内置智能体

AgentScope 内置若干智能体类，以支持不同使用场景，同时展示如何使用 AgentScope 构建智能体。

类	描述
UserAgent	允许用户参与对话的智能体。
DialogAgent	使用自然语言交谈的智能体。
DictDialogAgent	支持结构化输出的智能体。
ReActAgent	以 reasoning-acting 循环的方式使用工具的智能体。
LlamaIndexAgent	检索增强型生成 (RAG) 智能体。

import agentscope

for module in agentscope.agents.__all__:
    if module.endswith("Agent"):
        print(module)

DialogAgent
DictDialogAgent
UserAgent
ReActAgent
LlamaIndexAgent

备注

为了使同一个智能体类能够支持不同的大语言模型 API，所有内置智能体类都通过模型配置名 model_config_name 来进行初始化。如果你构建的智能体不打算多个不同的模型，推荐可以显式地进行模型初始化，而不是使用模型配置名。

import agentscope

agentscope.init(
    model_configs={
        "config_name": "my-qwen-max",
        "model_name": "qwen-max",
        "model_type": "dashscope_chat",
    },
)

[]

DialogAgent

DialogAgent 是 AgentScope 中最基本的智能体，可以以对话的方式与用户交互。 开发者可以通过提供不同的系统提示和模型配置来自定义它。

from agentscope.agents import DialogAgent
from agentscope.message import Msg

# 初始化一个对话智能体
alice = DialogAgent(
    name="Alice",
    model_config_name="my-qwen-max",
    sys_prompt="你是一个名叫 Alice 的助手。",
)

# 向智能体发送一条消息
msg = Msg("Bob", "嗨！你叫什么名字？", "user")
response = alice(msg)

Alice: 嗨！我叫Alice，是你的助手。有什么可以帮助你的吗？

UserAgent

UserAgent 类允许用户与其他智能体交互。 当调用 UserAgent 对象时，它会要求用户输入，并将其格式化为 Msg 对象。

这里我们展示如何初始化一个 UserAgent 对象，并与对话智能体 alice 进行交互。

from agentscope.agents import UserAgent
from io import StringIO
import sys

user = UserAgent(
    name="Bob",
    input_hint="用户输入: \n",
)

# 模拟用户输入
sys.stdin = StringIO("你认识我吗？\n")

msg = user()
msg = alice(msg)

User Input: Bob: 你认识我吗？
Alice: 我们之前没有过对话，所以严格来说我不“认识”你。但我很高兴现在能和你聊天！我可以帮助回答你的问题或提供你需要的信息。请告诉我你想要了解什么或者需要什么样的帮助吧。

DictDialogAgent

DictDialogAgent 支持结构化输出，并可通过 set_parser 方法指定解析器来实现自动后处理。

我们首先初始化一个 DictDialogAgent 对象，然后通过更换解析器，实现不同结构化的输出。

from agentscope.agents import DictDialogAgent
from agentscope.parsers import MarkdownJsonDictParser


charles = DictDialogAgent(
    name="Charles",
    model_config_name="my-qwen-max",
    sys_prompt="你是一个名叫 Charles 的助手。",
    max_retries=3,  # 获取所需结构化输出失败时的最大重试次数
)

# 要求智能体生成包含 `thought`、`speak` 和 `decision` 的结构化输出
parser1 = MarkdownJsonDictParser(
    content_hint={
        "thought": "你的想法",
        "speak": "你要说的话",
        "decision": "你的最终决定，true/false",
    },
    keys_to_metadata="decision",
    required_keys=["thought", "speak", "decision"],
)

charles.set_parser(parser1)
msg1 = charles(Msg("Bob", "在下雨天外出是个好主意吗？", "user"))

print(f"metadata字段: {msg1.metadata}")
print(f"metadata字段的类型: {type(msg1.metadata)}")

Charles: ```json
{"thought": "下雨天外出可能会让人感到不适，因为天气潮湿且行动不便，但这也取决于个人喜好和外出的目的。如果有必要外出或者喜欢雨天的氛围，那么外出也是可以的。", "speak": "下雨天外出可能不太舒服，除非你有必须完成的事情或是特别喜欢雨天的感觉。你觉得呢？", "decision": false}
```
metadata字段: False
metadata字段的类型: <class 'bool'>

然后，我们要求智能体从 1 到 10 中选择一个数字。

parser2 = MarkdownJsonDictParser(
    content_hint={
        "thought": "你的想法",
        "speak": "你要说的话",
        "number": "你选择的数字",
    },
    keys_to_metadata="number",
    keys_to_content="speak",
)

charles.set_parser(parser2)
msg2 = charles(Msg("Bob", "从 1 到 10 中选择一个数字。", "user"))

print(f"响应消息的content字段: {msg2.content}")
print(f"响应消息的metadata字段: {msg2.metadata}")

Charles: ```json
{"thought": "Bob可能是在玩一个猜数字的游戏或者只是想要我随机选择一个数字。既然他没有指定任何偏好，我可以为他随机挑选一个1到10之间的整数。", "speak": "好的，我选的数字是7。这个数字对你来说有什么特别的意义吗？", "number": 7}
```
响应消息的content字段: 好的，我选的数字是7。这个数字对你来说有什么特别的意义吗？
响应消息的metadata字段: 7

