Qwen-Agent智能体框架：阿里又一开源王炸！附详细教程

最新推荐文章于 2025-05-05 03:12:38 发布

Llama-Turbo

最新推荐文章于 2025-05-05 03:12:38 发布

阅读量1.2k

点赞数 10

文章标签： oracle 数据库人工智能大模型 LLM agent qwen

本文链接：https://blog.youkuaiyun.com/pythonhy/article/details/146098300

版权

AI Agent（智能体）有多火？

火到OpenAI CEO Sam Altman，谷歌CEO Sundar Pichai，以及Anthropic官方纷纷为它站台，表示AI Agent是2025年的一项重要工作目标。

近期，阿里通义团队开源了一个AI Agent相关的王炸级产品——Qwen-Agent！这是一个专门用来开发AI Agent的应用框架，基于通义自家的Qwen模型，提供了一套完整的解决方案，旨在让Agent开发变得更加高效、便捷。

关于 Qwen-Agent

简单来说，Qwen-Agent是一个帮你快速搭建AI Agent的工具包。可以把它看作一个“脚手架”，将Agent需要的各种能力，比如：理解你说的话（指令遵循）、使用各种工具（工具调用）、自己做计划（规划）、记住你们聊了什么（记忆）等，都打包到了一起。基于Qwen-Agent框架，只需要像搭积木一样，把这些能力组合起来，就能创造出你想要的Agent。

如果Qwen模型是AI Agent的“大脑”，那Qwen-Agent就是它的“四肢和躯干”，赋予其行动能力，使其能够与现实世界进行互动。

Qwen-Agent 核心功能

1. Agent工作流：Qwen-Agent能够赋予Agent类似人类的思维模式，使其在执行任务时先进行思考、制定计划，再逐步执行。例如，当用户指令为“预订一张明天前往北京的机票”，Agent会首先分析任务步骤（例如：查询航班、选择合适的航班、填写乘客信息、支付票款），然后按步骤完成，而非盲目执行。
2. 工具调用能力：Qwen-Agent的一大亮点在于其强大的工具调用能力。这里的“工具”并不仅限于传统的API接口，它可以是任何可被调用的外部程序或服务，例如：

借助这些工具，Agent的能力边界将进一步拓展。
调用搜索引擎检索信息
利用代码解释器执行Python代码，进行数据分析
连接数据库进行数据查询
甚至控制智能家居设备
3. 内置代码解释器，执行代码：Qwen-Agent集成了代码解释器，支持直接运行Python代码。这使得Agent不仅限于文本交互，还能胜任代码编写、数值计算、数据分析等任务。（注意：通义官方特别指出，代码解释器目前未进行沙盒隔离，在实际应用中务必注意安全性，避免直接将其用于生产环境。）
**4. RAG检索技术：**Qwen-Agent支持检索增强生成（RAG）技术。通过接入外部知识库（如企业内部文档、产品手册等），Agent能够结合知识库内容生成更准确、更详实的答案，避免“一本正经地胡说八道”。值得一提的是，Qwen-Agent中的RAG方案是进行了特别优化的，在处理长文档问答时性能表现优秀，甚至好于一些原生支持长上下文的模型。

**5. 上下文记忆能力：**Qwen-Agent能够赋予AI Agent上下文记忆能力，使其能够记住对话历史，从而实现流畅的、符合语境的多轮对话，避免“金鱼式”对话。
**6. Web交互界面：**Qwen-Agent支持一键部署Gradio Web界面，为用户提供直观友好的交互环境，方便进行Agent的测试与调试。

Qwen-Agent 快速上手

先附上Qwen-Agent的官方项目地址。

Qwen-Agent官方项目地址：https://pypi.org/project/qwen-agent

Qwen-Agent GitHub 仓库：https://github.com/QwenLM/Qwen-Agent

Qwen-Agent作为一个应用框架，操作简单，很容易上手。

1. 安装：

通过pip命令即可安装Qwen-Agent：（根据需要选择依赖，例如gui、rag、code_interpreter等）

pip install -U "qwen-agent[gui,rag,code_interpreter,python_executor]"

或者从源码进行安装：

git clone https://github.com/QwenLM/Qwen-Agent.git   cd Qwen-Agent   pip install -e ./"[gui,rag,code_interpreter,python_executor]"

2. 配置：

你可以选择直接用阿里云的DashScope模型服务，也可以自己部署开源模型。

DashScope 用户：只需要设置一下DASHSCOPE_API_KEY环境变量就行。
自己部署：参考Qwen2的README文档，用vLLM或者Ollama部署一个OpenAI兼容的API服务即可。

3. 示例演示：

以下代码示例将创建一个AI绘图的Agent。（基于官方示例精简）

import pprint   import urllib.parse   import json5   from qwen_agent.agents import Assistant   from qwen_agent.tools.base import BaseTool, register_tool      # 定义一个画图工具   @register_tool('my_image_gen')   class MyImageGen(BaseTool):       description = 'AI 画图工具，输入描述，返回图片 URL'       parameters = [{           'name': 'prompt',           'type': 'string',           'description': '详细的图片描述',           'required': True       }]          def call(self, params: str, **kwargs) -> str:           prompt = json5.loads(params)['prompt']           prompt = urllib.parse.quote(prompt)           return json5.dumps(               {'image_url': f'https://image.pollinations.ai/prompt/{prompt}'},               ensure_ascii=False)      # 配置 LLM (这里用 DashScope 举例)   llm_cfg = {       'model': 'qwen-max',       'model_server': 'dashscope',       # 'api_key': '你的 DASHSCOPE_API_KEY',  # 或者设置 DASHSCOPE_API_KEY 环境变量   }      # 创建一个 Agent   bot = Assistant(llm=llm_cfg, function_list=['my_image_gen'])      # 运行 Agent   messages = []   while True:       query = input('你：')       messages.append({'role': 'user', 'content': query})       response = []       for response in bot.run(messages=messages):           print('Agent：')           pprint.pprint(response, indent=2)    messages.extend(response)

运行上面的代码，就可以跟你的Agent聊天了，比如输入“画一幅宁静的夏日海滩风景画”，它就会调用my_image_gen工具，给你返回一个图片的URL。

4. 更多玩法：

Qwen-Agent官方还提供了几个实用的案例：

Browser Assistant (浏览器助手)：可以让Agent浏览网页、搜索信息等等。
Code Interpreter (代码解释器)：前面介绍过的执行Python代码的工具。
Custom Assistant (自定义助手)：可以根据自己的需求，定制Agent。

结语

Qwen-Agent，阿里又一开源王炸。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉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、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

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
- L2.3 流水线工程
- L2.4 总结与展望