天气查询智能体构建实战：多轮对话与实时工具调用全解析（附 Qwen-Turbo 代码实现）

于 2025-05-23 08:03:10 发布
阅读量702 收藏 10
点赞数 25
分类专栏： React Agent：从零开始构建 AI 智能体 文章标签： 智能体 Agent React React Flow FGAI
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/suiyingy/article/details/147726308
版权

本文为《React Agent：从零开始构建 AI 智能体》专栏系列文章。 专栏地址：https://blog.csdn.net/suiyingy/category_12933485.html。项目地址：https://gitee.com/fgai/react-agent（含完整代码示​例与实战源）。完整介绍：https://blog.csdn.net/suiyingy/article/details/146983582。

        在智能助手日益普及的今天，天气查询是用户高频使用的基础功能。传统天气查询工具往往需要用户明确输入地点和日期，交互流程较为机械。而基于大语言模型（LLM）的智能天气查询系统，能够通过自然语言对话理解用户意图，自动处理模糊查询（如“明天天气”），并结合工具调用获取实时数据，提供更人性化的交互体验。本节示例旨在构建一个具备多轮对话能力、工具协同调用的天气查询智能体，实现以下核心功能：

        （1）自然语言理解：支持用户以口语化方式提问，如“上海明天热吗”“后天会下雨吗”，系统能自动解析地点和时间参数。

        （2）工具协同调用：通过大语言模型动态决定是否调用日期解析工具和天气查询工具，实现“先确定日期、再查询天气”的逻辑闭环。

        （3）对话历史管理：维护多轮对话上下文，支持用户在历史对话基础上追问（如“那后天呢”），提升交互连贯性。

        （4）错误处理机制：对缺失地点、无效日期等情况进行友好提示，确保系统鲁棒性。

        系统采用三层架构设计，各模块通过标准化接口交互：LLM 接口层（LLM Class）封装大语言模型的 API 调用，支持工具调用格式解析（如 function call），并提供统一的响应生成接口；对话管理层（MemoryManager）负责维护对话历史队列和数据缓存，以此实现多轮对话的上下文传递；工具执行层（WeatherAgent）则定义具体工具（日期解析、天气查询）的逻辑，用于处理工具调用请求并返回结构化数据，从而驱动大语言模型生成最终回答。

        LLM（Large Language Model）模块承担着生成智能对话的核心功能，它在接收用户输入后，会结合历史对话记录及可用工具列表生成恰当响应；以天气查询场景为例，该模块需具备解析用户意图的能力，例如识别用户是否在询问天气或是否需要查询特定日期的天气等，同时能根据查询内容和所需工具生成对应的天气查询响应，还可通过保持对话上下文来处理多轮对话，确保在多轮交互中生成的回答与之前的对话逻辑一致。

class LLM:
    def __init__(self):
        api_key = '<用户的 API Key>'
        base_url = 'https://dashscope.aliyuncs.com/compatible-mode/v1'
        self.model = 'qwen-turbo-latest'
        self.client = openai.OpenAI(api_key=api_key, base_url=base_url)
    
    def generate_response(self, messages, tools=None, tool_choice=None):
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                tools=tools,
                tool_choice=tool_choice,
                temperature=0.5,
                max_tokens=2000
            )
            return response.choices[0].message
        except Exception as e:
            return f'生成响应时出错：{str(e)}'

        内存管理模块负责管理系统的对话历史记录。它利用队列数据结构确保历史记录不超过设定的最大长度（例如5条记录），从而避免内存的过度占用。每次用户输入时，新的对话记录会被加入历史队列，并且可以随时回溯以提供更准确的多轮对话支持。

class MemoryManager:
    def __init__(self, max_history=5):
        self.history = deque(maxlen=max_history)  # 固定长度的对话历史队列
        self.data_cache = {}  # 数据集缓存字典
    
    def add_history(self, data):
        self.history.append(data)  # 添加对话记录

    def get_history(self):
        '''获取对话历史'''
        return list(self.history)

