AI Agent案例实践：智能体开发模式详解之四（基于AgentScope框架）

最新推荐文章于 2025-11-11 09:44:10 发布

原创最新推荐文章于 2025-11-11 09:44:10 发布 · 984 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #ai #大模型 #微调 #大语言模型 #Agent #智能体

部署运行你感兴趣的模型镜像

在大模型与智能体日常使用场景层出不穷的今天，作为一名不断学习的信息化数字化从业者，我们可以实践一下AI Agent基本开发流程，理论联系实践，以加深我们对AI Agent的了解。

Chaiys同学基于一个实际业务场景详细描述了AI Agent的开发实践案例，可以用于熟悉RAG、工具调用、ReAct等概念，可以体验LangChain和QwenAgent、AgentScope等AI Agent主流开发框架。

前排提示，文末有大模型AGI-优快云独家资料包哦！

简要回顾前文中高考查询小助手的业务背景：准备两张表（分别是每年的高考参加人数信息表college_entrance_examination，以及每年高考的录取信息表college_entrance_admission），然后开发一个AI Agent要求实现一个简单逻辑，就是依据用户查询意图，通过向量化语义匹配到最合适的表，然后基于匹配到的表生成相应SQL，再执行这个SQL得到结果，最后对结果做个简单分析和输出。

一、开发实践（基于AgentScope框架）

前文中，我们通过手写代码、LangChain框架（顺序链SequentialChain和Agent）、QwenAgent框架等方式实现了高考小助手智能体，下面我们探索使用AgentScope来实现我们的小助手，学习了解一下AgentScope框架。

什么是AgentScope？

AgentScope 是阿里通义实验室推出的开源智能体开发框架，聚焦多智能体应用场景，提供覆盖开发、部署与监控全生命周期的生产级解决方案。该框架以开发者为核心，采用模块化设计原则与ReAct范式构建智能体体系，支持动态工具配置、并行工具调用及自动化状态管理，包含消息、模型、记忆和工具四大基础组件。

官方文档地址：https://doc.agentscope.io/zh_CN/

核心优势

1. 对 ReAct 范式的深度集成与工程化支持：

实时介入（Realtime Steering）：允许用户在智能体执行过程中（例如，当工具调用耗时过长或结果偏离预期时）通过 Ctrl+C 或调用 interrupt 方法进行中断。框架会自动捕获中断信号，保存当前状态和记忆，并通过 handle_interrupt 方法进行优雅的后处理，极大地提升了人机交互的灵活性和可控性。
并行工具调用（Parallel Tool Calls）：通过设置 parallel_tool_calls=True，当大模型生成多个工具调用指令时，AgentScope 会使用 asyncio.gather 并行执行这些工具，显著提高效率，尤其适用于处理多个独立的、耗时的任务。
结构化输出（Structured Output）：与工具调用紧密结合，允许开发者传入一个 pydantic.BaseModel 的子类作为参数。智能体会严格按照该模型的结构生成输出，并将结果存储在返回消息的 metadata 字段中，方便后续程序化处理，确保了输出的可靠性和一致性。
自主记忆与状态管理：支持智能体自主管理其长期记忆和自动进行状态管理，这对于构建复杂的、多轮对话的智能体至关重要。
开箱即用的 ReActAgent：框架直接提供了 ReActAgent 类，将 ReAct 范式所需的“思考（Reasoning）”和“行动（Acting）”环节进行了系统性的封装和实现，开发者无需从零开始搭建复杂的逻辑。
丰富的内置功能：ReActAgent 集成了多项高级功能，包括但不限于：

1. 高度的灵活性与可扩展性：

清晰的抽象基类：提供了 AgentBase 和 ReActAgentBase 两个抽象基类。AgentBase 定义了所有智能体的基本接口（如 reply, observe），而 ReActAgentBase 则在此基础上增加了 _reasoning 和 _acting 等抽象方法，专为 ReAct 范式设计。
强大的钩子（Hook）机制：在基类中预置了丰富的前置（pre_）和后置（post_）钩子函数，例如 pre_reply, post_reasoning 等。开发者可以通过覆盖这些钩子，在不修改核心逻辑的情况下，轻松地插入自定义的监控、日志记录、数据预处理或后处理等逻辑。
易于自定义：开发者可以根据具体需求，选择继承 AgentBase 或 ReActAgentBase 来创建完全自定义的智能体，框架提供了坚实的底层支持，让开发者可以专注于业务逻辑的实现。

