smolagents：轻量级Python库助力多Agent协作

smolagents：轻量级Python库助力多Agent协作

介绍

smolagents 是一个轻量级的 Python 库，旨在通过编写 Python 代码来调用工具并协调多个 Agent 的协作。它简化了多 Agent 系统的开发流程，使开发者能够快速构建智能任务处理系统。无论是自然语言处理、数据检索还是复杂任务调度，smolagents 都能提供灵活且高效的解决方案。

smolagents的优势

• 简化复杂行为的实现：对于复杂行为，如工具调用和多步Agent，手动编写代码可能较为繁琐且难以管理。smolagents提供了一些基本的构建模块，帮助将LLM、工具列表、解析器、系统提示和内存等元素紧密耦合，构建出功能完善的Agent.
• 提供必要的组件：包括LLM作为系统引擎、可访问的工具列表、从LLM输出中提取工具调用的解析器、与解析器同步的系统提示以及用于存储记忆的内存等.
• 支持错误日志记录和重试机制：由于LLM可能会犯错，smolagents还提供了错误日志记录和重试机制，以提高系统的鲁棒性.

Code Agents

• 代码格式的优势：与JSON等格式相比，使用代码格式编写Agent的动作具有更好的可组合性、对象管理能力、通用性和在LLM训练数据中的代表性。代码是专门设计用来表达计算机执行的动作的，因此能够更自然、更有效地实现复杂的Agent行为.
• 相关研究支持：多篇研究论文表明，让LLM在代码中调用工具比在JSON等格式中调用工具效果更好，因为代码语言本身就是表达计算机动作的最佳方式.

使用指南

1. 创建虚拟环境

首先，我们需要创建一个独立的 Python 虚拟环境，以避免依赖冲突。推荐使用 conda 来管理环境。

conda create -n smolagents_demo python=3.11

2. 激活虚拟环境

创建虚拟环境后，使用以下命令激活环境：

conda activate smolagents_demo

3. 安装 smolagents

在激活的虚拟环境中，安装 smolagents 及其依赖项。

pip install smolagents

创建 Demo 脚本

接下来，我们创建一个简单的 Python 脚本来演示 smolagents 的基本用法。创建一个名为 demo.py 的文件，内容如下：

from smolagents import CodeAgent, DuckDuckGoSearchTool, LiteLLMModel

# 初始化模型，使用 GPT-4
model = LiteLLMModel(model_id="gpt-4o")

# 创建 Agent，并添加 DuckDuckGo 搜索工具
agent = CodeAgent(tools=[DuckDuckGoSearchTool()], model=model)

# 运行 Agent，提出一个问题
agent.run("一只猎豹以全速跑过长城需要多少秒？")

设置 API 密钥例 Demo

在运行脚本之前，确保你已经设置了 OpenAI 的 API 密钥。可以通过以下命令设置环境变量：

export OPENAI_API_KEY=sk-xxx

将 sk-xxx 替换为你自己的 OpenAI API 密钥。

运行脚本

最后，运行 demo.py 脚本：

python demo.py

运行结果

过程分析

1. 问题输入：脚本开始时，输入了一个问题，询问一只豹子以全速跑过长城需要多少秒。

2. 正则表达式解析：尝试解析输入的代码块，但由于格式不符合预期的正则表达式模式，导致多次出现 ValueError 错误。

3. 网络搜索：

• 长城长度查询：脚本执行了一次网络搜索，查找长城的长度，并从多个来源获取了相关信息。

• 猎豹速度查询：随后，脚本进行了另一次网络搜索，查找猎豹的全速速度，并获取了相关数据。

4. 数据处理与计算：

   • 使用获取到的长城长度和猎豹速度，计算猎豹以全速跑过长城所需的时间。

   • 将计算结果从小时转换为秒。

5. 结果输出：最终，脚本输出了计算出的时间结果，以秒为单位。