        天气查询智能体模块是整个系统的核心部分，负责根据用户的查询调用相关工具（如获取日期、获取天气信息等）。模块实现通过初始化定义了大模型与记忆模块，然后通过系统提示词明确角色与任务。提示词设计要点包括明确角色定位，即设定为能够使用工具获取实时天气信息的天气查询助手；定义处理流程，如用户询问天气时先调用工具获取数据再回答、可能需要多次选择工具等；设置默认值，若用户未明确日期则默认查询当天天气；规范响应格式，要求回答包含地点、日期和天气信息；处理边界情况，如用户未提供地点时提醒输入地点，对非天气问题保持回答简洁。

def __init__(self):
    self.llm = LLM()
    self.memory = MemoryManager()
    self.system_prompt = {
    'role': 'system',
    'content': '''你是一个天气查询助手，能够使用工具获取实时天气信息。请按以下规则处理：
    1. 当用户询问天气时，先调用工具获取数据再回答
    2. 若用户未明确日期，默认查询当天天气
    3. 回答需包含地点、日期和天气信息
    4. 如果没有地点，需要提醒用户输入地点
    5.可能需要多次选择工具
    6. 非天气问题请保持回答简洁'''
    }

        初始化过程中还定义了日期与查询天气工具。工具定义规范要求对工具的参数进行严格约束以保障调用准确性：参数类型需严格定义，如 get_date 和get_weather 工具中 date、location 等参数均明确标注为 string 类型；通过枚举值限定输入范围，例如 get_date 工具的 date 参数通过 enum 限定只能输入今天、明天、后天；实施必填字段验证，利用 required 数组明确关键参数，如 get_date 必须传入 date，get_weather 必须包含 location 和 date；描述信息需清晰准确，每个参数均配备 description 说明用途，如 location 标注为“城市名称，如：北京、上海”；同时实现参数格式标准化，如 get_weather 的 date 参数规定为 yyyy-mm-dd 格式，通过上述规范确保工具定义的规范性和可操作性。

self.tools = [
    {
        'type': 'function',
        'function': {
            'name': 'get_date',
            'description': '获取具体查询日期',
            'parameters': {
                'type': 'object',
                'properties': {
                    'date': {
                        'type': 'string',
                        'description': '输入日期',
                        'enum': ['今天', '明天', '后天']
                    }
                },
                'required': ['date']
            }
        }
    },
    {
        'type': 'function',
        'function': {
            'name': 'get_weather',
            'description': '查询指定地点的实时天气',
            'parameters': {
                'type': 'object',
                'properties': {
                    'location': {
                        'type': 'string',
                        'description': '城市名称，如：北京、上海'
                    },
                    'date': {
                        'type': 'string',
                        'description': '查询日期，格式为yyyy-mm-dd'
                    }
                },
                'required': ['location', 'date']
            }
        }
    }
]

        工具调用模块负责根据用户的请求，执行相应的外部工具功能，如获取当前日期、查询指定城市的天气等。工具调用的结果被传回给 LLM 模块，并根据需要生成后续响应。在当前实现中，天气信息是通过模拟数据提供的，但在实际应用中，这一部分可以与实际的天气 API（如OpenWeather、WeatherAPI 等）集成。

def _handle_tool_call(self, tool_call):
    '''处理工具调用请求'''
    func_name = tool_call.function.name
    args = eval(tool_call.function.arguments)
    if func_name  == 'get_date':
        return self._get_date(args)
    elif func_name == 'get_weather':
        return self._get_weather(args)
    return None

def _get_date(self, params):
    # 获取今天的日期
    today = datetime.now()
    today_str = today.strftime('%Y-%m-%d')
    # 获取明天的日期
    tomorrow = today + timedelta(days=1)
    tomorrow_str = tomorrow.strftime('%Y-%m-%d')
    # 获取后天的日期
    day_after_tomorrow = today + timedelta(days=2)
    after_tomorrow_str = day_after_tomorrow.strftime('%Y-%m-%d')
    date_str = params.get('date', '今天')
    if date_str == '明天':
        return {'date': tomorrow_str}
    elif date_str == '后天':
        return {'date': after_tomorrow_str}
    return {'date': today_str}

def _get_weather(self, params):
    '''天气查询工具实现'''
    # 模拟数据，也可以替换成其他天气查询的 API 接口
    # 获取今天的日期
    today = datetime.now()
    today_str = today.strftime('%Y-%m-%d')
    # 获取明天的日期
    tomorrow = today + timedelta(days=1)
    tomorrow_str = tomorrow.strftime('%Y-%m-%d')
    # 获取后天的日期
    day_after_tomorrow = today + timedelta(days=2)
    after_tomorrow_str = day_after_tomorrow.strftime('%Y-%m-%d')
    
    weather_infos = {
        '北京': {today_str: 25, tomorrow_str: 26, after_tomorrow_str: 24},
        '上海': {today_str: 26, tomorrow_str: 27, after_tomorrow_str: 28},
        '广州': {today_str: 27, tomorrow_str: 28, after_tomorrow_str: 29},
    }
    location = params.get('location', 'default')
    if location not in  weather_infos.keys():
        return {'temp': '未查询到当前地区天气，当前仅支持北京、上海、广州的天气查询。'}
    date = params.get('date', 'default')
    if date not in [today_str, tomorrow_str, after_tomorrow_str]:
        return {'temp': '未查询到当前时间段天气，当前仅支持今天、明天、后天的天气查询。'}
    return {'temp': weather_infos[location][date]}

