How Chaos Labs built a multi-agent system for resolution in prediction markets

Chaos Labs 如何构建用于预测市场决议的多代理系统

4 分钟阅读

编者按：我们看到的 LangGraph 最常见的用例之一是复杂的研究代理。这篇由 Chaos Labs 撰写的客座博客文章重点介绍了这方面的一个很好的例子。它利用多个来源和复杂的架构进行研究，为预测市场中的决议提供支持。对于那些不熟悉预测市场的人：预测市场通过“预言机”来解决，预言机确定结果并解决投注。Edge AI Oracle 是一个基于 LLM 的系统，它正是做这件事的。

今天，我们很高兴地宣布 Edge AI Oracle 的 alpha 版本发布。Edge AI Oracle 利用 LLM 的最新进展构建，编排了一个基于 LangChain 和 LangGraph 构建的多代理委员会，最大限度地提高了 查询决议的客观性、透明度和效率。其核心初始应用之一是 预测市场。

0:00
/1:28

Edge AI Oracle 的工作原理

Edge AI 能够对几乎任何主题进行精确、可追溯和可靠的决议，从“谁赢得了选举？”到“梅西进了多少球？”以及“谁是最新诺贝尔奖获得者？”。与传统的预言机不同，Edge AI Oracle 通过一个 AI 预言机委员会——一个由来自 OpenAI、Anthropic 和 Meta 等提供商的不同模型驱动的去中心化代理网络——来处理每个查询。这种架构确保每个决议都是客观、准确且完全可解释的，使其成为高风险预测市场的理想选择。

这种去中心化的模型使 Edge AI 能够避开单模型解决方案的局限性和偏见，为查询决议提供多视角、偏见过滤的方法。

对于 Wintermute 选举市场，我们已将委员会设置为要求每个 Oracle AI 代理达成超过 95% 置信度的一致协议。

共识要求在每个市场的基础上完全可配置，并且随着即将到来的 Beta 版本的发布，开发人员和市场创建者将能够自主控制这些设置。

架构：去中心化 AI 预言机委员会和多代理编排

Edge AI Oracle 的架构旨在解决寻求真相的预言机的三个基本挑战

  • 提示优化
  • 单模型偏见
  • 检索增强生成 (RAG).

该系统托管在 Edge Oracle 网络上，并由 LangChain 和 LangGraph 提供支持，利用先进的多代理编排来提高查询的准确性和可靠性。

入口点 - 研究分析师：工作流程从 research_analyst 开始，它审查查询，识别关键数据点和所需来源。

网络爬虫：然后，查询被传递给 web_scraper，它从外部来源和数据库检索数据，并优先考虑信誉良好、经过验证的信息。

文档相关性分析师：document_bias_analyst 审查收集的数据，应用过滤器并检查偏见，确保数据池保持中立和可信。

报告撰写者：report_writer 将研究结果综合成一份连贯的报告，根据进行的研究和分析，提出初步答案。

摘要器：summarizer 浓缩报告，将关键见解和发现提炼成适合最终处理的简洁形式。

分类器：最后，classifier 评估摘要输出，根据预设标准对其进行分类和验证，然后到达工作流程的 END。

每个阶段都按顺序执行，确保数据从一个代理系统地流向下一个代理，从而提高查询决议的透明度和准确性。

LangChain 和 LangGraph：多代理编排框架

LangChain 和 LangGraph 构成了 Edge AI Oracle 多代理系统的核心，使其能够编排复杂、有状态的交互并优化查询决议。借助 LangChain 的适应性组件——从提示模板到检索工具和输出解析器——每个 Oracle 代理都可以独立处理任务，同时与工作流程中的其他代理无缝集成。然后，LangGraph 在此结构的基础上构建，通过在代理之间启用定向、循环的工作流程，确保良好协调、循序渐进的过程，这对于在数据决议中实现高准确性和透明度至关重要。

  • LangChain 组件：LangChain 提供基本的构建块，用于检索、组织和结构化每个代理系统内的数据，使我们能够保持高质量、偏见过滤的响应。重要的是，LangChain 充当通往多个前沿模型的灵活网关，提供统一的 API 和接口，简化了对各种 LLM 的支持。这种能力使 Edge AI Oracle 能够利用多样化的 LLM 集合，确保 Oracle 委员会内的平衡视角，同时最大限度地减少个体模型偏见。
  • LangGraph 工作流程：LangGraph 基于图的结构和有状态的交互实现了精确的 多代理编排，从而为去中心化 AI 预言机委员会提供动力。定向、循环的工作流程允许每个代理在其他代理的工作基础上构建，在结构化的流程中协调从初始研究到最终共识的 Oracle 代理
    • 工作流程分解:
      • 工作流程从 research_analyst 节点开始，在该节点进行初始数据收集和查询解析。
      • 代理移动到 web_scraper，从外部来源收集相关的、信誉良好的数据。
      • 然后，document_bias_analyst 过滤掉检索到的数据中任何潜在的偏见。
      • 这导致 report_writer，他/她将研究结果综合成一份连贯的报告。
      • 最后，summarizer 将报告提炼成简洁的结论，classifier 在到达工作流程的 END 之前对结论进行评估。

有关这些步骤如何工作的更多见解，请参见上面的图形。

通过 LangGraph 基于边缘的编排，每个任务都顺利地移交给下一个任务，确保连贯且逻辑的决议过程。

构建寻求真相的 AI 预言机的未来

Edge AI Oracle 的 alpha 版本的发布标志着在开发可靠、客观的 Oracle 系统方面向前迈出了重要一步。借助 LangChain 和 LangGraph 的最新创新，Edge AI Oracle 有望通过提供可扩展的、多代理的、寻求真相的 Oracle，来改变区块链安全、预测市场和去中心化数据应用。

在此处阅读有关 Chaos Labs 的更多信息：here。