【Agent教程】1.手把手教你使用仪酷智能 Agent制作并调用 VI 工具

原创 已于 2025-11-03 11:37:20 修改 · 860 阅读 · 21 ·
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许不得转载。
文章标签：

#人工智能 #深度学习 #仪酷智能 #labview #agent #大模型 #LLM

于 2025-10-31 18:29:29 首次发布

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🎄所属专栏：『AI Agent for LabVIEW』
📑推荐文章：『LabVIEW人工智能深度学习指南』
🍻本文由virobotics(仪酷智能)原创

🥳欢迎大家关注✌点赞👍收藏⭐留言📝订阅专栏

文章目录

🧩前言

大家好，这里是仪酷智能VIRobotics。

今天主要想要和大家分享如何在 仪酷智能 Agent 环境下创建、配置并调用自定义 VI 工具。我们将从最基础的工具制作讲起，到最后实现智能 Agent 自动调用 VI 的完整过程。

一、仪酷智能Agent简介

AI Agent for LabVIEW 是由 仪酷智能 开发的智能体工具包，为 LabVIEW 用户提供与大语言模型（LLM）的无缝集成体验。通过该工具，用户可以在 LabVIEW 中直接调用多家主流模型服务，实现自然语言交互、自动生成 VI、文档解析与硬件控制等功能。

作为业内首个深度集成大模型的 LabVIEW 智能体工具，AI Agent 让用户能够通过自然语言快速创建、理解和调用 VI，构建智能实验室与自动化控制系统，加速工程研发与测试流程智能化。
在这里插入图片描述

二、主要功能

能力功能说明
生成 VI由大模型根据自然语言自动生成 VI 逻辑，帮助快速搭建程序原型。
解析 VI分析现有 VI 文件的功能、输入输出、层次结构和逻辑关系。
视觉生成与理解对图像进行生成、识别与分析，实现视觉智能。
文档解析自动解析 PDF、Word、Excel 等多种文档格式并提取关键信息。
文本与代码生成根据自然语言指令生成文本报告、算法脚本或 LabVIEW 代码片段。
硬件交互与传感器、执行器、采集卡等硬件进行智能交互与控制。
VI 工具制作与调用允许用户编写自定义 VI 工具，并由智能 Agent 自动调用，实现个性化扩展。

更多Agent功能期待与大家共创

三、环境搭建

1. 部署本项目时所用环境

  • 操作系统：Windows 64

  • LabVIEW：2018及以上 64位版本

  • AI Agent for LabVIEW工具包：>=1.17版本

2. 软件下载及安装

查看：https://blog.youkuaiyun.com/virobotics/article/details/151324436?spm=1011.2415.3001.5331

3. 配置Agent

查看：https://blog.youkuaiyun.com/virobotics/article/details/151324436?spm=1011.2415.3001.5331

四、Agent VI工具介绍

1. VI 工具的基本概念

在仪酷智能 Agent 框架中，工具（Tool） 是 Agent 的“能力扩展”。每个工具由两部分组成：

  • VI 文件（.vi） —— 实际执行逻辑的 LabVIEW 程序。

  • JSON 文件（.json） —— 描述该 VI 的元信息（输入输出、功能说明、路径等）。

Agent 通过读取这些工具的 JSON 描述文件来加载、理解并调用对应的 VI。

2. 工具文件的存放路径

在默认环境中，所有工具文件放在以下路径下：

National Instruments\LabVIEW 20xx\examples\VIRobotics\AI Agent\tools\basic_tools

如 LabVIEW2018 安装在 C 盘，则在：

C:\Program Files\National Instruments\LabVIEW 2018\examples\VIRobotics\AI Agent\tools\basic_tools