        查询处理主流程 process_query 是天气查询智能体的核心逻辑，用于处理用户的查询请求。首先，它会构建消息历史，将系统提示和内存中存储的对话历史合并，再加入当前用户的查询消息，同时把用户查询添加到内存的历史记录里。接着，调用大语言模型生成响应，并检查响应中是否包含工具调用信息。若不包含，就将响应内容添加到内存历史记录并返回结果。若包含，便进入循环处理。在循环中，先将工具调用请求添加到消息列表，接着遍历每个工具调用，调用内部方法处理并获取工具响应结果，再把结果添加到消息列表。之后根据更新后的消息列表再次调用大语言模型生成响应。循环会持续进行，直到响应中不再包含工具调用信息，或者迭代次数超过 3 次。若响应不再包含工具调用信息，就将响应内容添加到内存历史记录并返回；若迭代次数超过 3 次，为防止死循环，会直接调用大语言模型生成响应，将其添加到内存历史记录后返回。

        查询处理主流程 process_query 的程序如下，流程如下图所示。

def process_query(self, query):
    '''处理用户查询的完整流程'''
    # 构建消息历史
    messages = [self.system_prompt] + self.memory.get_history()
    messages.append({'role': 'user', 'content': query})
    self.memory.add_history({'role': 'user', 'content': query})

    # 第一轮调用：获取工具调用请求
    # 调用大语言模型（LLM）生成响应，传入消息列表和可用工具列表
    response = self.llm.generate_response(messages, tools=self.tools)
    # 检查响应中是否包含工具调用信息
    if response.tool_calls is None:
        # 如果不包含工具调用信息，将响应内容添加到内存的历史记录中，并返回结果
        self.memory.add_history({'role': 'assistant', 'content': response.content})
        return response.content
    # 初始化迭代次数
    n_iter = 0
    # 大模型可能多次调用工具
    # 当响应中包含工具调用信息时，进入循环处理
    while response.tool_calls is not None:
        n_iter = n_iter + 1
        # 保存工具调用请求
        # 将工具调用请求以字典形式添加到消息列表中
        messages.append({
                'role': 'assistant',
                'content': '',
                'tool_calls': response.tool_calls
            })
        
        #  处理工具调用
        # 遍历响应中的每个工具调用请求
        for i in range(len(response.tool_calls)):
            print('调用工具与参数：', response.tool_calls[i].function.name, response.tool_calls[i].function.arguments)
            # 调用内部方法处理工具调用，并获取工具的响应结果
            tool_response = self._handle_tool_call(response.tool_calls[i])
            print('工具响应结果：', tool_response)
            # 将工具的响应结果以字典形式添加到消息列表中
            messages.append({
            'role': 'tool',
            'content': json.dumps(tool_response),
            'tool_call_id': response.tool_calls[i].id
            })
        # 根据再次调用工具结果再次调用大语言模型生成响应，传入更新后的消息列表和可用工具列表
        response = self.llm.generate_response(messages, tools=self.tools)
        # print(messages)
        # print(response)
        # 如果响应中不再包含工具调用信息，则保存历史并返回当前结果
        if response.tool_calls is None:  
            self.memory.add_history({'role': 'assistant', 'content': response.content})
            return response.content
        # 防止因反复调用工具陷入死循环
        # 最多连续调用3次，超出后不再调用工具，保存历史并返回当前结果
        if n_iter > 3:
            response = self.llm.generate_response(messages)
            self.memory.add_history({'role': 'assistant', 'content': response.content})
            return response.content

