模型¶

在本教程中，我们介绍 AgentScope 中集成的模型 API、如何使用它们，以及如何集成新的模型 API。 AgentScope 目前支持的模型 API 和模型提供商包括：

API	类	兼容	流式	工具	视觉	推理
OpenAI	`OpenAIChatModel`	vLLM, DeepSeek	✅	✅	✅	✅
DashScope	`DashScopeChatModel`		✅	✅	✅	✅
Anthropic	`AnthropicChatModel`		✅	✅	✅	✅
Gemini	`GeminiChatModel`		✅	✅	✅	✅
Ollama	`OllamaChatModel`		✅	✅	✅	✅

为了提供统一的模型接口，上述所有类均被统一为：

__call__ 函数的前三个参数是 messages，tools 和 tool_choice，分别是输入消息，工具函数的 JSON schema，以及工具选择的模式。
非流式返回时，返回类型是 ChatResponse 实例；流式返回时，返回的是 ChatResponse 的异步生成器。

备注

不同的模型 API 在输入消息格式上有所不同，AgentScope 通过 formatter 模块处理消息的转换，请参考 format。

ChatResponse 包含大模型生成的推理/文本/工具使用内容、身份、创建时间和使用信息。

import asyncio
import json
import os

from agentscope.message import TextBlock, ToolUseBlock, ThinkingBlock, Msg
from agentscope.model import ChatResponse, DashScopeChatModel

response = ChatResponse(
    content=[
        ThinkingBlock(
            type="thinking",
            thinking="我应该在 Google 上搜索 AgentScope。",
        ),
        TextBlock(type="text", text="我将在 Google 上搜索 AgentScope。"),
        ToolUseBlock(
            type="tool_use",
            id="642n298gjna",
            name="google_search",
            input={"query": "AgentScope"},
        ),
    ],
)

print(response)

ChatResponse(content=[{'type': 'thinking', 'thinking': '我应该在 Google 上搜索 AgentScope。'}, {'type': 'text', 'text': '我将在 Google 上搜索 AgentScope。'}, {'type': 'tool_use', 'id': '642n298gjna', 'name': 'google_search', 'input': {'query': 'AgentScope'}}], id='2025-08-27 03:49:07.977_e71f18', created_at='2025-08-27 03:49:07.977', type='chat', usage=None, metadata=None)

以 DashScopeChatModel 为例，调用和返回结果如下：

async def example_model_call() -> None:
    """使用 DashScopeChatModel 的示例。"""
    model = DashScopeChatModel(
        model_name="qwen-max",
        api_key=os.environ["DASHSCOPE_API_KEY"],
        stream=False,
    )

    res = await model(
        messages=[
            {"role": "user", "content": "你好！"},
        ],
    )

    # 您可以直接使用响应内容创建 ``Msg`` 对象
    msg_res = Msg("Friday", res.content, "assistant")

    print("LLM 返回结果:", res)
    print("作为 Msg 的响应:", msg_res)


asyncio.run(example_model_call())

LLM 返回结果: ChatResponse(content=[{'type': 'text', 'text': '你好！有什么可以帮助你的吗？'}], id='2025-08-27 03:49:09.458_1548fc', created_at='2025-08-27 03:49:09.458', type='chat', usage=ChatUsage(input_tokens=10, output_tokens=7, time=1.480118, type='chat'), metadata=None)
作为 Msg 的响应: Msg(id='JshyFDG7XrbohTq6XkpVdZ', name='Friday', content=[{'type': 'text', 'text': '你好！有什么可以帮助你的吗？'}], role='assistant', metadata=None, timestamp='2025-08-27 03:49:09.458', invocation_id='None')

流式返回¶

要启用流式返回，请在模型的构造函数中将 stream 参数设置为 True。流式返回中，__call__ 方法将返回一个 异步生成器，该生成器迭代返回 ChatResponse 实例。

备注

AgentScope 中的流式返回结果为 累加式，这意味着每个 chunk 中的内容包含所有之前的内容加上新生成的内容。

async def example_streaming() -> None:
    """使用流式模型的示例。"""
    model = DashScopeChatModel(
        model_name="qwen-max",
        api_key=os.environ["DASHSCOPE_API_KEY"],
        stream=True,
    )

    generator = await model(
        messages=[
            {
                "role": "user",
                "content": "从 1 数到 20，只报告数字，不要任何其他信息。",
            },
        ],
    )
    print("响应的类型:", type(generator))

    i = 0
    async for chunk in generator:
        print(f"块 {i}")
        print(f"\t类型: {type(chunk.content)}")
        print(f"\t{chunk}\n")
        i += 1


asyncio.run(example_streaming())