1. 开发者友好：

优雅的错误与中断处理：如前所述，其基于 asyncio 的中断机制和抽象的 handle_interrupt 方法，使得处理异常和用户干预变得非常规范和简单，保证了程序的稳定性和用户体验。
模块化设计：框架将模型（model）、记忆（memory）、格式化器（formatter）、工具包（toolkit）等组件解耦，开发者可以自由组合和替换，例如使用不同的大模型API或内存存储方案。

架构设计

我们基于AgentScope实现我们的智能体，主要实现多轮对话、问题拆分，学习一些工具调用能力和记忆能力。总体设计设计如下：

代码实践

具体代码实现如下：

import jsonimport asynciofrom agentscope.message import TextBlock, Msgfrom agentscope.tool import ToolResponse, Toolkitfrom agentscope.agent import AgentBase, ReActAgentfrom agentscope.formatter import OllamaChatFormatterfrom agentscope.memory import InMemoryMemoryfrom agentscope.model import OllamaChatModelfrom api_service import QueryService, SemanticService, AnalysisService# 初始化服务queryService = QueryService()semanticService = SemanticService()analysisService = AnalysisService()# 自定义工具类# 根据输入文本语义匹配表结构，每次返回一个最相关的表结构。对于需要多表查询的问题，需要多次调用此工具。async def match_metadata(user_query: str) -> ToolResponse:    table = semanticService.hybrid_search(user_query, 1)    return ToolResponse(        content=[            TextBlock(                type="text",                text=f"{[t['table_info'] for t in table]}",            ),        ],    )# 根据输入的SQL进行执行。async def execute_sql(query_sql: str) -> ToolResponse:    result = json.dumps(queryService.query_with_column(query_sql))    return ToolResponse(        content=[            TextBlock(                type="text",                text=f"{result}",            ),        ],    )async def interactive_react_agent() -> None:    """创建一个支持多轮对话的ReAct智能体。"""    # 准备工具    toolkit = Toolkit()    toolkit.register_tool_function(match_metadata)    toolkit.register_tool_function(execute_sql)    jarvis = ReActAgent(        name="Jarvis",        sys_prompt="""            你是一个数据分析助手，负责帮助用户查询数据库信息。            请特别注意：用户的问题可能需要从多个表中查询数据。            1. 首先确定需要查询哪些数据            2. 使用match_metadata工具分别匹配包含这些数据的表结构            3. 对每个表生成相应的SQL查询语句            4. 执行查询并汇总结果            5. 最后计算并给出答案            请确保逐步执行，不要跳过任何步骤。        """,        model=OllamaChatModel(            model_name="qwen3:32b",  # 指定模型名称            stream=True,  # 根据需要设置是否流式输出            enable_thinking=True,  # 为Qwen3启用思考功能（可选）            # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定        ),        formatter=OllamaChatFormatter(),        toolkit=toolkit,        memory=InMemoryMemory(),    )    print("数据分析助手已启动！输入问题进行查询（输入'exit'退出）")    print("-" * 50)    while True:        # 使用run_in_executor处理阻塞的input调用        user_input = await asyncio.get_event_loop().run_in_executor(            None,            input,            "用户: "        )        # 检查是否退出指令 [[1]]        if user_input.strip().lower() == 'exit':            print("正在退出程序...")            break        if not user_input.strip():            continue        # 创建消息并发送给智能体        msg = Msg(            name="user",            content=user_input,            role="user",        )        print("\nJarvis正在思考...")        # 获取智能体响应        response = await jarvis(msg)        # 显示回答        print(f"\nJarvis: {response.content}\n")        print("-" * 50)# 运行交互式智能体if __name__ == "__main__":    asyncio.run(interactive_react_agent())

AgentScope依赖于Python的3.10版本及以上版本，这里我们使用Python3.13版本。

pip官方库版本0.x比较旧，直接源码安装，AgentScope最新1.x版本安装：

git clone -b main https://github.com/agentscope-ai/agentscopecd agentscopepip install -e .

