省 两学一做 专题网站高端网站建设 磐石网络专注

省 两学一做 专题网站,高端网站建设 磐石网络专注,wordpress该域名,临沂做进销存网站这是2025年的第120篇文章 #xff08; 本文阅读时间#xff1a;15分钟 #xff09; 本文整理自阿里云智能集团高级技术专家周礼在 2025 全球机器学习技术大会上的精彩演讲《Apache RocketMQ x AI#xff1a;面向异步化 Agent 的事件驱动架构》#xff0c;介绍了如何基于 A…这是2025年的第120篇文章 本文阅读时间15分钟 本文整理自阿里云智能集团高级技术专家周礼在 2025 全球机器学习技术大会上的精彩演讲《Apache RocketMQ x AI面向异步化 Agent 的事件驱动架构》介绍了如何基于 Apache RocketMQ 新特性构建异步化 Multi-Agent 系统深入探讨了 Agent 间的异步通信、上下文隔离、状态恢复与任务编排机制并通过实际案例展示如何利用 RocketMQ 实现 Multi-Agent 的任务调度。01Multi-Agent 协同的核心Agent 能力发现与任务闭环随着大模型能力提升与推理成本下降MCP、A2A 等协作协议的成熟AI 迈入了 Agentic AI 的时代AI 应用也从“被动响应”进入了“主动决策、自主执行”阶段。这一演进催生了 Multi-Agent 架构任务由多个专业化 Agent 协同完成不再依赖单一模型或固定流程开发者得以在模型自主性与业务可控性之间实现平衡。与传统应用的固定编排不同Agentic AI 具备自主规划能力可将目标拆解为动态步骤但规划又依赖每一步的结果反馈依据完整的结果链路Supervisor 才能掌握进展、评估成效决定下一步行动。因此要实现真正高效、可靠的协同仅靠大模型的推理能力远远不够Agent 之间的协作有两个关键点能力发现与任务闭环。1.1 Agent 能力发现Agent 的能力发现有两个主要功能动态注册 Agent 的能力如“我能做数据分析”、“我擅长文案生成”支持 Supervisor Agent 在运行时查询并选择合适的 Sub Agent 执行任务。若没有 Agent 能力发现的功能Agent 协作就只能依赖硬编码丧失了自主性与扩展性。这一机制可以类比传统微服务中的服务发现与地址查找调用方依赖注册中心查询服务地址查找的条件是编码的 ServiceName。Agent 能力的发现与之相似而又有不同它是面向语义的能力和意图驱动匹配而能力识别和匹配又是交给大模型处理的这个过程是实现智能分工的前提。1.2 任务协同在大模型LLM驱动的多 Agent 系统中多个智能体Agent通过协作、竞争或分工完成复杂任务。尤其在 Supervisor Agent 架构中 Supervisor 作为系统的“大脑”通过高层次的协调与管理将多个专业化 Agent 组织成一个有机整体从而完成单个 Agent 无法胜任的复杂任务。在 Agent 能力的声明与发现的基础上为了实现 Supervisor 与其他 Agent 间的高效协同需要设计合理的通信机制。不同的通信模式适用于不同场景在灵活性、可扩展性、控制力和性能之间各有取舍。轮询式通信定期主动查询其他 Agent 的状态获取最新信息如存储于数据库、Redis 中。这种方式实现简单但是延迟高频繁轮询浪费资源难以处理动态拓扑变化。点对点通信Point-to-Point Invocation主动调用另一个 Agent 的接口等待响应如 REST API、gRPC、函数调用等方式。这种方式控制流明确支持强一致性交互但耦合度高难以动态调整不利于异步处理。发布-订阅模式Pub/SubAgent 将消息发布到特定主题topic其他感兴趣的 Agent 订阅该主题接收消息解耦调用和被调用者易于扩展和水平伸缩。我们考察基于发布/订阅模式实现 Agent 间异步调用的场景Sub Agent 接收任务并完成后需要将结果反馈给 Supervisor并附带上下文唯一标识如 Task_ID以便 Supervisor 异步接收反馈并驱动下一步决策。但要保证 Supervisor Agent 节点异步获取到上次任务的结果需要在异步场景下实现反馈机制常见方案如下独占队列每个 Supervisor 实例绑定独立 Queue 或者 Topic 来接收下游回写的结果 —— 资源开销大管理复杂存在性能瓶颈广播过滤Supervisor 集群共享消费分组所有实例接收全部消息并自行过滤 —— 产生大量无效流量浪费资源且有稳定性风险共享存储结果存储在数据库或者缓存 —— 更灵活可靠但每次 Supervisor Agent 作为发起方需要不停进行轮询以确定自己发起的 Task 是否已经有结果产生增加了存储成本与交互成本实际类似于上述的轮询式通信。