在这里插入图片描述

每个工具占用一个独立文件夹，其中包含：

  • 一个 .vi 文件（逻辑主体）

  • 一个 .json 文件（工具定义）

在这里插入图片描述

五、创建VI 工具

1. 新建 VI 文件

打开 LabVIEW，新建一个 VI，编写你的功能逻辑。 在前面板中，务必保证有一个字符串输出，名字为 result。 这是智能 Agent 获取 VI 执行结果的唯一出口。
如下范例所示获取日期和时间：
在这里插入图片描述

  • 输出控件名称：result

  • 输出类型：字符串

  • 内容：工具执行的最终结果

2. 保存 VI

将 VI 保存在 basic_tools 文件夹下的独立子文件夹中。 例如：

C:\Program Files\National Instruments\LabVIEW 2018\examples\VIRobotics\AI Agent\tools\basic_tools\get_date_and_time

在这里插入图片描述

3. 生成工具 JSON

  1. 接下来，为 VI 创建一个描述文件（JSON）。可以直接使用系统提供的工具界面编辑这个 JSON 文件。
    路径：Tools >> VIRobotics GenAI >> Agent_VI_Editor
    在这里插入图片描述

  2. 加载已经写好的 VI 工具
    在这里插入图片描述

  3. 输入当前 VI 描述，以便让大模型知道这个 VI 做什么用
    在这里插入图片描述

  4. 编辑完成后，在界面中点击 “生成 json” 按钮，这会自动生成可供 Agent 识别的 JSON 文件。 可以在 VI 同路径下看到生成的 JSON 文件。
    在这里插入图片描述

六、Agent中调用写好的工具

6.1 加载工具到仪酷智能 Agent

在 Agent 中，存在一个专门的 VI 用于加载所有工具。
它会扫描工具文件夹下的所有 JSON 文件并载入。
在这里插入图片描述

这样，Agent 就能理解：

  • 工具有什么功能；

  • 需要哪些输入；

  • 输出是什么；

  • 以及在哪里执行。

6.2 调用工具

1. 使用范例 deepseek_stream_with_tools.vi

1）打开 LabVIEW 的范例查找器（Find Example），选择模式为 Directory Structure。 导航至 VIRobotics\AI Agent\ 目录，您可以看到按模型厂商分类的范例文件夹。
在这里插入图片描述

2）选择 “Deepseek”，运行范例，可以获取当前时间，即调用当前写好的查找时间的 VI 工具。
在这里插入图片描述

Tips: 尝试备份并删掉查找时间的 VI 工具，并再次查询时间，看看结果。

2. 由智能 Agent 自动调用

当用户向 Agent 提出问题或任务时，Agent 会根据问题内容判断是否需要调用某个工具，然后自动运行相应的 VI，获取结果并返回。

具体步骤如下：

1）双击范例 deepseek_AI_Agent_Full.vi
2）运行并输入和刚刚制作工具相关的问题，如我们演示使用的是查询时间和日期的 VI，则提问当前时间。
在这里插入图片描述

七、其他工具的制作

其他工具也可以按照类似的办法制作。
需要注意的是：在 Editor 中填写的 “VI描述” 至关重要。
它让大模型理解工具的作用，从而在对话中正确调用。

例如：

  • 分析数据采集结果
    VI描述: “分析数据采集的结果，提取平均值、最大值、波形趋势等。”

  • 检查 VI 功能
    VI描述: “读取指定 VI 的功能说明并验证输入输出是否符合标准。”

这样，当你让 Agent 分析某项数据时，它会自动选择合适的工具执行，而无需你显式调用。

总结

通过以上步骤，我们完整体验了在 仪酷智能 Agent for LabVIEW 环境下，如何从零开始创建、配置并调用自定义 VI 工具。
从理解 VI 工具的结构、编辑 JSON 描述文件，到让智能 Agent 自动识别并调用，我们可以看到——AI Agent 已不再只是一个辅助工具，而是 LabVIEW 用户的智能助手与创新引擎。

未来，仪酷智能 Agent 还将持续拓展更多模型适配、自动化能力与多智能体协作场景，助力 LabVIEW 用户在智能研发、测试与生产领域实现真正的“语言即开发”。

