    class End good
    class Open good
    class Tab good
    class Prompt good
Loading