可以看到基于发布/订阅模式实现通信时比较复杂其核心原因是主流的分布式消息中间件面向的还是静态编排的业务场景采用“发完即忘”Fire-and-Forget模式不关心下游的反馈这使得通信链路难以完成闭环。02RocketMQ 面向 Agentic AI 的新特性接下来我们探讨如何实现 Agent 的异步通信机制和动态决策RocketMQ 在传统模式的基础上进行了针对性设计推出带语义的 Topic 和 Lite-Topic 的新特性以 Topic 语义作为能力注册与发现的基础解决调用谁的问题以 Lite Topic 动态绑定任务并等待结果消息解决调用后异步获取结果的问题。两者结合以更简洁的方式实现需要反馈的异步任务驱动模式。2.1 从数据通道到语义载体Topic 的智能化演进在传统的消息系统中Topic 仅作为数据传输的通道存在它定义了“消息发往哪里”但无法表达“为什么发”或“谁需要它”。然而在 Multi-Agent 协同场景下通信不再只是简单的数据搬运而是意图驱动的智能协作过程。为此我们重新定义了 Topic它不仅是消息的主题命名和分类更是业务意图与能力语义的载体。通过将自然语言描述与结构化元数据引入 Topic 定义每个 Topic 不再只是一个主题名称而是一个具备“自我表达能力”的协作单元。例如一个实现了 A2A 协议中 AppCard 标准的 Topic 格式如下这样的设计使得 Topic 具备了可读性、可发现性与可推理性。结合 Nameserver 的服务注册与发现机制这些带有语义标签的 Topic 可被统一索引和查询。每一个 Agent 可以通过订阅某个能描述自身能力的 Topic 来实现绑定关系具备注册和被发现的能力上层 Agent如 Supervisor Agent可通过能力关键词如“数据分析”“内容生成”动态发现并使用合适的 Topic 来异步驱动下游的 Agent在任务编排过程中Supervisor Agent 能够像调用函数一样选择 Topic实现基于语义理解的动态路由决策。2.2 轻量级消费模式Lite-TopicLite-Topic 是在 RocketMQ 百万队列基础上设计的一种新类型的 Topic它无需预创建 Topic 和订阅关系并且能自动管理生命周期主要面向短期、小量消息传输、客户端订阅关系动态临时变化、订阅集合高度个性化的场景。这种轻量化消费模型天然就能支持粒度更细的资源隔离从而支持异步场景下的结果反馈机制保证 Sub Agent 回写的结果能让发起任务的 Supervisor Agent 获取到。为了维护这种“千人千面”的订阅关系我们提出一种去中心化 最终一致性的订阅关系管理方式将订阅关系提前注册到 Broker避免每次请求重复传输以增量注册方式应对新的模型中 Lite Topic 订阅的频繁变化以全量方式做到最终一致性。同时在组织方式上不再以 Group 为维度而是以 Client_ID 为维度管理的订阅关系可以称之为每个客户端的兴趣集InterestSet。不同客户端的订阅集合维护在服务侧增量/全量同步实时性和最终一致性存活检测Proxy 通过心跳判断 Client 是否在线下线时通知 Broker 清理 InterestSet分片机制客户端的完整的订阅集合分片存储。在消息读取方面不再使用传统 Pull / Pop 模型中客户端针对每个 Topic 的每个 Queue 发起读请求的模式因为这会带来数千个并发请求连接与线程开销会线性增长。读请求不需携带 Topic而只带上自己的身份即可这样保证即使订阅集合庞大读请求依然是轻量的。因为每个 Lite-Topic 的消息量并不大几条到几百条发送流量也不高甚至较为离散但是Topic数量多所以需要一种新的分发机制在仍然保证低延迟的同时降低 1:1 读模式带来的开销。我们引入一个事件驱动的消息分发方式核心组件是 ReadySet就绪集合就绪事件集合是每个 Client_ID 的待读取 Topic 队列集合维护客户端的 Ready 事件即“哪些 Topic 有消息可读”存放当前有消息可读的 Lite-Topic。在 RocketMQ 中能触发这个集合变更的事件如下这种直接访问 ReadySet → 仅处理活跃 topic 的读取方式避免了每次读请求遍历客户端所有订阅集合进而轮询每个 Lite Topic 带来的无效读操作。换个角度看这个模型是Pull 模型 Push 语义。保留 Pull 模型的优势客户端主动控制流控、避免过载客户端只需发起一个轻量 Poll 请求引入 Push 语义的效率Broker 主动告知“哪些 Topic 有消息可读”。