该智能体基于 AgentScope 框架，使用了以下核心组件：

ReActAgent：具备“思考-行动”循环能力的智能体，可调用工具并基于结果推理下一步，指定推理次数max_iters，默认循环10次。
OllamaChatModel：本地运行的大语言模型（Qwen3:32b），负责推理与生成 SQL，封装ollama调用。
Toolkit + 自定义工具：封装数据库操作能力（执行 SQL）、语义检索能力（执行RAG检索）。
InMemoryMemory：会话记忆，保存对话历史。ReActAgent内，每次问答后缓存，推理时自动获取缓存的对话历史。
OllamaChatFormatter：格式化模型输入输出。
自定义服务层：QueryService, SemanticService, AnalysisService —— 提供底层数据库查询与语义检索能力。

此智能体的核心是 ReActAgent 类，它实现了 ReAct 范式，即通过交替进行推理（Reasoning）和行动（Acting）来解决问题。智能体会接收用户请求，并启动“思考→行动→观察”的循环，直到生成最终响应。

测试结果

QA1: 2016年考生人数 – 测试AgentScope基本工具调用能力

QA2: 那一年录取人数有多少？ – 测试AgentScope上下文记忆能力

QA3: 2017年考生人数和录取人数分别有多少？-- 测试推理能力

数据分析助手已启动！输入问题进行查询（输入'exit'退出）--------------------------------------------------用户: 2016年考生人数Jarvis正在思考...Jarvis(thinking): 好的，我现在需要处理用户的问题：“2016年考生人数”。首先，我需要明确用户想要查询的是2016年的考生总人数，还是某个特定地区或类型的考生人数。不过根据问题本身，用户可能只是想知道全国范围内的总考生人数。接下来，按照步骤，我需要确定需要查询哪些数据。这里显然需要考生的记录，可能涉及考生表，表中应该包含年份和考生人数的信息。因此，第一步是使用match_metadata工具来查找包含这些数据的表结构。调用match_metadata函数，参数是用户的问题“2016年考生人数”。假设返回的表结构是exam_applicants，其中包含year和number_of_applicants两个字段。接下来，我需要生成相应的SQL查询语句，从exam_applicants表中查询year为2016年的记录的number_of_applicants值。然后，使用execute_sql工具执行这个SQL查询。假设查询结果返回的是2016年的考生人数为940万人。最后，将结果通过generate_response工具返回给用户，给出明确的答案，并说明数据来源和可能的注意事项，比如数据是否为最终统计等。需要注意的是，如果存在多个相关表，比如不同地区的考生表，可能需要进行汇总。但根据问题描述，用户可能只需要总人数，因此可能只需要查询主表。如果存在数据不一致或多个表的情况，可能需要进一步确认，但当前情况下按最简处理。{    "type": "tool_use",    "id": "0_match_metadata",    "name": "match_metadata",    "input": {        "user_query": "2016年考生人数"    }}调用大模型llama2向量化：2016年考生人数，地址：http://localhost:11434/api/embeddings自然语言语义检索字段成功，匹配到的元数据信息：[{'score': 0.6198425, 'table_info': '{"表名": "college_entrance_admission", "表备注": "录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高\\n校数、本科录取人数(万人)、专科录取人数(万人)", "字段列表": [{"字段名": "admission_year", "字段类型": "int", "字段备注": "录取年份"}, ...}, {'score': 0.6008911, 'table_info': '{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数\\n(万人)", "字段列表": [{"字段名": "examination_year", "字段类型": "int", "字段备注": "高考年份"}, ...}]自然语言分词搜索字段成功，匹配到的元数据信息：[{'score': 1.4999503, 'table_info': '{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数\\n(万人)", "字段列表": [{"字段名": "examination_year", "字段类型": "int", "字段备注": "高考年份"}, ...]}']}, {'score': 0.33530667, 'table_info': '{"表名": "college_entrance_admission", "表备注": "录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高\\n校数、本科录取人数(万人)、专科录取人数(万人)", "字段列表": [{"字段名": "admission_year",  ...]}']}]自然语言混合检索字段成功，匹配到的元数据信息：[{'id': 'JAFTZpkBNpD6YtdVxbQU', 'table_info': '{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数\\n(万人)", "字段列表": [{"字段名": "examination_year", "字段类型": "int", "字段备注": "高考年份"}, {"字段名": "candidates_count", "字段类型": "decimal(10,2)", "字段备注": "考生人数(万\\n人)"}, {"字段名": "retake_count", "字段类型": "decimal(10,2)", "字段备注": "复读人数(万人)"}]}', 'semantic_score': 0.6008911, 'keyword_score': 1.4999503, 'combined_score': 0.8706088600000002, ...]