响应的类型: <class 'async_generator'>
块 0
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1'}], id='2025-08-27 03:49:10.464_3cb484', created_at='2025-08-27 03:49:10.464', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=1, time=1.004839, type='chat'), metadata=None)

块 1
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n'}], id='2025-08-27 03:49:10.535_70c325', created_at='2025-08-27 03:49:10.535', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=2, time=1.075928, type='chat'), metadata=None)

块 2
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3'}], id='2025-08-27 03:49:10.606_d4aee3', created_at='2025-08-27 03:49:10.606', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=5, time=1.146239, type='chat'), metadata=None)

块 3
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n'}], id='2025-08-27 03:49:10.676_1bd383', created_at='2025-08-27 03:49:10.676', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=8, time=1.216916, type='chat'), metadata=None)

块 4
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n'}], id='2025-08-27 03:49:10.821_96ae91', created_at='2025-08-27 03:49:10.821', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=14, time=1.361825, type='chat'), metadata=None)

块 5
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10'}], id='2025-08-27 03:49:11.001_4cc291', created_at='2025-08-27 03:49:11.002', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=20, time=1.542057, type='chat'), metadata=None)

块 6
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12'}], id='2025-08-27 03:49:11.104_8a4280', created_at='2025-08-27 03:49:11.104', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=26, time=1.644659, type='chat'), metadata=None)

块 7
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12\n13\n14'}], id='2025-08-27 03:49:11.247_7ae938', created_at='2025-08-27 03:49:11.247', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=32, time=1.788018, type='chat'), metadata=None)

块 8
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12\n13\n14\n15\n16'}], id='2025-08-27 03:49:11.796_e3f908', created_at='2025-08-27 03:49:11.796', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=38, time=2.336475, type='chat'), metadata=None)

块 9
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12\n13\n14\n15\n16\n17\n18'}], id='2025-08-27 03:49:11.918_086675', created_at='2025-08-27 03:49:11.918', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=44, time=2.458807, type='chat'), metadata=None)

块 10
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12\n13\n14\n15\n16\n17\n18\n19\n20'}], id='2025-08-27 03:49:12.065_529bc7', created_at='2025-08-27 03:49:12.065', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=50, time=2.605269, type='chat'), metadata=None)

块 11
        类型: <class 'list'>
        ChatResponse(content=[{'type': 'text', 'text': '1\n2\n3\n4\n5\n6\n7\n8\n9\n10\n11\n12\n13\n14\n15\n16\n17\n18\n19\n20'}], id='2025-08-27 03:49:12.153_b4aa8a', created_at='2025-08-27 03:49:12.153', type='chat', usage=ChatUsage(input_tokens=26, output_tokens=50, time=2.693546, type='chat'), metadata=None)

推理模型¶

AgentScope 通过提供 ThinkingBlock 来支持推理模型。

async def example_reasoning() -> None:
    """使用推理模型的示例。"""
    model = DashScopeChatModel(
        model_name="qwen-turbo",
        api_key=os.environ["DASHSCOPE_API_KEY"],
        enable_thinking=True,
    )

    res = await model(
        messages=[
            {"role": "user", "content": "我是谁？"},
        ],
    )

    last_chunk = None
    async for chunk in res:
        last_chunk = chunk
    print("最终响应:")
    print(last_chunk)


asyncio.run(example_reasoning())