图1 查询处理主流程 process_query

        天气查询智能体完整程序如下：

import json
import openai
from collections import deque
from datetime import datetime, timedelta


class LLM:
    def __init__(self):
        api_key = '<用户的 API Key>'
        base_url = 'https://dashscope.aliyuncs.com/compatible-mode/v1'
        self.model = 'qwen-turbo-latest'
        self.client = openai.OpenAI(api_key=api_key, base_url=base_url)
    
    def generate_response(self, messages, tools=None, tool_choice=None):
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                tools=tools,
                tool_choice=tool_choice,
                temperature=0.5,
                max_tokens=2000
            )
            return response.choices[0].message
        except Exception as e:
            return f'生成响应时出错：{str(e)}'

class MemoryManager:
    def __init__(self, max_history=5):
        self.history = deque(maxlen=max_history)  # 固定长度的对话历史队列
        self.data_cache = {}  # 数据集缓存字典
    
    def add_history(self, data):
        self.history.append(data)  # 添加对话记录

    def get_history(self):
        '''获取对话历史'''
        return list(self.history)

class WeatherAgent:
    '''天气查询智能体'''
    def __init__(self):
        self.llm = LLM()
        self.memory = MemoryManager()
        self.system_prompt = {
            'role': 'system',
            'content': '''你是一个天气查询助手，能够使用工具获取实时天气信息。请按以下规则处理：
1. 当用户询问天气时，先调用工具获取数据再回答
2. 若用户未明确日期，默认查询当天天气
3. 回答需包含地点、日期和天气信息
4. 如果没有地点，需要提醒用户输入地点
5.可能需要多次选择工具
6. 非天气问题请保持回答简洁'''
        }
        self.tools = [
            {
                'type': 'function',
                'function': {
                    'name': 'get_date',
                    'description': '获取具体查询日期',
                    'parameters': {
                        'type': 'object',
                        'properties': {
                            'date': {
                                'type': 'string',
                                'description': '输入日期',
                                'enum': ['今天', '明天', '后天']
                            }
                        },
                        'required': ['date']
                    }
                }
            },
            {
                'type': 'function',
                'function': {
                    'name': 'get_weather',
                    'description': '查询指定地点的实时天气',
                    'parameters': {
                        'type': 'object',
                        'properties': {
                            'location': {
                                'type': 'string',
                                'description': '城市名称，如：北京、上海'
                            },
                            'date': {
                                'type': 'string',
                                'description': '查询日期，格式为yyyy-mm-dd'
                            }
                        },
                        'required': ['location', 'date']
                    }
                }
            }
        ]
    
    
    def _handle_tool_call(self, tool_call):
        '''处理工具调用请求'''
        func_name = tool_call.function.name
        args = eval(tool_call.function.arguments)
        if func_name  == 'get_date':
            return self._get_date(args)
        elif func_name == 'get_weather':
            return self._get_weather(args)
        return None
    
    def _get_date(self, params):
        # 获取今天的日期
        today = datetime.now()
        today_str = today.strftime('%Y-%m-%d')
        # 获取明天的日期
        tomorrow = today + timedelta(days=1)
        tomorrow_str = tomorrow.strftime('%Y-%m-%d')
        # 获取后天的日期
        day_after_tomorrow = today + timedelta(days=2)
        after_tomorrow_str = day_after_tomorrow.strftime('%Y-%m-%d')
        date_str = params.get('date', '今天')
        if date_str == '明天':
            return {'date': tomorrow_str}
        elif date_str == '后天':
            return {'date': after_tomorrow_str}
        return {'date': today_str}

    def _get_weather(self, params):
        '''天气查询工具实现'''
        # 模拟数据，也可以替换成其他天气查询的 API 接口
        # 获取今天的日期
        today = datetime.now()
        today_str = today.strftime('%Y-%m-%d')
        # 获取明天的日期
        tomorrow = today + timedelta(days=1)
        tomorrow_str = tomorrow.strftime('%Y-%m-%d')
        # 获取后天的日期
        day_after_tomorrow = today + timedelta(days=2)
        after_tomorrow_str = day_after_tomorrow.strftime('%Y-%m-%d')
        
        weather_infos = {
            '北京': {today_str: 25, tomorrow_str: 26, after_tomorrow_str: 24},
            '上海': {today_str: 26, tomorrow_str: 27, after_tomorrow_str: 28},
            '广州': {today_str: 27, tomorrow_str: 28, after_tomorrow_str: 29},
        }
        location = params.get('location', 'default')
        if location not in  weather_infos.keys():
            return {'temp': '未查询到当前地区天气，当前仅支持北京、上海、广州的天气查询。'}
        date = params.get('date', 'default')
        if date not in [today_str, tomorrow_str, after_tomorrow_str]:
            return {'temp': '未查询到当前时间段天气，当前仅支持今天、明天、后天的天气查询。'}
        return {'temp': weather_infos[location][date]}

    def process_query(self, query):
        '''处理用户查询的完整流程'''
        # 构建消息历史
        messages = [self.system_prompt] + self.memory.get_history()
        messages.append({'role': 'user', 'content': query})
        self.memory.add_history({'role': 'user', 'content': query})

