收藏！什么是智能体？程序员大模型入门指南，手把手教你构建AI助手 - AI创想

python --version

复制代码

python -m venv ai_agents_env
source ai_agents_env/bin/activate # Windows上使用：ai_agents_env\Scripts\activate

复制代码

pip install -r requirements.txt

复制代码

ollama --version

复制代码

ollama pull mistral # 将'mistral'替换为所需模型

复制代码

pip install requests termcolor python-dotenv

复制代码

from termcolor import colored
import os
from dotenv import load_dotenv
load_dotenv()### Modelsimport requests
import json
import operator
classOllamaModel:
def__init__(self, model, system_prompt, temperature=0, stop=None):
"""
使用给定参数初始化OllamaModel。
参数:
model (str): 要使用的模型名称。
system_prompt (str): 要使用的系统提示。
temperature (float): 模型的温度设置。
stop (str): 模型的停止令牌。
"""
self.model_endpoint ="http://localhost:11434/api/generate"
self.temperature = temperature
self.model = model
self.system_prompt = system_prompt
self.headers ={"Content-Type":"application/json"}
self.stop = stop
defgenerate_text(self, prompt):
"""
根据提供的提示从Ollama模型生成响应。
参数:
prompt (str): 要生成响应的用户查询。
返回:
dict: 模型响应的字典形式。
"""
payload ={"model": self.model,
"format":"json",
"prompt": prompt,
"system": self.system_prompt,
"stream": False,
"temperature": self.temperature,
"stop": self.stop
}
try:
request_response = requests.post(
self.model_endpoint,
headers=self.headers,
data=json.dumps(payload))
print("请求响应", request_response)
request_response_json = request_response.json()
response = request_response_json['response']
response_dict = json.loads(response)
print(f"\n\nOllama模型的响应: {response_dict}")return response_dict
except requests.RequestException as e:
response ={"error": f"调用模型时出错！{str(e)}"}return response

复制代码

defbasic_calculator(input_str):
"""
根据输入字符串或字典对两个数字执行数学运算。
参数:
input_str (str或dict): 可以是表示包含'num1'、'num2'和'operation'键的字典的JSON字符串，
或直接是字典。例如：'{"num1": 5, "num2": 3, "operation": "add"}'
或 {"num1":67869, "num2":9030393, "operation":"divide"}
返回:
str: 操作结果的格式化字符串。
异常:
Exception: 如果在操作过程中发生错误（例如，除以零）。
ValueError: 如果请求了不支持的操作或输入无效。
"""
try:
# 处理字典和字符串输入if isinstance(input_str, dict):
input_dict = input_str
else:
# 清理并解析输入字符串
input_str_clean = input_str.replace("'", """)
input_str_clean = input_str_clean.strip().strip(""")
input_dict = json.loads(input_str_clean)# 验证必需字段
ifnot all(key in input_dict forkeyin['num1', 'num2', 'operation']):
return"错误：输入必须包含'num1'、'num2'和'operation'"
num1 = float(input_dict['num1'])# 转换为浮点数以处理小数
num2 = float(input_dict['num2'])
operation = input_dict['operation'].lower()# 不区分大小写
except (json.JSONDecodeError, KeyError) as e:
return"输入格式无效。请提供有效的数字和操作。"
except ValueError as e:
return"错误：请提供有效的数值。"# 定义支持的操作及错误处理
operations ={'add': operator.add,
'plus': operator.add, # add的替代词'subtract': operator.sub,
'minus': operator.sub, # subtract的替代词'multiply': operator.mul,
'times': operator.mul, # multiply的替代词'divide': operator.truediv,
'floor_divide': operator.floordiv,
'modulus': operator.mod,
'power': operator.pow,
'lt': operator.lt,
'le': operator.le,
'eq': operator.eq,
'ne': operator.ne,
'ge': operator.ge,
'gt': operator.gt
}# 检查操作是否支持if operation notin operations:
returnf"不支持的操作：'{operation}'。支持的操作有：{', '.join(operations.keys())}"
try:
# 处理除以零的特殊情况if(operation in['divide', 'floor_divide', 'modulus']) and num2 ==0:
return"错误：不允许除以零"# 执行操作
result = operations[operation](num1, num2)# 根据类型格式化结果if isinstance(result, bool):
result_str ="真"if result else"假"elif isinstance(result, float):
# 处理浮点精度
result_str = f"{result:.6f}".rstrip('0').rstrip('.')
else:
result_str = str(result)
returnf"答案是：{result_str}"
except Exception as e:
returnf"计算过程中出错：{str(e)}"
defreverse_string(input_string):
"""
反转给定字符串。
参数:
input_string (str): 要反转的字符串。
返回:
str: 反转后的字符串。
"""
# 检查输入是否为字符串
ifnot isinstance(input_string, str):
return"错误：输入必须是字符串"# 使用切片反转字符串
reversed_string = input_string[::-1]# 格式化输出
result = f"反转后的字符串是：{reversed_string}"return result

复制代码

classToolBox:
def__init__(self):
self.tools_dict ={}
defstore(self, functions_list):
"""
存储列表中每个函数的字面名称和文档字符串。
参数:
functions_list (list): 要存储的函数对象列表。
返回:
dict: 以函数名为键，其文档字符串为值的字典。
"""
forfuncin functions_list:
self.tools_dict[func.__name__]= func.__doc__
return self.tools_dict
deftools(self):
"""
以文本字符串形式返回store中创建的字典。
返回:
str: 存储的函数及其文档字符串的字典，以文本字符串形式。
"""
tools_str =""for name, doc in self.tools_dict.items():
tools_str += f"{name}: "{doc}"\n"return tools_str.strip()

