翻译案例

近期，斯坦福大学教授吴恩达开源了一个AI智能体机器翻译——一个使用反思工作流进行翻译的智能体，该项目中演示了反思智能体工作流的机器翻译示例。智能体的主要步骤如下：

1. 初始翻译，使用大模型（LLM）将文本从source_language翻译为target_language;
2. 进行反思，让大模型指出翻译结果中的不足，并给出建设性的改进建议；
3. 修改翻译，让大模型根据反思给出的建议，重新进行翻译； 项目中采用的反思工作流，让模型自己去发现不足，再根据不足做定向的修改，是一种典型的多智能体协同工作机制，这也是agentUniverse一直涉足的领域，于是我就有将这个翻译智能体复刻到agentUniverse上面的想法。

多智能体的协同工作过程

翻译过程中，优先判断模型的长度是否超过了模型所能承受的最大token,针对超过模型长度的情况,先对文本进行切块，再对分块后的文本进行翻译， 但是无论长文本还是短文本，翻译过程都是基于初始翻译->反思->修改的流程进行的。

在aU中的实现

在aU中实现该翻译的过程主要分为以下几步：

1. 定义翻译相关的prompt，短文本翻译三个，长文本翻译三个，相关文件如下:
   短文本翻译init prmpt
   短文本翻译reflection prmpt
   短文本翻译improve prmpt
   长文本翻译init prmpt
   长文本翻译reflection prmpt
   长文本翻译improve prmpt
   在aU中,可以很容易的通过配置文件定义prompt，并统一由PromptManager管理。

2. 定义三个智能体
   短文本翻译智能体
   短文本翻译智能体
   短文本翻译智能体
   该智能体当中，需要根据执行的时长文本翻译还是短文本翻译切换对应的prompt，具体逻辑可参考代码实现
   由于定义的prompt全部由PromptManager进行管理，这里可以很容易的实现prompt的切换

3. 定义三个智能体的协同工作过程
   协同过程可参考前面介绍的多智能体协同工作过程的流程图,具体的实现逻辑如图：
   
   更细的流程可以参考代码文件
   协同智能体的配置文件

演示代码

代码链接

长翻译文本
短翻译文本

短翻译结果
长翻译结果

演示结果

可以看到，使用aU与原本的translation_agent原工程翻译结果保持一致，复刻成功。
aU的执行结果:

Translation_agent的执行结果:

其他

1. 在参考吴恩达教授的代码当中，处理分块翻译时，为了保证翻译的连贯性，翻译每一个分块时，会携带相应的上下文。但是在他的代码当中将所有的翻译内容都放在的上下文当中，会使切分失去原本的意义，某些情况下会导致token超过模型所能接受的最大token，针对此问题我在对应的仓库地址提问了相关issue
2. 该案例基于千问大模型，使用前需要您在环境变量中配置DASHSCOPE_API_KEY。