        # 第一轮调用：获取工具调用请求
        # 调用大语言模型（LLM）生成响应，传入消息列表和可用工具列表
        response = self.llm.generate_response(messages, tools=self.tools)
        # 检查响应中是否包含工具调用信息
        if response.tool_calls is None:
            # 如果不包含工具调用信息，将响应内容添加到内存的历史记录中，并返回结果
            self.memory.add_history({'role': 'assistant', 'content': response.content})
            return response.content
        # 初始化迭代次数
        n_iter = 0
        # 大模型可能多次调用工具
        # 当响应中包含工具调用信息时，进入循环处理
        while response.tool_calls is not None:
            n_iter = n_iter + 1
            # 保存工具调用请求
            # 将工具调用请求以字典形式添加到消息列表中
            messages.append({
                    'role': 'assistant',
                    'content': '',
                    'tool_calls': response.tool_calls
                })
            
            #  处理工具调用
            # 遍历响应中的每个工具调用请求
            for i in range(len(response.tool_calls)):
                print('调用工具与参数：', response.tool_calls[i].function.name, response.tool_calls[i].function.arguments)
                # 调用内部方法处理工具调用，并获取工具的响应结果
                tool_response = self._handle_tool_call(response.tool_calls[i])
                print('工具响应结果：', tool_response)
                # 将工具的响应结果以字典形式添加到消息列表中
                messages.append({
                'role': 'tool',
                'content': json.dumps(tool_response),
                'tool_call_id': response.tool_calls[i].id
                })
            # 根据再次调用工具结果再次调用大语言模型生成响应，传入更新后的消息列表和可用工具列表
            response = self.llm.generate_response(messages, tools=self.tools)
            # print(messages)
            # print(response)
            # 如果响应中不再包含工具调用信息，则保存历史并返回当前结果
            if response.tool_calls is None:  
                self.memory.add_history({'role': 'assistant', 'content': response.content})
                return response.content
            # 防止因反复调用工具陷入死循环
            # 最多连续调用3次，超出后不再调用工具，保存历史并返回当前结果
            if n_iter > 3:
                response = self.llm.generate_response(messages)
                self.memory.add_history({'role': 'assistant', 'content': response.content})
                return response.content
        

# 大模型回复测试
def llm_test():
    llm = LLM()
    messages = [{'role': 'user', 'content': '你好'}]
    print(llm.generate_response(messages))

# 模拟数据测试
def weather_data_test():
    # 获取今天的日期
    today = datetime.now()
    today_str = today.strftime('%Y-%m-%d')
    # 获取明天的日期
    tomorrow = today + timedelta(days=1)
    tomorrow_str = tomorrow.strftime('%Y-%m-%d')
    # 获取后天的日期
    day_after_tomorrow = today + timedelta(days=2)
    after_tomorrow_str = day_after_tomorrow.strftime('%Y-%m-%d')
    
    weather_infos = {
        '北京': {today_str: 25, tomorrow_str: 26, after_tomorrow_str: 24},
        '上海': {today_str: 26, tomorrow_str: 27, after_tomorrow_str: 28},
        '广州': {today_str: 27, tomorrow_str: 28, after_tomorrow_str: 29},
    }
    print(f'天气模拟数据\n{weather_infos}')



# 测试多轮对话
def main():
    '''主运行程序'''
    agent = WeatherAgent()
    queries = [
        '上海的天气怎么样？',
        '那明天呢？',
        '后天北京的气温多少？'
    ]
    for query in queries:
        print(f'[用户] {query}')
        response = agent.process_query(query)
        print(f'[助手] {response}')
        print('-' * 60)

if __name__ == '__main__':
    # 测试大模型
    # llm_test()

    # 模拟数据测试
    weather_data_test()

    # 多轮对话
    print('进入天气查询智能体多轮对话：\n')
    main()

        完整运行结果如下：

天气模拟数据
{'北京': {'2025-04-29': 25, '2025-04-30': 26, '2025-05-01': 24}, '上海': {'2025-04-29': 26, '2025-04-30': 27, '2025-05-01': 28}, '广州': {'2025-04-29': 27, '2025-04-30': 28, '2025-05-01': 29}}
进入天气查询智能体多轮对话：