最终响应:
ChatResponse(content=[{'type': 'thinking', 'thinking': '好的，用户问“我是谁？”，这是一个哲学性的问题，可能需要从多个角度来回答。首先，我需要考虑用户为什么会提出这个问题。可能是在思考自我身份，或者对存在感到困惑。接下来，我应该分析这个问题的不同层面，比如哲学、心理学、社会学等。\n\n从哲学角度来看，笛卡尔的“我思故我在”是一个经典的观点，强调思维作为存在的证明。而佛教中的“无我”则认为自我是虚幻的，由五蕴组成。这些都是不同的视角，需要简要介绍。\n\n心理学方面，自我认同理论，比如埃里克森的发展阶段，可能帮助用户理解自我是如何形成的。同时，自我概念和自我意识的区别也很重要，可以解释用户如何认识自己。\n\n社会学角度，自我是社会互动的产物，比如镜中自我理论，说明他人如何看待我们影响我们的自我认知。这可能帮助用户理解外部因素对自我身份的影响。\n\n另外，用户可能有更深层的需求，比如寻找人生意义或解决身份危机。这时候需要提供一些思考方向，而不是简单的答案。同时，要注意避免过于学术化的解释，保持口语化和易懂。\n\n还要考虑用户可能的背景，如果是学生，可能需要更简洁的解释；如果是成年人，可能需要更深入的分析。不过用户没有提供具体信息，所以保持通用性。\n\n最后，确保回答结构清晰，分点说明不同角度，并鼓励用户进一步思考或提问。避免绝对化的结论，因为这个问题没有标准答案，而是开放性的。'}, {'type': 'text', 'text': '“我是谁？”这个问题看似简单，却可能引发深刻的思考。它可以从多个角度来探讨：\n\n---\n\n### **1. 哲学视角：自我与存在的追问**\n- **笛卡尔的“我思故我在”**：法国哲学家笛卡尔认为，即使怀疑一切，只要“我”在思考，就证明“我”存在。这种观点强调思维作为自我存在的核心。\n- **佛教的“无我”**：佛教认为“我”是虚幻的，是五蕴（色、受、想、行、识）暂时聚合的结果，执着于“我”会导致痛苦。\n- **存在主义**：萨特认为“存在先于本质”，人通过选择和行动定义自己，而非被预设的身份所束缚。\n\n---\n\n### **2. 心理学视角：自我认同的形成**\n- **自我意识**：心理学家认为，自我是通过反思、记忆和对自身行为的觉察形成的。例如，婴儿通过“镜像测试”（看到镜子中的自己）逐渐发展出自我认知。\n- **社会角色**：我们的身份也与社会角色相关（如学生、父母、职业），这些角色塑造了我们对“自己”的理解。\n- **内在与外在的冲突**：有时我们会感到“真实的我”与社会期待的“我”之间存在矛盾，这种冲突可能引发身份困惑。\n\n---\n\n### **3. 生物学视角：身体与基因的限制**\n- **生物学身份**：从基因、DNA到生理特征，我们是特定生物序列的产物。但“我是谁”远不止于生物学定义。\n- **大脑与意识**：神经科学认为，自我是大脑复杂活动的产物，但意识的本质仍是未解之谜。\n\n---\n\n### **4. 人类学与文化视角：社会建构的“我”**\n- **文化塑造**：不同文化对“自我”的定义差异巨大。例如，西方文化更强调个体独立性，而东方文化可能更注重群体关系。\n- **语言与叙事**：我们通过语言和故事构建“我”的叙事，比如“我是谁”可能通过“我经历过什么”“我信仰什么”来回答。\n\n---\n\n### **5. 简单而深刻的回答**\n如果直接回答“你是谁”，可能是一个开放性的探索：\n- **你是你此刻的体验**：此刻的思考、感受、选择，构成了你独特的存在。\n- **你是未完成的可能**：你并非固定不变，而是不断变化、成长的个体。\n- **你是他人眼中的“你”**：但这也只是部分真相，真正的“你”可能远比他人想象的更复杂。\n\n---\n\n### **或许可以这样思考**：\n- **“我是谁”没有标准答案**，它可能是一个持续探索的过程。\n- **答案可能藏在你的选择中**：比如你关心什么、害怕什么、追求什么，这些都在定义你。\n- **“我是谁”也可以是提问本身**：通过不断追问，你可能更接近真实的自己。\n\n如果你愿意分享更多背景，我可以尝试更具体地探讨这个问题。 🌱'}], id='2025-08-27 03:49:25.039_c18842', created_at='2025-08-27 03:49:25.039', type='chat', usage=ChatUsage(input_tokens=11, output_tokens=969, time=12.882604, type='chat'), metadata=None)

工具 API¶

不同的模型提供商在工具 API 方面有所不同，例如工具 JSON schema、工具调用/响应格式。为了提供统一的接口，AgentScope 通过以下方式解决了这个问题：

提供了统一的工具调用结构 block ToolUseBlock 和工具响应结构 ToolResultBlock。
在模型类的 __call__ 方法中提供统一的工具接口 tools，接受工具 JSON schema 列表，如下所示：

json_schemas = [
    {
        "type": "function",
        "function": {
            "name": "google_search",
            "description": "在 Google 上搜索查询。",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {
                        "type": "string",
                        "description": "搜索查询。",
                    },
                },
                "required": ["query"],
            },
        },
    },
]

进一步阅读¶

Total running time of the script: (0 minutes 17.066 seconds)

Gallery generated by Sphinx-Gallery