【LLM大模型】全网最简洁 Code Agent，50行代码极速入门，带你通往AGI！

1. Code Agent

在人工智能领域，Code Agent不仅是技术进步的一个标志，更是我们迈向人工通用智能（AGI）的关键一步。AGI旨在创造能够执行任何智能任务的AI，而Code Agent的能力——自动编写和优化代码——是实现这一目标的基石之一。通过自动处理复杂的编程任务，Code Agent不仅提高了软件开发的效率，更重要的是，它使机器能够理解和执行与软件开发相关的高级认知任务，这是向AGI过渡的必要条件。

例如，当开发者使用Code Agent描述他们想要实现的功能时，如“创建一个可以自动整理和分类电子邮件的应用程序”，Code Agent不仅生成代码，更展示了理解复杂需求并转化为实际操作步骤的能力。这种能力展示了AI在理解人类语言和逻辑方面的进步，这是AGI的核心能力之一。

随着大型语言模型（LLMs）如ChatGPT和专用工具如Copilot的发展，我们已经看到AI在编程领域的应用越来越广泛，这些工具不仅提高了编程效率，更重要的是，它们在理解和生成代码的过程中积累的经验和数据将为开发完全自主的AI系统奠定基础。这些系统未来有望不仅仅是编程助手，而是能够独立设计和实施复杂项目的AGI实体。通过不断优化和应用这些智能工具，我们正在一步步接近创建一个真正的人工通用智能。

2. 50 行代码入门 AGI

本文将通过简洁明了的方式，仅用50行代码，带领你快速搭建自己的Code Agent。我们将一步步展示如何实现这一强大工具，助你轻松入门人工通用智能（AGI）。通过本教程，你不仅能够理解Code Agent的基本原理和应用，还能亲手实践，开启你的AGI探索之旅。接下来，让我们深入探索Code Agent的搭建过程，并见证它如何简化和革新传统的编程方式。

2.1 环境准备

Pandora Box

Pandora Box不仅仅是一个Python包；它是通往LLM基础开发未来的大门。通过提供一个安全、易用且完全开源的解决方案，它使开发者能够探索他们的LLM应用和代理的全部潜力。无论你是在创建一个编码助手、一个AI数据分析师，还是任何其他LLM驱动的工具，Pandora Box都为你提供了创新和卓越的基础。

GitHub | Pandora Box详细教程

Semantic Kernel

Semantic kernel是微软开源的一个轻量级的开源开发套件，它让你可以轻松构建 AI Agent，并将最新的 AI 模型集成到您的 C#、Python 或 Java 代码库中；它提供了一个简单易用的 API，可以连接到各种 AI 服务，例如 OpenAI、Azure OpenAI 和 Hugging Face 等；并且它作为业高效的中间件，能够快速交付企级解决方案。

Semantic Kernel详细教程

为了确保环境隔离和安全，最好使用conda来创建一个独立的虚拟环境。

commandline
 代码解读
# python >= 3.11
conda create -n pandora-box python=3.11
conda activate pandora-box
pip install PandoraBox

创建一个pandora box的api-key

commandline
 代码解读
$ pbox a

现在，你可以使用以下命令启动HTTP服务器：

commandline
 代码解读
$ pbox s

你可以通过http://127.0.0.1:9501/openapi.json或者http://127.0.0.1:9501/docs来验证服务是否启动成功。

2.2 完整代码

下面是完整的代码：

1. 创建kernel
2. 创建AzureChatCompletion服务，它是Azure的OpenAI服务，没有的可以直接使用OpenAI原生服务，semantic_kernel提供了支持；或者其它HuggingFace服务
3. 添加AzureChatCompletion服务到kernel中
4. 将PandoraBox服务作为插件添加到kernel（基于openapi.json描述文档即可，PandoraBox是FastAPI服务，所以完美支持）
5. 配置Kernel执行过程，AzureChatPromptExecutionSettings设置auto_invoke=True表示kernel自动进行函数调用
6. 配置对话history以及system message，将Pandora Box创建的api-key放入其中
7. 开始进行对话

python
 代码解读
import asyncio
from semantic_kernel import Kernel
from semantic_kernel.contents import ChatHistory
from semantic_kernel.connectors.ai.open_ai import (
    AzureChatCompletion,
    AzureChatPromptExecutionSettings
)
from semantic_kernel.connectors.openapi_plugin import OpenAPIFunctionExecutionParameters
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.functions import KernelArguments

async def main():
    kernel = Kernel()
    chat_service = AzureChatCompletion(
        default_headers={},
        api_key="xxxxxx",
        api_version="xxxxx",
        endpoint="xxxxxx",
        deployment_name="gpt-4-turbo"
    )
    kernel.add_service(chat_service)
    kernel.add_plugin_from_openapi(
        plugin_name='PandoraBox',
        openapi_document_path='http://127.0.0.1:9501/openapi.json',
        execution_settings=OpenAPIFunctionExecutionParameters(enable_payload_namespacing=True)
    )
    azure_prompt_execution_settings = AzureChatPromptExecutionSettings(
        tool_choice="auto", function_call_behavior=FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})
    )
    history = ChatHistory()
    history.add_system_message("""
    你是一个Python代码助手，可以通过python来解决用户的问题。
    你可以通过Python Box服务创建python环境，执行python代码，关闭python环境等。
    一个可用的api-key：xxxxxxxxxx 通过pbox a创建api-key xxxxxxxxx.
    """)
    while True:
        user_input = input("User > ")
        history.add_user_message(user_input)

        result = chat_service.get_streaming_chat_message_contents(
            chat_history=history,
            settings=azure_prompt_execution_settings,
            kernel=kernel,
            arguments=KernelArguments()
        )
        async for token in result:
            print(str(token[-1]), end='')
        print()
if __name__ == '__main__':
    asyncio.run(main())

2.3 多轮对话Case

text
 代码解读
1. User > 创建一个python环境
已成功创建Python环境，您可以在此环境中执行Python代码。环境的标识ID为：`a74ed602-03f6-4f89-8eb6-d88ddfdab7ff`。如果需要运行代码，请提供要执行的代码内容。

2. User > 帮我解一个方程，3x + 5y = 10; 5x + 4y  = 14;
解方程组 (3x + 5y = 10) 和 (5x + 4y = 14), 得到的解为：
- (x \approx 2.31)
- (y \approx 0.62)

3. User > 写代码解
这是一个使用Python和NumPy来解给定的线性方程组的示例代码：

import numpy as np

# 定义系数矩阵
A = np.array([[3, 5], [5, 4]])

# 定义常数项
B = np.array([10, 14])

# 使用numpy的linalg.solve方法来解方程
solution = np.linalg.solve(A, B)

# 打印出解
print('Solution: x = {}, y = {}'.format(solution[0], solution[1]))

这段代码首先定义了一个2x2的系数矩阵A，表示方程的左侧，和一个向量B，表示方程右侧的常数。然后，它使用`np.linalg.solve`函数求解线性方程组A * X = B。这里的X是未知数向量[x, y]。运行这段代码将输出x和y的解。

4. User > 运行下
解决方程后得到结果为：
- x = 2.307692307692308
- y = 0.615384615384615
  User >

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​