文墨共鸣大模型Agent智能体开发入门：构建自主任务执行系统

文墨共鸣大模型Agent智能体开发入门构建自主任务执行系统你是不是也经常被各种重复、琐碎的任务搞得焦头烂额比如每天要手动整理几十份报告或者需要不停地在不同网站间切换查询信息。有没有一种方法能让一个“数字助手”帮你自动完成这些事这就是AI Agent智能体正在做的事。它不再是一个简单的问答机器人而是一个能自己思考、自己行动、自己解决问题的“智能员工”。今天我们就来聊聊如何用文墨共鸣大模型作为这个“员工”的大脑亲手搭建一个能自主执行任务的智能体系统。整个过程并不复杂跟着做你也能拥有一个7x24小时在线的得力助手。1. 什么是AI Agent它和普通大模型有啥区别在开始动手之前我们先得搞清楚我们到底要造个什么东西。很多人觉得大模型不就是聊天机器人吗你问它答。但Agent智能体完全不是这么回事。你可以把普通的大模型想象成一个知识渊博、但行动不便的“大脑”。你问它“今天天气怎么样”它能告诉你查询天气的步骤但它自己不会去打开浏览器搜索。而一个AI Agent则是给这个“大脑”装上了“眼睛”、“耳朵”和“手脚”。一个完整的Agent通常具备三个核心能力思考Think基于目标规划下一步该做什么。比如目标是“写一份关于新能源汽车的周报”它会先分解任务1. 搜索最新行业新闻2. 查找相关销售数据3. 分析趋势4. 撰写报告。行动Act调用外部工具来执行具体操作。思考后它会自动调用“网络搜索工具”去查新闻调用“数据分析工具”处理数据最后调用“文档生成工具”来写报告。观察Observe接收行动的结果并作为下一轮思考的输入。比如搜索工具返回了三条新闻它会阅读这些新闻判断信息是否足够如果不够就继续搜索。所以Agent 大模型大脑 工具集手脚 任务循环思考-行动-观察。我们今天要做的就是用文墨共鸣大模型作为核心的“思考大脑”来驱动整个循环。2. 搭建你的第一个智能体环境与核心思路我们不需要从零开始造轮子。目前社区有很多优秀的框架可以简化Agent开发比如LangChain、LlamaIndex等。为了最直观地理解原理我们先抛开复杂框架用一个最简单的Python脚本来实现核心循环。2.1 准备工作获取“大脑”的钥匙首先你需要一个强大的“大脑”——文墨共鸣大模型。我们通过其提供的API来调用它。获取API密钥前往文墨共鸣大模型的官方平台注册并创建一个应用你会获得一个专属的API Key这就是我们和“大脑”对话的通行证。准备Python环境确保你的电脑上安装了Python建议3.8以上版本。我们需要安装一个关键的库requests用于和API通信。在终端里运行pip install requests2.2 设计智能体的核心工作流我们的智能体将遵循一个经典的“ReAct”Reason Act模式。它的工作流如下图所示是一个持续的循环graph TD A[开始接收用户任务] -- B{思考分析任务br规划下一步行动} B -- C[行动调用合适工具执行] C -- D[观察获取工具返回结果] D -- E{判断任务是否完成} E -- 否 -- B E -- 是 -- F[结束输出最终结果]这个循环会一直运行直到智能体认为任务已经完成或者达到了设定的最大步骤限制。3. 动手实现从零构建任务执行循环现在让我们把上面的图变成代码。我们将构建一个能自动查询天气并给出穿衣建议的智能体。3.1 第一步让“大脑”学会思考我们先写一个函数负责把当前的任务、已有的信息历史观察发送给文墨共鸣大模型让它“思考”下一步该做什么。import requests import json # 你的文墨共鸣API密钥和请求地址请替换为实际信息 API_KEY your_api_key_here API_URL https://api.wenmo.com/v1/chat/completions # 示例地址请以官方文档为准 def think_with_brain(task, history_observations): 让大模型思考下一步行动。 task: 用户给的总任务如“查询北京天气并建议是否要带伞” history_observations: 之前步骤中工具返回的结果列表 # 构建对话历史 messages [ {role: system, content: 你是一个智能助手能够通过调用工具来完成任务。请根据用户目标和已有信息决定下一步是调用工具还是直接给出最终答案。如果需要调用工具请严格按照格式回复TOOL: [工具名称] | INPUT: [输入内容]。如果可以直接回答请直接给出答案。}, {role: user, content: f当前总任务{task}} ] # 将历史观察作为上下文加入 for obs in history_observations: messages.append({role: assistant, content: f观察结果{obs}}) # 添加本次思考的提示 messages.append({role: user, content: 基于以上任务和历史信息你的下一步是什么请按格式回复。}) # 调用文墨共鸣API headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } data { model: wenmo-model-name, # 替换为具体模型名 messages: messages, temperature: 0.1, # 低随机性让思考更稳定 } try: response requests.post(API_URL, headersheaders, datajson.dumps(data)) response.raise_for_status() result response.json() thought result[choices][0][message][content].strip() return thought except Exception as e: return f思考过程出错{e}这个函数的核心是让大模型根据当前情况输出一个格式化的指令比如TOOL: search_weather | INPUT: 北京。3.2 第二步给智能体装上“手脚”工具“大脑”发出了指令我们需要有对应的“手脚”去执行。我们来模拟几个简单的工具。# 模拟工具集 def search_weather(location): 模拟天气查询工具。真实场景中这里会调用真实的天气API。 # 这里我们模拟一个固定返回 weather_data { 北京: 今天北京天气晴气温15-25°C东南风2级紫外线强度中等。, 上海: 今天上海天气多云气温18-28°C东风3级湿度65%。 } return weather_data.get(location, f未找到{city}的天气信息。) def calculate_advice(weather_text): 模拟穿衣建议工具。根据天气文本分析给出建议。 advice 建议 if 雨 in weather_text: advice 今天有雨请务必带伞。 elif 晴 in weather_text and 紫外线 in weather_text: advice 天气晴朗紫外线较强建议涂抹防晒霜。 elif 气温 in weather_text: # 简单提取最高温 import re temp_match re.search(r气温(\d)-(\d), weather_text) if temp_match: high_temp int(temp_match.group(2)) if high_temp 30: advice 气温较高建议穿短袖等清凉衣物。 elif high_temp 10: advice 气温较低请注意保暖穿厚外套。 else: advice 气温适宜可穿着长袖衬衫、薄外套等。 else: advice 请根据体感温度舒适着装。 else: advice 请关注实时天气变化。 return advice def call_tool(tool_name, tool_input): 根据工具名称调用对应的工具。 if tool_name search_weather: return search_weather(tool_input) elif tool_name calculate_advice: return calculate_advice(tool_input) else: return f错误未知工具 {tool_name}。3.3 第三步组装智能体启动任务循环现在把“大脑”思考函数和“手脚”工具集组装起来实现主循环。def run_agent(task, max_steps5): 运行智能体。 task: 用户任务 max_steps: 最大执行步骤防止无限循环 history [] # 记录历史观察 final_answer None print(f【任务开始】: {task}) for step in range(max_steps): print(f\n--- 第 {step1} 步 ---) # 1. 思考 thought think_with_brain(task, history) print(f思考: {thought}) # 2. 判断思考结果 if thought.startswith(TOOL:): # 解析工具调用指令 try: _, tool_part thought.split(TOOL:, 1) tool_name, tool_input [p.strip() for p in tool_part.split(| INPUT:)] tool_name tool_name.strip() print(f行动: 调用工具「{tool_name}」输入「{tool_input}」) # 3. 行动 observation call_tool(tool_name, tool_input) print(f观察: {observation}) # 4. 观察并记录 history.append(observation) except Exception as e: error_msg f解析工具指令失败{e}原始指令{thought} print(f观察: {error_msg}) history.append(error_msg) else: # 大模型认为可以直接给出最终答案 print(f行动: 生成最终答案) final_answer thought break # 输出结果 print(\n *30) if final_answer: print(f【任务完成】最终答案\n{final_answer}) return final_answer else: print(f【任务终止】已达到最大步骤({max_steps})未得出最终答案。) print(f历史记录{history}) return None # 让我们运行一下 if __name__ __main__: user_task 查询北京天气并建议是否要带伞 result run_agent(user_task)运行这段代码你会看到智能体一步步地思考、调用天气查询工具、分析结果、最终给出建议。虽然工具是模拟的但整个自主决策和执行的流程已经完整地跑通了。4. 进阶一步部署为长期运行的服务上面的脚本在你的本地电脑上运行。但一个真正有用的Agent应该像服务器一样长期在线随时等待任务。这就需要部署。对于个人开发者或中小型项目使用云平台的GPU服务器是一个高性价比的选择。你可以将上面的Agent代码封装成一个Web API比如用FastAPI框架然后将其部署到提供GPU算力的云服务器上。大致步骤如下代码封装将你的run_agent函数包装成一个HTTP接口接收task参数返回执行结果。选择平台选择一个提供GPU实例的平台。这些平台通常有预置的环境能让你快速启动一个带Python和CUDA的服务器。部署上线将你的代码上传到服务器安装依赖requests,fastapi等然后启动服务。设置守护进程使用systemd或supervisor等工具让你的Agent服务在后台稳定运行即使终端关闭也不会停止。这样一来你的智能体就变成了一个可通过网络访问的服务。你可以从任何地方发送一个任务请求它就会在云端自动执行并返回结果。5. 总结与展望跟着走完这一趟你应该已经对AI Agent的开发有了一个实实在在的体感。它不是什么遥不可及的黑科技其核心就是一个“思考-行动-观察”的循环加上一个强大模型和几个实用工具。我们今天的例子只是一个起点。你可以在这个基础上接入更多真实的工具比如真正的搜索引擎API让它能获取实时信息。文件读写工具让它能自动整理文档。代码执行环境让它能进行复杂计算或数据分析。其他专业软件接口实现自动化办公。文墨共鸣大模型作为“大脑”负责复杂的规划、理解和决策而各种工具作为“手脚”拓展了它的能力边界。这种模式正是当前AI应用从“对话”走向“行动”的关键。动手试试吧从一个简单的自动查询Agent开始逐步给它添加新的技能。你会发现构建一个能真正帮你干活的智能助手其乐趣和成就感远超想象。当它第一次独立完成你设定的复杂任务时那种感觉就像拥有了一个数字世界的“分身”。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。