文墨共鸣大模型智能体（Agent）开发入门：构建自动化任务执行系统

文墨共鸣大模型智能体Agent开发入门构建自动化任务执行系统你有没有想过让AI不仅能回答问题还能像人一样思考、规划并主动使用工具去完成任务比如你告诉它“帮我查一下北京的天气然后根据天气情况给我一个周末出行建议”它就能自己去搜索天气分析数据最后给你一份完整的出行方案。这听起来是不是很酷这就是智能体Agent的魅力。它让大模型从一个“聪明的回答者”变成了一个“能干的执行者”。今天我们就来聊聊如何利用文墨共鸣大模型作为核心大脑从零开始构建一个这样的自动化任务执行系统。整个过程并不复杂我会带你一步步走通让你也能亲手打造一个会思考、会行动的AI助手。1. 智能体是什么为什么需要它你可能已经习惯了直接向大模型提问比如“北京今天多少度”。它会根据训练数据中的知识给你一个答案。但这里有个问题如果问的是“北京今天下午三点会不会下雨”模型的知识可能不是最新的如果问的是“帮我计算一下房贷月供”它可能不擅长精确计算。这时候智能体的价值就体现出来了。你可以把它想象成一个配备了“大脑”和“工具箱”的机器人。文墨共鸣大模型就是这个“大脑”负责理解你的意图、制定计划、做出决策。而“工具箱”里则装着各种专用工具比如计算器、搜索引擎、文件读写接口等。当这个“大脑”接到一个复杂任务时它会先“思考”Reason拆解任务规划步骤。然后“行动”Act调用合适的工具去执行具体步骤。最后根据工具返回的结果再次“思考”决定下一步做什么直到任务完成。这个“思考-行动”的循环就是智能体领域经典的ReAct框架思想。所以智能体解决的核心问题是让大模型突破自身静态知识的限制通过使用外部工具动态地获取信息、执行操作从而完成更复杂、更实时的任务。2. 搭建你的第一个智能体从“思考-行动”循环开始理论说再多不如动手做一遍。我们从一个最简单的例子开始让智能体使用一个计算器工具完成数学运算。首先我们需要准备环境。这里我们使用Python并假设你已经安装了基本的开发环境。我们将使用openai风格的库来调用文墨共鸣大模型请根据你的实际API端点替换相关配置。# 示例基础环境设置 import os import json # 假设使用OpenAI兼容的API from openai import OpenAI # 初始化客户端请替换为你的实际API基址和密钥 client OpenAI( base_urlYOUR_API_BASE_URL, # 文墨共鸣API地址 api_keyYOUR_API_KEY, ) # 定义我们第一个简单的工具计算器 def calculator(expression: str) - str: 一个安全的简单计算器支持基础四则运算。 try: # 警告实际生产中应对表达式做严格安全检查这里仅为演示 # 使用eval仅用于演示在真实场景中请使用更安全的计算库如ast.literal_eval或自己解析 result eval(expression) return str(result) except Exception as e: return f计算错误: {e} # 定义工具列表供模型知晓 tools [ { type: function, function: { name: calculator, description: 执行数学表达式计算例如(12 5) * 3, parameters: { type: object, properties: { expression: { type: string, description: 需要计算的数学表达式如 3 5*2 } }, required: [expression] } } } ]环境搭好了工具也定义了一个。接下来就是最核心的部分如何让模型学会“思考”并决定何时调用工具我们通过构造特定的对话提示来实现。def run_agent_with_react(user_query: str, max_turns5): 运行一个简单的ReAct循环智能体。 messages [ {role: system, content: 你是一个智能助手可以调用工具来帮助用户。当你需要计算、搜索或执行其他操作时应该调用相应的工具。请逐步思考并只在需要时调用工具。}, {role: user, content: user_query} ] for turn in range(max_turns): # 1. 思考与规划模型决定是直接回答还是调用工具 response client.chat.completions.create( modelyour_model_name, # 替换为你的模型名称 messagesmessages, toolstools, tool_choiceauto, # 让模型自己决定是否调用工具 ) message response.choices[0].message messages.append(message) # 将模型的响应加入对话历史 # 2. 检查是否调用了工具 if message.tool_calls: print(f[回合 {turn1}] 模型决定调用工具...) for tool_call in message.tool_calls: function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) # 3. 执行行动调用对应的工具函数 if function_name calculator: tool_result calculator(**function_args) else: tool_result f未知工具: {function_name} print(f 调用工具 {function_name}参数: {function_args}结果: {tool_result}) # 4. 