}]system: {    "type": "tool_result",    "id": "0_match_metadata",    "name": "match_metadata",    "output": [        {            "type": "text",            "text": ""        }    ]}2025-09-24 19:54:24,041 | WARNING | _ollama_formatter:_format:121 - Unsupported block type thinking in the message, skipped.Jarvis(thinking): 好的，用户需要查询2016年的考生人数。首先，我需要确定数据存储的表结构。通过调用match_metadata工具，发现有一个名为college_entrance_examination的表，其中包含examination_year、candidates_count和retake_count三个字段。用户的问题只需要考生人数，所以接下来需要生成对应的SQL查询语句。应该使用SELECT语句从该表中查询examination_year等于2016年的candidates_count。然后执行这个SQL，获取结果。假设查询结果返回了940万人，那么最终答案就是2016年的考生人数为940万人。需要确保步骤正确，没有遗漏。{    "type": "tool_use",    "id": "0_execute_sql",    "name": "execute_sql",    "input": {        "query_sql": "SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2016;"    }}system: {    "type": "tool_result",    "id": "0_execute_sql",    "name": "execute_sql",    "output": [        {            "type": "text",            "text": ""        }    ]}Jarvis(thinking): 好的，用户问的是2016年的考生人数。首先我需要确定数据存储在哪个表里。之前调用了match_metadata工具，找到了college_entrance_examination表，里面有examination_year、candidates_count和retake_count字段。接下来，我需要构造一个SQL查询，从该表中筛选出examination_year等于2016年的记录，并获取candidates_count的值。执行这个SQL后，返回的结果是940.0，单位是万人。所以，2016年的考生人数就是940万人。最后，将结果以自然的方式呈现给用户，确保数值和单位都正确无误。Jarvis: 2016年的考生人数为940万人。--------------------------------------------------用户: 那一年录取人数有多少？Jarvis正在思考...Jarvis(thinking): 好的，用户现在问的是“那一年录取人数有多少？”，这里的“那一年”应该指的是之前提到的2016年。我需要先确认用户的问题是否需要从数据库中查询数据。首先，用户之前询问了2016年的考生人数，现在想知道同一年的录取人数。因此，我需要查找2016年的录取人数数据。接下来，我需要确定数据库中是否有相关的表和字段。使用match_metadata工具来匹配包含录取人数信息的表结构。用户的问题涉及“录取人数”，所以需要查找表中是否有相关字段。可能的表名可能是与高考相关的，比如之前提到的college_entrance_examination，或者另一个表，比如admission_statistics。执行match_metadata工具，参数是“2016年录取人数”。根据返回的结果，如果存在相关表，比如admission_statistics，包含字段如enrollment_year（年份）和admitted_count（录取人数），那么就可以生成相应的SQL查询。假设返回的表结构是admission_statistics，包含年份和录取人数字段。然后需要构造SQL查询，选择2016年的录取人数。例如：SELECT admitted_count FROM admission_statistics WHERE enrollment_year = 2016;执行这个SQL查询后，获取结果，比如返回录取人数是749万人。最后，生成响应，告诉用户2016年的录取人数，并可能计算录取率，比如749/940≈79.7%。需要确保步骤正确，先匹配元数据，再执行查询，最后生成回答。同时注意字段名和表名的正确性，以及可能的计算步骤。{    "type": "tool_use",    "id": "0_match_metadata",    "name": "match_metadata",    "input": {        "user_query": "2016年录取人数"    }}调用大模型llama2向量化：2016年录取人数，地址：http://localhost:11434/api/embeddings自然语言语义检索字段成功，匹配到的元数据信息：[{'score': 0.5988846, 'table_info': '{"表名": "college_entrance_admission", "表备注": "录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高\\n校数、本科录取人数(万人)、专科录取人数(万人)", "字段列表": [{"字段名": "admission_year", "字段类型": "int", "字段备注": "录取年份"},...