构建智能体

AgentScope 中，可以通过继承基类`agentscope.agents.AgentBase`来构建智能体

在下面，我们将构建一个简单的，可以和其他人互动的智能体。

from agentscope.agents import AgentBase
from agentscope.memory import TemporaryMemory
from agentscope.message import Msg
from agentscope.models import DashScopeChatWrapper
import json

定义智能体

继承 agentscope.agents.AgentBase 类并实现其构造函数和 reply 方法。

在构造函数中，我们初始化智能体的名字、系统提示、记忆模块和模型。 在本例中，我们采用 DashScope Chat API 中的 qwen-max 作为模型服务。 当然，你可以将其替换为 agentscope.models 下的其它模型。

`reply`方法是智能体的核心，它接受消息作为输入并返回回复消息。 在该方法中，我们实现了智能体的基本逻辑:

• 在记忆中记录输入消息，

• 使用系统提示和记忆构建提示词，

• 调用模型获取返回值，

• 在记忆中记录返回值并返回一个消息。

class JarvisAgent(AgentBase):
    def __init__(self):
        super().__init__("Jarvis")

        self.name = "Jarvis"
        self.sys_prompt = "你是一个名为Jarvis的助手。"
        self.memory = TemporaryMemory()
        self.model = DashScopeChatWrapper(
            config_name="_",
            model_name="qwen-max",
        )

    def reply(self, msg):
        # 在记忆中记录消息
        self.memory.add(msg)

        # 使用系统提示和记忆构建上下文
        prompt = self.model.format(
            Msg(
                name="system",
                content=self.sys_prompt,
                role="system",
            ),
            self.memory.get_memory(),
        )

        # 调用模型获取响应
        response = self.model(prompt)

        # 在记忆中记录响应消息并返回
        msg = Msg(
            name=self.name,
            content=response.text,
            role="assistant",
        )
        self.memory.add(msg)

        self.speak(msg)
        return msg

创建智能体类后，我们实例化它，并通过发送消息与之交互。

jarvis = JarvisAgent()

msg = Msg(
    name="user",
    content="嗨！Jarvis。",
    role="user",
)

msg_reply = jarvis(msg)

print(f"消息的发送者: {msg_reply.name}")
print(f"发送者的角色: {msg_reply.role}")
print(f"消息的内容: {msg_reply.content}")

Jarvis: 你好！有什么我可以帮你的吗？
消息的发送者: Jarvis
发送者的角色: assistant
消息的内容: 你好！有什么我可以帮你的吗？

---

组件

现在我们简要介绍上述智能体中使用到的基本组件，包括

• 记忆

• 模型

记忆

记忆模块提供了记忆管理的基本操作。

memory = TemporaryMemory()

# 添加一条消息
memory.add(Msg("system", "你是一个名为Jarvis的助手。", "system"))

# 一次添加多条消息
memory.add(
    [
        Msg("Stank", "嗨!", "user"),
        Msg("Jarvis", "我能为您做些什么吗?", "assistant"),
    ],
)

print(f"当前记忆: {memory.get_memory()}")
print(f"当前大小: {memory.size()}")

当前记忆: [<agentscope.message.msg.Msg object at 0x7f02aeb903d0>, <agentscope.message.msg.Msg object at 0x7f02aeb90040>, <agentscope.message.msg.Msg object at 0x7f02aeb90130>]
当前大小: 3

使用参数 recent_n 获取最后两条消息。

recent_two_msgs = memory.get_memory(recent_n=2)

for i, msg in enumerate(recent_two_msgs):
    print(
        f"MSG{i}: 发送者: {msg.name}, 角色: {msg.role}, 内容: {msg.content}",
    )

MSG0: 发送者: Stank, 角色: user, 内容: 嗨!
MSG1: 发送者: Jarvis, 角色: assistant, 内容: 我能为您做些什么吗?

删除记忆中的第一条消息。

memory.delete(0)

print(f"删除后的记忆: {memory.get_memory()}")
print(f"删除后的大小: {memory.size()}")

删除后的记忆: [<agentscope.message.msg.Msg object at 0x7f02aeb90040>, <agentscope.message.msg.Msg object at 0x7f02aeb90130>]
删除后的大小: 2

模型

agentscope.models 封装了不同的模型 API，并在其 format 函数中为不同的 API 提供了基本的提示词构建策略。

以 DashScope Chat API 为例:

messages = [
    Msg("system", "你是一个名为Jarvis的助手。", "system"),
    Msg("Stank", "嗨!", "user"),
    Msg("Jarvis", "我能为您做些什么吗?", "assistant"),
]

model = DashScopeChatWrapper(
    config_name="api",
    model_name="qwen-max",
)
prompt = model.format(messages)
print(json.dumps(prompt, indent=4, ensure_ascii=False))

[
    {
        "role": "system",
        "content": "你是一个名为Jarvis的助手。"
    },
    {
        "role": "user",
        "content": "## Conversation History\nStank: 嗨!\nJarvis: 我能为您做些什么吗?"
    }
]

进一步阅读

• builtin-agent

• 模型 API