下一个问题是如何对结构化输出进行后处理。 例如，thought 字段应该存储在记忆中而不暴露给其他人， 而 speak 字段应该显示给用户，decision 字段应该能够在响应消息对象中轻松访问。

parser3 = MarkdownJsonDictParser(
    content_hint={
        "thought": "你的想法",
        "speak": "你要说的话",
        "number": "你选择的数字",
    },
    required_keys=["thought", "speak", "number"],
    keys_to_memory=["thought", "speak", "number"],  # 需要存储在记忆中
    keys_to_content="speak",  # 需要显示给用户
    keys_to_metadata="number",  # 需要存储在响应消息的元数据中
)

charles.set_parser(parser3)

msg3 = charles(Msg("Bob", "从 20 到 30 中选择一个数字。", "user"))

print(f"内容字段: {msg3.content}")
print(f"内容字段的类型: {type(msg3.content)}\n")

print(f"元数据字段: {msg3.metadata}")
print(f"元数据字段的类型: {type(msg3.metadata)}")

Charles: ```json
{"thought": "Bob似乎在继续他的数字选择游戏，这次范围是20到30。我将为他随机挑选这个区间内的一个整数。", "speak": "我这次选的数字是23。你喜欢这个数字吗？", "number": 23}
```
内容字段: 我这次选的数字是23。你喜欢这个数字吗？
内容字段的类型: <class 'str'>

元数据字段: 23
元数据字段的类型: <class 'int'>

提示

有关结构化输出的高级用法和更多不同解析器，请参阅 结构化输出 章节。

ReActAgent

ReActAgent 以 reasoning-acting 循环的方式使用工具来解决给定的问题。

首先我们为智能体准备一个工具函数。

from agentscope.service import ServiceToolkit, execute_python_code


toolkit = ServiceToolkit()

# 通过指定部分参数将 execute_python_code 设置为工具，这里用户需要在 add 方法里面配置部分
# 参数，通常是一些应该由开发者提供的参数，例如 API Key 等，剩余参数由智能体自己填写。
toolkit.add(
    execute_python_code,
    timeout=300,
    use_docker=False,
    maximum_memory_bytes=None,
)

然后我们初始化一个 ReActAgent 来解决给定的问题。

from agentscope.agents import ReActAgent

david = ReActAgent(
    name="David",
    model_config_name="my-qwen-max",
    sys_prompt="你是一个名叫 David 的助手。",
    service_toolkit=toolkit,
    max_iters=10,
    verbose=True,
)

task = Msg("Bob", "请帮我计算 151513434*54353453453。", "user")

response = david(task)

system: Respond with specific tags as outlined below:
<thought>{what you thought}</thought>
<function>{the function name you want to call}</function>
<{argument name}>{argument value}</{argument name}>
<{argument name}>{argument value}</{argument name}>
...
David: <thought>为了计算这个乘法，我将使用execute_python_code工具函数来执行这个计算。</thought>
<function>execute_python_code</function>
<code>print(151513434*54353453453)</code>
system: 1. Execute function execute_python_code
   [ARGUMENTS]:
       {"code": "print(151513434*54353453453)"}
   [RESULT]: <returncode>0</returncode>
<stdout>8235278382423187602
</stdout>
<stderr></stderr>

system: Respond with specific tags as outlined below:
<thought>{what you thought}</thought>
<function>{the function name you want to call}</function>
<{argument name}>{argument value}</{argument name}>
<{argument name}>{argument value}</{argument name}>
...
David: <thought>计算结果已经得到了，现在可以将结果告诉Bob。</thought>
<function>finish</function>
<response>计算的结果是 8235278382423187602。</response>
system: 1. Execute function finish
   [ARGUMENTS]:
       {"response": "计算的结果是 8235278382423187602。"}
   [RESULT]: 计算的结果是 8235278382423187602。

LlamaIndexAgent

有关更多详细信息，请参阅检索增强型生成 (RAG) 章节。