}, {'score': 0.59373474, 'table_info': '{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数\\n(万人)", "字段列表": [{"字段名": "examination_year", "字段类型": "int", "字段备注": "高考年份"},...}]自然语言分词搜索字段成功，匹配到的元数据信息：[{'score': 1.2747635, 'table_info': '{"表名": "college_entrance_admission", "表备注": "录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高\\n校数、本科录取人数(万人)、专科录取人数(万人)", "字段列表": [...{"字段名": "admission_count", "字段类型": "decimal(10,2)", "字段备注": "录取人数(万\\n人)"},...}]自然语言混合检索字段成功，匹配到的元数据信息：[{'id': 'IwFTZpkBNpD6YtdVw7R2', 'table_info': '{"表名": "college_entrance_admission", "表备注": "录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高\\n校数、本科录取人数(万人)、专科录取人数(万人)", "字段列表": [..., {"字段名": "admission_count", "字段类型": "decimal(10,2)", "字段备注": "录取人数(万\\n人)"}, ...]}', 'semantic_score': 0.5988846, 'keyword_score': 1.2747635, 'combined_score': 0.80164827, 'highlight': ...]system: {    "type": "tool_result",    "id": "0_match_metadata",    "name": "match_metadata",    "output": [        {            "type": "text",            "text": ""        }    ]}Jarvis(thinking): 好的，用户现在问的是“那一年录取人数有多少？”，也就是2016年的录取人数。之前已经处理过2016年考生人数的查询，现在需要处理录取人数。首先，我需要确定用户的问题涉及哪些数据，这里显然是2016年的录取人数。接下来，使用match_metadata工具来查找包含录取人数的表结构。用户的问题关键词是“录取人数”，所以调用match_metadata函数，参数是“2016年录取人数”。根据返回的结果，找到了表college_entrance_admission，其中包含admission_count字段，即录取人数（万人），并且表中有admission_year字段作为年份。现在需要生成对应的SQL查询语句。需要从college_entrance_admission表中查询admission_count，条件是admission_year等于2016。因此，构造的SQL语句应该是SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2016;。执行这个SQL语句后，预期会得到2016年的录取人数数据。假设返回的结果是749万人，那么最终的回答就是2016年的录取人数为749万人。需要确保所有步骤正确，特别是表名和字段名的准确性，以及条件的正确应用。如果有任何错误，比如表名或字段名不正确，或者年份条件错误，都会导致结果不准确，所以需要仔细检查每个步骤。{    "type": "tool_use",    "id": "0_execute_sql",    "name": "execute_sql",    "input": {        "query_sql": "SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2016;"    }}system: {    "type": "tool_result",    "id": "0_execute_sql",    "name": "execute_sql",    "output": [        {            "type": "text",            "text": ""        }    ]}Jarvis(thinking): 好的，用户现在问的是“那一年录取人数有多少？”，也就是2016年的录取人数。之前已经处理过2016年考生人数的查询，现在需要处理录取人数。首先，我需要确定用户的问题涉及哪些数据。用户提到的“录取人数”应该对应数据库中的某个表。根据之前的步骤，用户的问题可能需要查询不同的表，所以需要先用match_metadata工具来找到正确的表结构。调用match_metadata工具，参数是“2016年录取人数”。根据返回的结果，找到了表college_entrance_admission，其中包含admission_count字段，即录取人数。接下来需要生成SQL查询语句，从该表中选取admission_year为2016年的admission_count。然后执行这个SQL查询，得到结果。根据返回的数据，2016年的录取人数是772万人。最后，使用generate_response工具将结果以自然语言回复给用户，确保信息准确且完整。Jarvis: 2016年的录取人数为772万人。--------------------------------------------------用户: 2017年考生人数和录取人数分别有多少Jarvis正在思考...Jarvis(thinking): 好的，用户现在问的是2017年的考生人数和录取人数。首先我需要处理考生人数的部分。根据之前的对话，用户询问过2016年的考生人数，当时的表是college_entrance_examination，字段是examination_year和candidates_count。所以2017年的考生人数应该也是从这个表中查询，只需要把年份改成2017。接下来是录取人数。用户之前问过2016年的录取人数，对应的表是college_entrance_admission，字段是admission_year和admission_count。同样，2017年的录取人数应该查询这个表，年份改为2017。现在需要确认这两个表是否都有2017年的数据。可能需要分别调用match_metadata工具来验证表结构是否包含所需的字段，但根据之前的回复，这两个表的结构已经明确包含年份和对应的人数字段，所以可以直接生成SQL查询。对于考生人数，SQL语句应该是SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2017; 对于录取人数，SQL语句是SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2017;。执行这两个查询后，将结果汇总，分别给出考生人数和录取人数。假设数据库中有数据，应该返回对应的数值。最后用generate_response将结果组合成自然语言的回答。......