将工具执行结果返回给模型供其下一步“思考” messages.append({ role: tool, tool_call_id: tool_call.id, name: function_name, content: tool_result, }) else: # 模型没有调用工具直接给出了最终答案 print(f[回合 {turn1}] 模型给出了最终回答。) final_answer message.content print(f最终答案: {final_answer}) return final_answer print(达到最大循环次数任务可能未完成。) return None # 让我们试一下 if __name__ __main__: query 请帮我计算一下如果一件商品原价是258元打8.5折后的价格是多少 result run_agent_with_react(query)运行这段代码你会看到类似下面的输出[回合 1] 模型决定调用工具... 调用工具 calculator参数: {expression: 258 * 0.85}结果: 219.3 [回合 2] 模型给出了最终回答。 最终答案: 商品打8.5折后的价格是219.3元。看智能体“活”了它没有直接猜测答案而是先“思考”到需要计算然后“行动”调用了计算器工具最后把结果组织成一句通顺的话回复给你。这就是ReAct循环的一个完整演示。3. 赋予智能体更多能力集成搜索与文件操作只会算数显然不够。一个有用的智能体应该能处理更多样化的任务。我们来给它增加两个更实用的工具一个模拟的搜索引擎和一个简单的文件读写工具。import datetime # 工具2模拟搜索引擎实际开发中可替换为真实API如Serper、Google Search等 def web_search(query: str) - str: 模拟网络搜索返回模拟结果。 print(f模拟搜索: {query}) # 这里模拟返回一些静态结果真实情况应调用搜索API mock_data { 北京天气: 北京2024年5月20日晴转多云气温18-28°C南风2-3级。, Python教程: Python是一种流行的编程语言以简洁易读著称。, 最新新闻: 模拟新闻AI技术大会将于下周举行。 } # 简单模拟根据关键词返回结果 for key in mock_data: if key in query: return mock_data[key] return f未找到关于 {query} 的精确信息。以下是模拟的通用结果相关主题 {query} 的信息正在更新中。 # 工具3简单的文件系统工具 class SimpleFileSystem: def __init__(self): self.files {} def read_file(self, filename: str) - str: 读取文件内容。 return self.files.get(filename, f错误文件 {filename} 不存在。) def write_file(self, filename: str, content: str) - str: 写入内容到文件。 self.files[filename] content return f成功写入文件 {filename}。 def list_files(self) - str: 列出所有文件。 if not self.files: return 当前没有文件。 return 现有文件: , .join(self.files.keys()) # 初始化文件系统 fs SimpleFileSystem() # 更新工具列表 tools [ { type: function, function: { name: calculator, description: 执行数学计算。, parameters: { type: object, properties: { expression: {type: string, description: 数学表达式如 (105)*2} }, required: [expression] } } }, { type: function, function: { name: web_search, description: 在互联网上搜索最新信息用于查询天气、新闻、事实等。, parameters: { type: object, properties: { query: {type: string, description: 搜索关键词} }, required: [query] } } }, { type: function, function: { name: read_file, description: 读取指定文件名的内容。, parameters: { type: object, properties: { filename: {type: string, description: 要读取的文件名} }, required: [filename] } } }, { type: function, function: { name: write_file, description: 创建或覆盖一个文件写入指定内容。, parameters: { type: object, properties: { filename: {type: string, description: 要写入的文件名}, content: {type: string, description: 要写入的文本内容} }, required: [filename, content] } } } ] # 更新智能体函数使其能处理新工具 def run_advanced_agent(user_query: str, max_turns6): messages [ {role: system, content: 你是一个强大的智能助手可以使用计算器、搜索网络、读写文件。请根据任务需要逐步调用工具。在给出最终答案前确保已通过工具获取了所有必要信息。