Agent智能体初步认识

参考文章： https://learnwithhasan.com/create-ai-agents-with-python/

code: https://github.com/hassancs91/AI-Agents-Course

这代码展示最简单的agent原理。我们可以稍作修改，就得到自己的调用多工具能够流水线一样工作的agent智能体。对于微型SaaS来说，够用了，不要太复杂。核心原理就是吴恩达的loop思考：

turn_count = 1
max_turns = 5

while turn_count < max_turns:
    print (f"Loop: {turn_count}")
    print("----------------------")
    turn_count += 1

    agent_response = llm_instance.generate_response(messages=messages)

    messages.append({"role": "assistant", "content": agent_response})

    print(agent_response)

    #extract action JSON From Text Response.
    action_json = extract_json_from_text(agent_response)

    if action_json:
        function_name = action_json[0]['function_name']
        function_parms = action_json[0]['function_parms']
        if function_name not in available_actions:
            raise Exception(f"Unknown action: {function_name}: {function_parms}")
        print(f" -- running {function_name} {function_parms}")
        action_function = available_actions[function_name]
        action_function(**function_parms)
        #call the function
        result = action_function(**function_parms)
        print("Observation:", result)
        function_result_messge = f"Observation: {result}"
        messages.append({"role": "user", "content": function_result_messge})
        print("----------------------")
    else:
        break

参考： https://new.qq.com/rain/a/20240329A041XC00

介绍 phidata

https://github.com/phidatahq/phidata

它通过以下几个关键组件增强LLMs的能力：记忆：通过将聊天记录存储在数据库中，使 LLMs 能够进行长期对话。知识：通过将信息存储在向量数据库中，为LLMs 提供商业上下文。工具：使LLMs能够执行如从 API 提取数据、发送电子邮件或查询数据库等操作。代码示例以下是使用 phidata 创建一个简单助手的代码示例：

from phi.assistant import Assistant
from phi.tools.duckduckgo import DuckDuckGo

assistant = Assistant(tools=[DuckDuckGo()], show_tool_calls=True)
assistant.print_response("Whats happening in France?", markdown=True)