[用户] 上海的天气怎么样？
调用工具与参数： get_date {"date": "今天"}
工具响应结果： {'date': '2025-04-29'}
调用工具与参数： get_weather {"date": "2025-04-29", "location": "上海"}
工具响应结果： {'temp': 26}
[助手] 上海今天的天气温度是26摄氏度。
------------------------------------------------------------
[用户] 那明天呢？
调用工具与参数： get_date {"date": "明天"}
工具响应结果： {'date': '2025-04-30'}
调用工具与参数： get_weather {"date": "2025-04-30", "location": "上海"}
工具响应结果： {'temp': 27}
[助手] 上海明天的天气温度是27摄氏度。
------------------------------------------------------------
[用户] 后天北京的气温多少？
调用工具与参数： get_date {"date": "后天"}
工具响应结果： {'date': '2025-05-01'}
调用工具与参数： get_weather {"date": "2025-05-01", "location": "北京"}
工具响应结果： {'temp': 24}
[助手] 北京后天的气温是24摄氏度。

图2 天气查询智能体运行结果

      立即关注获取最新动态

点击订阅《React Agent 开发专栏》，每周获取智能体开发深度教程。项目代码持续更新至React Agent 开源仓库，欢迎 Star 获取实时更新通知！FGAI 人工智能平台：FGAI 人工智能平台 FGAI 人工智能平台

