聊聊多Agent框架——qwen-agent的实践示例

最新推荐文章于 2025-06-05 08:00:00 发布

江湖人称麻花滕

最新推荐文章于 2025-06-05 08:00:00 发布

阅读量2.6k

点赞数 29

文章标签：人工智能算法面试职场和发展服务器

本文链接：https://blog.csdn.net/m0_59235699/article/details/143085575

版权

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。

之前试用了agent-scope，没qwen-agent好用，而且，其中的问题很多，尤其是agent-scope与本地LLM都连接不上，connection报错。

基于本地部署的qwen2-7b-instruct模型，跑两个agent；其中前一个agent的输出，作为后一个agent的系统prompt的一部分。

from qwen_agent.agents import Assistant      # LLM配置   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       }   }      ###   ### 第一个 agent 提示词   ###    first_instruction = '''   你是一个综合的工具，用于从如下方面处理用户的输入内容：       1. 识别真实意图       2. 提取人物及其关系       3. 以如上两点为维度，拆分子内容块       4. 对整个输入做情感分析      用户输入如下：       $input$      按如下格式要求回复：       意图：[用户的意图想法]       人物关系：[人物1]-[关系]、[人物2]-[关系]       子内容1：[拆分后的第一个子内容]       .....       子内容n：[拆分后的第n个子内容]       情感分析：[情感状态]   '''      ###    ### 第二个 agent 提示词   ###    second_instruction = '''   围绕如下已知的前提条件做问询，从而了解患者的实际情况及实际问题，已知前提条件如下：   $input$      按如下要求回复：   1. 以问询的方式，与用户进行沟通   2. 必须紧扣已知前提条件进行回复      '''      while True:       query = input('用户请求: ')       first_msg = []       first_msg.append({'role': 'user', 'content': query})       first_query = first_instruction.replace('$input$', query)              ###       ### 集合了NLP任务的AI       ### 1. 文本摘要       ### 2. 关系抽取       ### 3. 实体识别       ### 4. 情感分析       ### 5. 。。。       first_agent = Assistant(llm = llm_cfg,                       system_message = first_query,                       name = 'Assistant',                       description = '意图识别')              *_, first_response = first_agent.run(first_msg)       print(first_response)              print("\n\n-------------------------------------- agent分割线 ---------------------------------------------\n")              ###       ### 第二个agent       ###        messages = []       second_query = second_instruction.replace('$input$', first_response[0]['content'])       messages.append({'role': 'user', 'content': second_query})       print(second_query)              second_agent = Assistant(llm = llm_cfg,                       system_message = second_query,                       name = 'Assistant',                       description = '响应回复')              *_, second_response = first_agent.run(messages)       print(second_response)       messages.extend(second_response)       print("\n\n")

在这个示例里面，我的初衷是拆分多个agent，每个agent做不同的事情，然后衔接起来；通过细化agent最终完成目标业务。

整个一趟下来，我个人最大的感受，还是prompt的魔力——释放LLM的NLP能力；拆分agent，就是让每个agent实现不同的NLP任务，然后衔接起来，最终完成业务。

之前一直在找合适的agent框架，比较满意的是autogen，但是可惜对国产LLM的支持不到位。试用了一圈，虽然暂时qwen-agent在一些功能上（后面会讲到）还有欠缺，但可以自己做开发或是提feature给官方，还是不错的。

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。

在这里插入图片描述