从整体上看通过引入 InterestSet ReadySet 的事件驱动模型InterestSet 维护客户端的订阅关系并在事件触发后分发到对应的 ReadySet将传统“盲目轮询”转化为“精准唤醒”最终实现在大规模个性化订阅场景下的高效、低延迟消息分发。03基于 RocketMQ 构建异步 Multi-Agent 系统首先通过上述 Lite-Topic 的能力我们可以在 Multi-Agent 中更简洁地异步获取 Sub Agent 的结果Supervisor Agent 集群中任何一个 Supervisor Agent 都可以通过动态订阅 Lite-Topic以 Task_id 命名来接收下游任务结果实现整个任务的闭环。其次再结合语义化 Topic 的 Agent 能力注册与发现我们构建了一套面向 Agentic AI 的高效异步协同架构。其核心业务流程如下1.能力注册与发现每个 Sub Agent 在启动时创建与其业务职责对应的 Topic并将协议规范、输入输出 Schema、自然语言描述等元数据注册至 NameServer。通过持续订阅该 Topic 接收任务Sub Agent 不仅完成了通信接入更实现了能力的主动暴露。2.语义驱动的任务编排Supervisor Agent 基于用户目标构建 Prompt 上下文并动态查询 NameServer 获取当前可用的 Topic 列表将其作为“可调用函数库”注入大模型。LLM 由此可在真实、可观测的能力空间中进行任务拆解与路径规划避免了“幻觉式决策”提升了执行的可行性与可控性。3.轻量级异步任务分发与反馈在执行阶段Supervisor 向目标 Topic 发送消息同时为本次调用创建一个临时的 Lite-Topic 作为专属回调通道。该机制无需绑定具体实例即可实现高并发下的结果路由兼顾性能与灵活性。4.闭环驱动的持续决策Supervisor 订阅相关 Lite-Topic异步聚合各子任务的执行结果重新注入上下文驱动下一轮推理与编排。整个过程形成一个以反馈为核心、动态演进的决策循环真正实现了从“静态流程”到“自主协作”的跃迁。这套依托 RocketMQ在发布/订阅模型上的创新扩展而实现的架构在保证系统松耦合和高扩展性的同时有效支持了 Multi-Agent 场景下任务编排、结果反馈和多轮决策的需求。基于 RocketMQ 的这一实践为构建可靠、可控的异步智能体协作系统提供了一种可行的技术路径。展望未来Apache RocketMQ 将持续在 AI 领域进行技术迭代与创新。诚邀您扫码参与问卷调研反馈真实使用场景和痛点帮助我们打造更符合 AI 时代需求的消息引擎。那么如何系统的去学习大模型LLM作为一名深耕行业的资深大模型算法工程师我经常会收到一些评论和私信我是小白学习大模型该从哪里入手呢我自学没有方向怎么办这个地方我不会啊。如果你也有类似的经历一定要继续看下去这些问题啊也不是三言两语啊就能讲明白的。所以我综合了大模型的所有知识点给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢我就曾放空大脑以一个大模型小白的角度去重新解析它采用基础知识和实战项目相结合的教学方式历时3个月终于完成了这样的课程让你真正体会到什么是每一秒都在疯狂输出知识点。由于篇幅有限⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》扫码获取~大模型学习指南路线汇总我们这套大模型资料呢会从基础篇、进阶篇和项目实战篇等三大方面来讲解。①.基础篇基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念用最易懂的方式带你入门大模型。②.进阶篇接下来是进阶篇你将掌握RAG、Agent、Langchain、大模型微调和私有化部署学习如何构建外挂知识库并和自己的企业相结合学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。③.实战篇实战篇会手把手带着大家练习企业级的落地项目已脱敏比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等从而帮助大家更好的应对大模型时代的挑战。④.福利篇最后呢会给大家一个小福利课程视频中的所有素材有搭建AI开发环境资料包还有学习计划表几十上百G素材、电子书和课件等等只要你能想到的素材我这里几乎都有。我已经全部上传到CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】相信我这套大模型系统教程将会是全网最齐全 最易懂的小白专用课