Agent实战系列：快速自定义Agent在业务线落地：从入门到高级[实现tool串联、多轮对话、多Agent动态编排、静态编排等]
丨汀、的博客
08-10 742
Agent实战系列：快速自定义Agent在业务线落地：从入门到高级[实现tool串联、多轮对话、多Agent动态编排、静态编排等]
构建国产 Agent 系统：基于 DeepSeek/Qwen 实战 API 封装
努力分享一些人工智能相关的知识干货！
04-10 917
当前市面上的 Agent 框架多基于 OpenAI 系列模型（GPT-4、GPT-3.5-turbo 等）， 但在国产大模型迅速成熟的背景下，**构建兼容 DeepSeek、Qwen 等国产模型的 Agent 系统**已成为必选项。 本章聚焦实战： - 如何封装一套**国产模型通用 Agent API 层** - 如何处理不同模型接口的差异（参数、上下文、调用方式） - 如何将其集成到已有的多工具 Agent 执行链中 让你不再被国外接口掣肘，**真正拥有可控、自主的智能体能力栈**。
对话智能体构建实战：大模型选择、记忆管理与 RAG 知识库模块设计（附 Qwen-Turbo 代码实现）
叶子的博客
05-23 747
本专栏将由浅入深逐步解析AI智能体的核心概念，结合 React Flow 打造可视化 AI 工作流，并通过实例来加深技术理解，附源码与详细解析。项目地址：https://gitee.com/fgai/react-agent。
代码执行智能体构建实战：集成大模型与代码执行模块的全流程解析
叶子的博客
05-22 694
本专栏将由浅入深逐步解析AI智能体的核心概念，结合 React Flow 打造可视化 AI 工作流，并通过实例来加深技术理解，附源码与详细解析。项目地址：https://gitee.com/fgai/react-agent。
多模型多 Agent 混合部署系统设计：智能体任务分流 × 路由调度 × 动态模型调用机制实战
努力分享一些人工智能相关的知识干货！
04-21 772
那如何构建一个支持**多模型自动分流、Agent 智能调度、异构引擎共存**的系统架构？ 本篇将完整解析智能体系统在“部署实战”阶段的系统设计策略，包括**路由调度、模型选择策略、多模型配置方式、推理引擎适配方案、服务集成方案与成本控制点设计**，并结合实际工程代码示例，帮你从“能跑”走向“能上线”的 Agent 系统。
【GitHub开源项目实战】elizaOS 开源实战解析：构建类操作系统的 AI 应用工作流平台与多智能体调度内核
努力分享一些人工智能相关的知识干货！
05-12 731
elizaOS 是一个将大语言模型（LLM）与多智能体（Multi-Agent）技术融合的开源 AI 操作平台，其核心架构采用类操作系统的任务调度与上下文控制模型，将复杂的 AI 应用构建任务抽象为模块化、可复用的“应用进程”与“系统调用”，具备极强的工程通用性与扩展能力。项目通过嵌套式节点编排（graph-based flow）、原子指令封装（Atom-based execution）和执行上下文动态管理（Runtime Context），实现了 LLM 工作流的模块解耦与执行链控制。本文将结合实际代码结
AgentScope简述与源码解析 & 两个Agent调用Qwen模型的代码实例
weixin_45320238的博客
12-13 1067
1. 章节介绍：为学习该内容时每章节大概内容和重点记录 2. 认识AgentBase：解析AgentBase源码 3. 案例一：模拟单agent的cmd对话 4. 案例二：模拟多代理的问题回答
【GitHub开源项目实战】Spring AI Alibaba 实战解析：构建企业级大模型应用的全链路解决方案与优化路径
努力分享一些人工智能相关的知识干货！
05-20 839
`spring-ai-alibaba` 是阿里巴巴开源的企业级大模型接入框架，旨在为开发者提供基于 Spring Boot 的标准化 AI 应用开发路径。该项目构建了统一的模型调用接口、Prompt 管理机制、多模型接入能力以及与 LangChain 等生态的融合方式，可无缝对接通义千问、通义灵码、灵积、百炼等国产大模型。本文将围绕其整体架构、组件划分、接入示例、Prompt DSL 使用、上下文缓存、RAG 架构对接与扩展能力等方面展开实战分析，结合典型企业场景探讨其在大模型应用开发中的可落地优化路径，为
72B参数+128K上下文！阿里巴巴Qwen2.5大模型如何重构多模态AI天花板
m0_65555479的博客
03-29 748
阿里巴巴Qwen2.5大语言模型以颠覆性姿态强势登场，再次刷新多模态AI的行业标杆。作为国内AI领域的旗舰级产品，Qwen系列不仅实现了语言与多模态能力的深度融合，核心突破开启智能交互新纪元。模型架构全面进化▸ 参数规模覆盖0.5B到72B七级梯度（"B"代表十亿参数），同时提供基础版与指令微调版▸ 采用18万亿tokens超大规模预训练（"T"代表万亿量级）▸ 上下文窗口扩展至128K tokens，长文本生成能力突破8K tokens核心能力飞跃提升。
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
丨汀、的博客
07-25 8571
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
Python 数据智能实战 (2)：LLM 工具箱搭建 - API/库实操与高效 Prompt 设计入门
kakaZhui的博客
04-29 1188
— 工欲善其事，必先利其器：连接你的 Python 与 LLM 大脑，掌握“对话”的艺术本篇博客，我们将聚焦于“工欲善其事，必先利其器”这一核心环节，带你完成以下关键任务：了解访问 LLM 的主要方式 (云 API vs. 本地模型)，并为入门选择合适的路径。学习如何配置环境，安装必要的库，并通过 Python 代码调用 LLM 服务 (以 OpenAI API 为例)。理解什么是 Prompt，为何它如此重要，并掌握设计有效 Prompt 的核心原则与基础技巧。
LLM大模型部署实战指南：部署简化流程
丨汀、的博客
08-26 1340
清空111111111111111。
新化县建材家居协会电子商务频道共建专项方案.doc
05-23
新化县建材家居协会电子商务频道共建专项方案.doc
电动车控制器79HF9211：三相无刷电机矢量控制与智能驱动程序详解
