概述
Qwen-Agent[1]是一个开发框架。开发者可基于本框架开发Agent应用,充分利用基于通义千问模型(Qwen)的指令遵循、工具使用、规划、记忆能力。本项目也提供了浏览器助手、代码解释器、自定义助手等示例应用。
qwen-agent提供了完备的函数调用功能(function call & tools),在文档: Tool介绍[2] 中讲的蛮清楚。本文结合文档及实际的示例讲述 函数调用 的应用。
调用
qwen-agent自身提供了多种已封装好的tools,可以直接调用。如下所示:
功能 | 类名 |
---|---|
天气调用 | AmapWeather |
代码调用 | CodeInterpreter |
图像生成 | ImageGen |
文档检索 | Retrieval |
存储调用 | Storage |
代码实现:qwen-agent tools[3]
因此完全可以参考官方的实现,做我们自己的tools。
调用代码:
from qwen_agent.tools import AmapWeather, CodeInterpreter, ImageGen, Retrieval, Storage # [NOTE] 不带“市”会出错 @pytest.mark.parametrize('params', [json.dumps({'location': '北京市'}), {'location': '杭州市'}]) def test_amap_weather(params): tool = AmapWeather() tool.call(params)
开发
unsetunsetBaseToolunsetunset
按照官方文档的做法,可以基于@register_tool
来做,也可以不基于这种方式,但前者有个问题就是,如果将tool代码与业务代码放在一起的话,第一次运行后,第二次在运行就会报错如下:
ValueError: Tool my_image_gen already exists! Please ensure that the tool name is unique.
这是因为@register_tool
第一次运行就会存下来了,第二次在运行就会重复注册,导致报错。
因此,建议用另一种方式,代码如下:
`import pprint import urllib.parse import json5 from qwen_agent.agents import Assistant from qwen_agent.tools.base import BaseTool, register_tool # 步骤 1(可选):添加一个名为 `my_image_gen` 的自定义工具。 class MyImageGen(BaseTool): # 注意这里 name = 'my_image_gen' # `description` 用于告诉智能体该工具的功能。 description = 'AI 绘画(图像生成)服务,输入文本描述,返回基于文本信息绘制的图像 URL。' # `parameters` 告诉智能体该工具有哪些输入参数。 parameters = [{ 'name': 'prompt', 'type': 'string', 'description': '期望的图像内容的详细描述', 'required': True }] def call(self, params: str, **kwargs) -> str: # `params` 是由 LLM 智能体生成的参数。 prompt = json5.loads(params)['prompt'] prompt = urllib.parse.quote(prompt) tmp = {"animals":"dog"} return json5.dumps( tmp, ensure_ascii=False) # 步骤 2:配置您所使用的 LLM。 llm_cfg = { # 使用与 OpenAI API 兼容的模型服务,例如 vLLM 或 Ollama: 'model': 'qwen2_7b_instruct', 'model_server': 'http://127.0.0.1:6006/v1', # base_url,也称为 api_base 'api_key': 'EMPTY', # (可选) LLM 的超参数: 'generate_cfg': { 'top_p': 0.8 } } # 步骤 3:创建一个智能体。这里我们以 `Assistant` 智能体为例,它能够使用工具并读取文件。 system_instruction = '''你是一个乐于助人的AI助手。 在收到用户的请求后,你应该: - 首先绘制一幅图像,得到图像的url, - 然后运行代码`request.get`以下载该图像的url, - 最后从给定的文档中选择一个图像操作进行图像处理。 用 `plt.show()` 展示图像。 你总是用中文回复用户。''' tools = [MyImageGen(), 'code_interpreter'] # `code_interpreter` 是框架自带的工具,用于执行代码。 # 用这种方式也行: tools = [MyImageGen.name, 'code_interpreter'] # `code_interpreter` 是框架自带的工具,用于执行代码。 files = ['/home/IPT_Data/专业语料-IPT知识/aaa.pdf'] # 给智能体一个 PDF 文件阅读。 bot = Assistant(llm=llm_cfg, system_message=system_instruction, function_list=tools, files=files) # 步骤 4:作为聊天机器人运行智能体。 messages = [] # 这里储存聊天历史。 while True: # 例如,输入请求 "绘制一只狗并将其旋转 90 度"。 query = input('用户请求: ') # 将用户请求添加到聊天历史。 messages.append({'role': 'user', 'content': query}) response = [] for response in bot.run(messages=messages): # 流式输出。 print('机器人回应:') pprint.pprint(response, indent=2) # 将机器人的回应添加到聊天历史。 messages.extend(response) `
主要是两个地方需要注意,在BaseTool
的子类中,增加name
属性,在调用是改为XXXX()
。
unsetunsetfunctionsunsetunset
这种方式比较原生,即手动定义好function的签名等信息,然后传参进去,代码如下:
import json import os from qwen_agent.llm import get_chat_model def get_current_weather(location, unit='fahrenheit'): """Get the current weather in a given location""" if 'tokyo' in location.lower(): return json.dumps({'location': 'Tokyo', 'temperature': '10', 'unit': 'celsius'}) elif 'san francisco' in location.lower(): return json.dumps({'location': 'San Francisco', 'temperature': '72', 'unit': 'fahrenheit'}) elif 'paris' in location.lower(): return json.dumps({'location': 'Paris', 'temperature': '22', 'unit': 'celsius'}) else: return json.dumps({'location': location, 'temperature': 'unknown'}) llm = get_chat_model({ # 使用与 OpenAI API 兼容的模型服务,例如 vLLM 或 Ollama: 'model': 'qwen2_7b_instruct', 'model_server': 'http://127.0.0.1:6006/v1', # base_url,也称为 api_base 'api_key': 'EMPTY', # (可选) LLM 的超参数: 'generate_cfg': { 'top_p': 0.8 } }) messages = [{'role': 'user', 'content': "What's the weather like in San Francisco?"}] functions = [{ 'name': 'get_current_weather', 'description': 'Get the current weather in a given location', 'parameters': { 'type': 'object', 'properties': { 'location': { 'type': 'string', 'description': 'The city and state, e.g. San Francisco, CA', }, 'unit': { 'type': 'string', 'enum': ['celsius', 'fahrenheit'] }, }, 'required': ['location'], }, }] print('# Assistant Response 1:') responses = [] for responses in llm.chat( messages=messages, functions=functions, stream=True, ): print(responses) messages.extend(responses) # extend conversation with assistant's reply print(len(messages)) last_response = messages[-1] print(last_response)
小结
从实际的使用来看,qwen-agent的tool支持还是可以的,而且非常方便,自定义程度高,方便上手。当然如果有其他的需求可以在审视下,常规常用的需求是可以支持到位的,而且参考性很强。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。