}, {role: user, content: user_query} ] for turn in range(max_turns): response client.chat.completions.create( modelyour_model_name, messagesmessages, toolstools, tool_choiceauto, ) message response.choices[0].message messages.append(message) if message.tool_calls: print(f[回合 {turn1}] 模型正在协调多个工具...) for tool_call in message.tool_calls: func_name tool_call.function.name func_args json.loads(tool_call.function.arguments) if func_name calculator: tool_result calculator(**func_args) elif func_name web_search: tool_result web_search(**func_args) elif func_name read_file: tool_result fs.read_file(**func_args) elif func_name write_file: tool_result fs.write_file(**func_args) else: tool_result f工具调用错误: {func_name} print(f 调用 {func_name}: 参数{func_args}, 结果{tool_result[:50]}...) # 截断长结果 messages.append({ role: tool, tool_call_id: tool_call.id, name: func_name, content: tool_result, }) else: final_answer message.content print(f任务完成最终回答: {final_answer}) return final_answer print(任务可能未完全解决。) return None现在让我们挑战一个更复杂的任务看看智能体如何协调多个工具。# 场景查询天气并生成出行建议最后保存建议到文件 complex_task 请执行以下任务 1. 搜索一下北京今天的天气情况。 2. 根据天气为我规划一个简单的周末户外活动建议例如如果天气好建议去公园如果下雨建议室内活动。 3. 将这个出行建议保存到一个名为‘weekend_plan.txt’的文件中。 4. 最后告诉我文件保存成功并简要复述建议。 print(开始执行复杂任务...) print(用户请求:, complex_task) run_advanced_agent(complex_task)这个任务涉及多个步骤搜索信息、基于信息推理生成文本、操作文件系统。一个训练良好的智能体会大致按以下流程执行调用web_search工具查询“北京今天天气”。收到天气结果模拟数据为“晴转多云18-28°C”后模型内部推理出这是一个好天气。生成一段户外活动建议如“建议去颐和园或奥林匹克森林公园散步”。调用write_file工具将建议写入文件。最后调用read_file工具确认内容或直接生成最终确认信息回复用户。通过这个例子你能清晰地看到智能体如何像项目经理一样将一个模糊的指令分解成具体的、可执行的动作序列并指挥不同的“工具人”工具去完成。4. 让智能体更可靠实战中的技巧与挑战自己动手搭建后你可能会发现一些情况有时候模型不该调用工具时却调用了或者调用工具的参数不对。这很正常让智能体稳定可靠是开发中的核心挑战。这里分享几个实用的技巧第一写好工具描述。这是最重要的部分。模型的“思考”很大程度上依赖于你对每个工具功能的文字描述。描述要清晰、具体说明工具的用途、输入参数的格式和含义。好的描述能极大减少模型误用工具的情况。第二设计好的系统提示词。系统提示词是模型的“工作手册”。你需要明确告诉它“你是一个可以调用工具的智能体。在回答前请先思考是否需要使用工具来获取信息或执行操作。如果需要请调用合适的工具。” 你还可以在提示词中规定它的思考格式比如要求它先输出“思考...”再输出“行动...”这有助于调试。第三处理错误和意外。工具调用可能会失败比如网络超时、文件不存在。在智能体的循环中需要能捕获这些错误并将错误信息以一种模型能理解的方式返回给它让它有机会尝试其他方案或向用户求助。第四控制循环与超时。就像上面的代码里的max_turns必须设置一个最大循环次数防止模型陷入“思考-调用-再思考”的死循环。对于复杂任务5-10个循环通常足够。第五从简单场景开始验证。不要一开始就设计一个需要调用五六个工具的超复杂任务。先从“计算器”这种确定性高、结果简单的工具开始确保基础链路跑通。然后逐步增加搜索、API调用等不确定性较高的工具并观察模型的规划能力。5. 下一步你的智能体能做什么走完这个入门教程你已经掌握了智能体开发的核心骨架ReAct循环、工具定义与调用、多步骤任务规划。基于这个骨架你可以为自己的智能体注入无穷的“超能力”。想想看你可以集成哪些工具信息获取接入真实的天气API、股票数据API、航班查询API。内容创作接入文生图模型让智能体根据你的描述直接生成配图接入文本摘要工具让它帮你处理长文档。自动化操作接入邮件发送库、日历管理API让它帮你安排会议、发送提醒。专业领域接入代码解释器让它分析数据、生成图表接入法律数据库提供初步的合同审查建议。智能体就像一个乐高底座而各种工具就是乐高积木。你的想象力决定了最终能搭建出什么。你可以构建一个个人效率助手一个智能客服原型甚至是一个能够自主进行简单科研调研的AI研究员。开发过程中你可能会对文墨共鸣大模型在规划与推理方面的能力有更深的感受。不同的模型在工具调用的准确性和逻辑规划能力上会有差异多尝试、多调整提示词是提升智能体表现的关键。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。