05-23
内容概要：本文详细介绍了79HF9211电动车控制器的程序架构及其关键实现细节。首先探讨了三相无刷电机的矢量控制，包括PWM频率设置、死区时间配置以及相电流采样的自校准。接着讨论了电机启动时采用的缓升策略，特别是线性斜坡函数的应用、初始力矩限制和霍尔传感器消抖处理。然后阐述了过流保护机制，强调了q轴电流监测和故障处理方法。最后提到了通信层的一些特殊功能，如CAN协议中的调试指令和安全冗余设计的重要性。 适合人群：从事电动车控制系统开发的技术人员，尤其是对三相无刷电机矢量控制感兴趣的工程师。 使用场景及目标：帮助开发者深入了解79HF9211控制器的工作原理和技术细节，掌握其编程技巧并应用于实际项目中，确保系统的高效性和稳定性。 其他说明：文中提供了多个代码片段作为实例，便于读者理解和实践。同时提醒使用者注意某些高级功能（如解除温度保护）可能带来的风险。
PMSM FOC+SVPWM仿真模型与DSP28335代码实现及10kw永磁电机实验验证 · SVPWM 宝典
05-23
内容概要：本文介绍了针对10千瓦永磁同步电机(PMSM)的FOC(磁场定向控制)+SVPWM(空间矢量脉宽调制)仿真模型及其在DSP28335芯片上的代码实现。首先阐述了实验背景与目的，旨在通过仿真模型深入了解PMSM的动态特性和有效控制策略。接着详细描述了基于MATLAB/Simulink平台构建的仿真模型，涵盖电机数学模型、控制算法及信号处理流程，重点在于矢量控制策略如电流环、速度环和磁场控制。随后展示了仿真的验证结果，表明模型能精确模拟电机运行状态并提升功率因数和效率。最后，文中详述了DSP28335代码实现部分，确保了电机控制算法的核心逻辑得以正确执行。实验验证显示，所提出的控制策略使电机运行稳定，响应迅速，满足预期性能指标。 适合人群：从事电机控制系统研究的技术人员、高校相关专业师生、对电机控制感兴趣的工程技术人员。 使用场景及目标：适用于需要理解和掌握PMSM FOC+SVPWM控制方法的研究人员和技术开发者，帮助他们更好地设计和优化电机控制系统，提高电机运行效率和控制精度。 其他说明：文章还提到未来将在此基础上进一步探索更多应用场景，优化现有模型与代码，以适应更广泛的实际需求。
西门子PLC动态密码程序解析：适用于1200与1500PLC的SCL编写催款程序及动态密保
05-23
内容概要：本文详细介绍了西门子PLC动态密码程序的设计与实现，特别针对1200PLC和1500PLC型号。该程序主要用于催款业务场景，采用了SCL（结构化控制语言）进行编写，提供了动态密保功能，增强了系统安全性和用户账户的保密性。文章从程序的编写思路、操作步骤到实际应用场景进行了全面解析，强调了其在提升工作效率、减少人为错误以及保障企业信息安全方面的优势。文中还提到，该程序具有高度的通用性和灵活性，适用于不同的业务需求，并配有详细的视频讲解，帮助用户更好地理解和操作。 适合人群：从事工业自动化控制领域的工程师和技术人员，尤其是熟悉或希望深入了解西门子PLC编程的人士。 使用场景及目标：①需要在工业控制系统中实施催款程序的企业；②希望通过增强动态密保功能提升系统安全性的企业；③希望掌握SCL编程技巧并应用于实际项目中的技术人员。 其他说明：该程序不仅提升了系统的安全性和可靠性，还在效率和准确性方面表现出色，为企业带来了更多商业机会和发展空间。
数据库仓库管理系统课程设计.doc
05-23
数据库仓库管理系统课程设计.doc
数据库实验3.doc
05-23
数据库实验3.doc
基于映射关系的领域词典抽取算法.zip
最新发布
05-23
基于映射关系的领域词典抽取算法.zip
如何实现命令行版的多轮流式对话，调用qwen-turbo
09-30
实现命令行版的多轮流式对话，并调用Qwen-Turbo（这是一个基于大规模语言模型的工具），通常需要以下几个步骤： 1. **环境设置**： - 安装必要的工具：首先确保你已经安装了Python和相关的命令行库，如`click`用于构建命令行界面，`requests`或`httpx`用于发送HTTP请求到Qwen-Turbo API。 2. **创建API客户端**： - 获取Qwen-Turbo的API文档，了解其端点、请求格式以及认证信息（如果有）。编写函数来发送文本输入并获取回复。 ```python import requests from click import command, argument def get_qwen_response(text): api_url = "https://api.your-qwen-turbo-server.com/response" headers = {'Content-Type': 'application/json'} data = {"text": text} response = requests.post(api_url, json=data, headers=headers) return response.json() @command() @argument('query', help='用户输入的问题') def main(query): response = get_qwen_response(query) print(response['answer']) ``` 3. **编写交互循环**： - 设计一个循环，让用户可以连续输入，每次输入后调用`get_qwen_response`函数并显示回复。可以在循环中加入退出条件，比如输入特定指令。 ```python while True: user_input = input("你想问什么吗? (输入'exit'退出): ") if user_input.lower() == 'exit': break else: ... # 调用get_qwen_response函数 ``` 4. **运行程序**： - 将上述代码保存为一个.py文件，然后通过命令行运行它，即可开始与Qwen-Turbo的互动对话。 记得替换`https://api.your-qwen-turbo-server.com/response`为实际的Qwen-Turbo API地址。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Coding的叶子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值