``````plaintext
Jarvis(thinking): 好的，用户现在问的是2017年的考生人数和录取人数分别有多少。我需要先处理考生人数的部分。根据之前的对话流程，用户之前询问过2016年的考生人数和录取人数，我分别通过查询两个不同的表得到了结果。现在用户转向2017年，应该同样需要查询这两个表。首先，用户的问题提到了“考生人数”，这应该对应到“college_entrance_examination”表，这个表包含高考年份和考生人数等字段。我需要使用match_metadata工具来确认表结构是否正确。根据用户之前的问题，已经知道这个表的字段有examination_year、candidates_count和retake_count。接下来需要生成SQL查询语句，选择2017年的考生人数。之前的例子中，用户查询2016年时用了SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2016;，所以这里应该类似，把年份改为2017。接下来是录取人数的部分，用户之前询问2016年录取人数时，我通过match_metadata找到了“college_entrance_admission”表，该表包含admission_year和admission_count等字段。同样，现在需要查询2017年的录取人数，应该使用相同的表，并生成对应的SQL语句：SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2017;。需要注意的是，用户的问题同时询问了考生人数和录取人数，所以需要分别执行两次查询，分别获取这两个数据。然后将结果汇总，给出一个包含两者的回答。另外，必须确保两次查询的年份都是2017年，避免混淆。如果其中一个表没有2017年的数据，可能需要进一步处理，但根据之前的表结构，假设数据是存在的。最后，生成响应时要明确说明两个数字，确保用户的问题得到完整回答。{    "type": "tool_use",    "id": "0_execute_sql",    "name": "execute_sql",    "input": {        "query_sql": "SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2017;"    }}system: {    "type": "tool_result",    "id": "0_execute_sql",    "name": "execute_sql",    "output": [        {            "type": "text",            "text": ""        }    ]}现在需要分别执行这两个SQL查询。先执行考生人数的查询，得到结果后，再执行录取人数的查询。然后把两个结果合并，形成最终的回答。需要确保两个年份都是2017年，避免混淆。最后用generate_response返回结果。{    "type": "tool_use",    "id": "0_execute_sql",    "name": "execute_sql",    "input": {        "query_sql": "SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2017;"    }}system: {    "type": "tool_result",    "id": "0_execute_sql",    "name": "execute_sql",    "output": [        {            "type": "text",            "text": ""        }    ]}Jarvis(thinking): 好的，用户现在问的是2017年的考生人数和录取人数。我需要先处理这两个数据点。首先，考生人数。之前用户问过2016年的，所以结构应该是类似的。使用match_metadata工具查找对应的表，应该是college_entrance_examination表，字段是candidates_count，条件是examination_year=2017。执行SQL后得到的结果是940.0万人，和2016年一样，可能那几年考生人数稳定。然后是录取人数。对应的表是college_entrance_admission，字段admission_count，条件admission_year=2017。执行后得到761.49万人，比2016年的772万略少。需要注意这里的数据是否有小数点后的变化，可能反映了录取率的变化。接下来需要将这两个结果整合到回答中，确保数字准确，并且用清晰的语句分开说明考生和录取人数。同时，检查是否有其他相关数据需要补充，比如本科和专科的录取人数，但用户只问了总录取人数，所以可能不需要额外信息。最后生成回答，确认无误后返回。Jarvis: 2017年的考生人数为940万人，录取人数为761.49万人。--------------------------------------------------用户: Process finished with exit code 137 (interrupted by signal 9:SIGKILL)

QA1: 2016年考生人数 – 测试AgentScope基本工具调用能力