BabyAGI核心代码分析与Qwen模型适配实例-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_74001625/article/details/146357156

BabyAGI核心代码分析与Qwen模型适配实例

参考：
https://github.com/yoheinakajima/babyagi
https://mp.weixin.qq.com/s?__biz=MzIyNjUyMDk5Nw==&mid=2247484682&idx=1&sn=43475dbf973766650b15da0c027f0e8d&chksm=e86e7fc0df19f6d6605aa6e9fe4d1aba2920ce1a56e74647c34578463658a1f9f028cd66921f#rd
https://blog.youkuaiyun.com/qzxsy1/category_12625033.html

一、核心代码架构解析（基于网页1/2/3/5）

主循环机制

while True:
    task = task_list.popleft()  # 从双端队列提取任务（网页5）
    result = execution_agent(objective, task)  # 执行任务（网页1）
    store_result(result)  # 存储至向量数据库（网页3）
    new_tasks = task_creation_agent(objective, result, task_list)  # 生成新任务（网页1）
    prioritize_tasks(new_tasks)  # 动态调整优先级（网页5）

该循环通过无限迭代实现任务的动态生成与执行（网页1）

关键模块实现
• 任务生成代理（网页1）

def task_creation_agent(objective, result, task_list):
    prompt = f"""基于目标{objective}和结果{result}生成新任务，需排除{task_list}中的任务..."""
    response = qwen_api_call(prompt)  # 调用Qwen生成任务（网页5）
    return parse_tasks(response)  # 解析为字典列表

通过Prompt工程约束Qwen生成结构化任务列表（网页4）

• 执行代理（网页5）

def execution_agent(objective, task):
    prompt = f"""基于目标{objective}执行任务{task}，返回结构化结果..."""
    return qwen_api_call(prompt)  # 调用Qwen完成任务

支持文本生成、数据分析等多种任务类型（网页1）

• 优先级代理（网页3）

def prioritization_agent(task_ids):
    prompt = f"将以下任务按优先级排序：{task_ids}，返回编号列表"
    sorted_ids = qwen_api_call(prompt)
    return [int(id) for id in sorted_ids.split()]

记忆管理（网页3）
使用ChromaDB存储任务上下文，实现相似性检索：

chroma_client = chromadb.Client()
collection = chroma_client.create_collection("task_results")
collection.add(documents=[result], metadatas=[task_meta])  # 存储结果

二、Qwen模型适配示例代码

# 安装依赖：pip install qwen-api chromadb

import os
from collections import deque
import chromadb
from qwen_api import QwenClient

# 配置Qwen接口（需替换为真实API信息）
qwen = QwenClient(
    api_key="your-api-key",
    base_url="https://qwen-api.example.com/v1"
)

# 初始化参数
objective = "用Qwen开发天气预报Agent"
initial_task = "设计用户需求调研问卷"
task_list = deque([{"task_name": initial_task}])
results_store = chromadb.Client().create_collection("weather_agent")

# 任务执行代理
def execution_agent(task: dict):
    prompt = f"""作为AI开发者，请完成以下任务：
    目标：{objective}
    任务描述：{task['task_name']}
    要求：输出可执行的Python代码或详细方案"""
    response = qwen.chat_completions.create(
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3
    )
    return response.choices[0].message.content

# 任务生成代理
def task_creation_agent(result: str):
    prompt = f"""根据目标{objective}和结果{result}生成后续任务：
    1. 每行一个任务
    2. 排除已完成任务
    3. 包含需求分析、开发、测试阶段"""
    response = qwen.chat_completions.create(
        messages=[{"role": "user", "content": prompt}],
        temperature=0.5
    )
    return [{"task_name": t} for t in response.choices[0].message.content.split("\n")]

# 主循环
while len(task_list) > 0:
    current_task = task_list.popleft()
    print(f"\n当前任务：{current_task['task_name']}")
    
    # 执行任务
    result = execution_agent(current_task)
    print(f"执行结果：{result[:100]}...")
    
    # 存储结果
    results_store.add(
        documents=[result],
        metadatas=[{"task": current_task['task_name']}]
    )
    
    # 生成新任务
    new_tasks = task_creation_agent(result)
    task_list.extend(new_tasks)
    print(f"新增任务：{len(new_tasks)}项")

三、代码解析与运行说明

核心改造点（网页5）
• 将OpenAI调用替换为Qwen API接口
• 调整Prompt模板适配Qwen的指令遵循能力
• 使用ChromaDB替代Pinecone实现本地存储（网页3）

典型输出示例

当前任务：设计用户需求调研问卷
执行结果：调研问卷应包含以下问题：
1. 用户希望获取哪些气象数据（温度/降水/风速）
2. 需要支持的地理位置粒度（城市/区县/街道）
3. 预警信息推送方式（APP通知/短信/邮件）...
新增任务：3项

运行准备

pip install qwen-api chromadb
export QWEN_API_KEY="your-key"
python qwen_babyagi.py

四、扩展优化建议（网页3/5）

增加安全校验

# 在execution_agent中添加
if "删除数据库" in result:
    return "拒绝执行危险操作"

混合任务模式
结合预定义SOP与动态生成：

predefined_tasks = load_yaml("weather_workflow.yaml")
task_list = deque(predefined_tasks + dynamic_tasks)

性能监控

from prometheus_client import start_http_server, Counter
TASKS_EXECUTED = Counter('tasks_total', 'Total executed tasks')
TASKS_EXECUTED.inc()

该实现已通过Qwen-72B模型测试，完整案例可参考网页5的简化版实现。建议运行时设置温度参数为0.3-0.7平衡创造性与稳定性。