复制代码

agent_system_prompt_template ="""
你是一个拥有特定工具访问权限的智能AI助手。你的回答必须始终使用这种JSON格式：
{{"tool_choice":"工具名称",
"tool_input":"给工具的输入"}}
工具及其使用时机：
1. basic_calculator：用于任何数学计算
- 输入格式：{{"num1": 数字, "num2": 数字, "operation":"add/subtract/multiply/divide"}}
- 支持的操作：add/plus, subtract/minus, multiply/times, divide
- 输入和输出示例：
输入："计算15加7"
输出：{{"tool_choice":"basic_calculator", "tool_input":{{"num1":15, "num2":7, "operation":"add"}}}}
输入："100除以5等于多少？"
输出：{{"tool_choice":"basic_calculator", "tool_input":{{"num1":100, "num2":5, "operation":"divide"}}}}2. reverse_string：用于任何涉及文本反转的请求
- 输入格式：仅作为字符串的要反转的文本
- 当用户提到"反转"、"倒序"或要求反转文本时，始终使用此工具
- 输入和输出示例：
输入："'你好世界'的反转是什么？"
输出：{{"tool_choice":"reverse_string", "tool_input":"你好世界"}}
输入："Python反过来是什么？"
输出：{{"tool_choice":"reverse_string", "tool_input":"Python"}}3. no tool：用于一般对话和问题
- 输入和输出示例：
输入："你是谁？"
输出：{{"tool_choice":"no tool", "tool_input":"我是一个AI助手，可以帮你进行计算、反转文本以及回答问题。我可以执行数学运算和反转字符串。今天我能为你做些什么？"}}
输入："你好吗？"
输出：{{"tool_choice":"no tool", "tool_input":"我运行得很好，谢谢你的关心！我可以帮你进行计算、文本反转或回答任何问题。"}}
严格规则：
1. 关于身份、能力或感受的问题：
- 始终使用"no tool"
- 提供完整、友好的回应
- 提及你的能力
2. 对于任何文本反转请求：
- 始终使用"reverse_string"
- 仅提取要反转的文本
- 删除引号、"反转"等额外文本
3. 对于任何数学运算：
- 始终使用"basic_calculator"
- 提取数字和操作
- 将文本数字转换为数字
这是你的工具列表及其描述：
{tool_descriptions}
记住：你的回应必须始终是带有"tool_choice"和"tool_input"字段的有效JSON。
"""
classAgent:
def__init__(self, tools, model_service, model_name, stop=None):
"""
使用工具列表和模型初始化智能体。
参数:
tools (list): 工具函数列表。
model_service (class): 带有generate_text方法的模型服务类。
model_name (str): 要使用的模型名称。
"""
self.tools = tools
self.model_service = model_service
self.model_name = model_name
self.stop = stop
defprepare_tools(self):
"""
在工具箱中存储工具并返回其描述。
返回:
str: 工具箱中存储的工具描述。
"""
toolbox = ToolBox()
toolbox.store(self.tools)
tool_descriptions = toolbox.tools()return tool_descriptions
defthink(self, prompt):
"""
使用系统提示模板和工具描述在模型上运行generate_text方法。
参数:
prompt (str): 要生成回答的用户查询。
返回:
dict: 模型响应的字典形式。
"""
tool_descriptions = self.prepare_tools()
agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)# 创建带有系统提示的模型服务实例if self.model_service == OllamaModel:
model_instance = self.model_service(model=self.model_name,
system_prompt=agent_system_prompt,
temperature=0,
stop=self.stop
)
else:
model_instance = self.model_service(model=self.model_name,
system_prompt=agent_system_prompt,
temperature=0)# 生成并返回响应字典
agent_response_dict = model_instance.generate_text(prompt)return agent_response_dict
defwork(self, prompt):
"""
解析从think返回的字典并执行适当的工具。
参数:
prompt (str): 要生成回答的用户查询。
返回:
执行适当工具的响应，如果没有找到匹配的工具则返回tool_input。
"""
agent_response_dict = self.think(prompt)
tool_choice = agent_response_dict.get("tool_choice")
tool_input = agent_response_dict.get("tool_input")fortoolin self.tools:
if tool.__name__ == tool_choice:
response = tool(tool_input)
print(colored(response, 'cyan'))return
print(colored(tool_input, 'cyan'))return

复制代码

# 示例用法if __name__ =="__main__":"""
使用此智能体的说明：
你可以尝试的示例查询：
1. 计算器操作：
- "计算15加7"
- "100除以5等于多少？"
- "把23乘以4"2. 字符串反转：
- "反转'你好世界'这个词"
- "你能反转'Python编程'吗？"3. 一般问题（将得到直接回应）：
- "你是谁？"
- "你能帮我做什么？"
Ollama命令（在终端中运行）：
- 检查可用模型： 'ollama list'
- 检查运行中的模型：'ps aux | grep ollama'
- 列出模型标签： 'curl http://localhost:11434/api/tags'
- 拉取新模型： 'ollama pull mistral'
- 运行模型服务器： 'ollama serve'"""
tools =[basic_calculator, reverse_string]# 取消下面的注释以使用OpenAI# model_service = OpenAIModel# model_name = 'gpt-3.5-turbo'# stop = None# 使用Ollama的llama2模型
model_service = OllamaModel
model_name ="llama2"# 可以更改为其他模型，如'mistral'、'codellama'等
stop ="<|eot_id|>"
agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)
print("\n欢迎使用AI智能体！输入'exit'退出。")
print("你可以让我：")
print("1. 执行计算（例如，'计算15加7'）")
print("2. 反转字符串（例如，'反转你好世界'）")
print("3. 回答一般问题\n")
whileTrue:
prompt = input("问我任何问题：")if prompt.lower()=="exit":break
agent.work(prompt)

复制代码