💡 特别提示： 我们将于 11 月开启 LabVIEW 代码生成内测申请！
感兴趣的朋友可以 加入仪酷智能交流群 664108337，第一时间体验 AI 自动生成 VI 代码的创新功能，与工程师团队一起共创智能未来。

更多内容可查看：

如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏

推荐阅读

【YOLOv5】LabVIEW+TensorRT的yolov5部署实战（含源码））
【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码）
【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测
【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战
【YOLOv8】实战三：基于LabVIEW TensorRT部署YOLOv8
【YOLOv9】实战一：在 Windows 上使用LabVIEW OpenVINO工具包部署YOLOv9实现实时目标检测（含源码）
【YOLOv9】实战二：手把手教你使用TensorRT实现YOLOv9实时目标检测（含源码）
👇技术交流 · 一起学习 · 咨询分享，请联系👇

第 4 篇 Dify 示例：数据库执行Agent
甘蓝的专栏
08-18 815
本文介绍了如何在Dify平台创建一个能够执行SQL查询的数据库Agent。通过安装并配置"通义千问"和"数据库"两个插件，实现自然语言到SQL语句的转换和执行。关键步骤包括：1）安装插件并配置API Key；2）设置默认数据库连接（建议使用只读账号）；3）准备测试数据表结构。该Agent支持通过工具调用查询表结构、转换自然语言为SQL、执行查询并返回结果，同时提供了CSV查询和HTTP API接口功能。文中还提供了MySQL测试数据表的创建脚本和示例数据。
AI智能体 | 使用Coze制作茶艺和茶生活混剪视频（附保姆级教程）
李同学Lino的博客
05-01 1174
最近刷视频的时候，发现这种【情感、治愈、茶生活】的视频非常火爆，动不动就几十万播放量。进去发现全是混剪的视频，结合着煮茶生活与惬意的生活作为背景，分享着人生哲理。传统做法要么结合着意境自己拍摄，成本非常高；要么就是找素材进行混剪，极其麻烦。那么今天我将手把手教大家利用Coze搭建一个【茶艺混剪】的工作流，一键生成茶艺混剪视频。
AI Agent for LabVIEW赋能LabVIEW测控工程师无缝调用大模型能力
virobotics的博客
09-08 1949
仪酷智能推出全球首款支持多模态大模型的LabVIEW智能体开发工具——AI Agent for LabVIEW，支持阿里云通义千问、百度文心一言等主流大模型API接入。该工具包具备多模型灵活接入、上下文对话、流式输出、工具调用等核心功能，支持可视化低代码开发。文章详细介绍了工具包的下载安装步骤、API密钥配置方法以及基础使用教程，帮助用户快速上手智能实验室、无人化工厂等场景的AI应用开发。
从 LabVIEW 到 AI：在 2025 NI Days 重新遇见初心
virobotics的博客
10-28 767
从 LabVIEW 到 AI：在 2025 NI Days 重新遇见初心
LabVIEW AI Vision(LabVIEW AI视觉工具包)
05-07
使用LabVIEW调用opencv和深度学习模型的工具包（非NI Vision），可直接调用摄像头进行图像采集。简单易于上手。提供包括2d视觉、3d视觉在内的数十个范例，并附送ResNet、语义分割、yolov3/v4/v5、姿态识别等多种模型的源代码。可直接进行深度学习开发！
LabVIEW下AI开发
bjcyck的博客
05-20 1694
方案开发效率模型能力部署复杂度适合阶段内置工具★★★★☆★★☆☆☆★★☆☆☆原型验证、简单任务调用 Python 框架★★☆☆☆★★★★☆★★★☆☆复杂模型开发预训练模型部署★★★☆☆★★★★☆★★★★☆产品化、边缘部署建议入门首选内置工具验证可行性；复杂 AI 任务采用 “Python 训练 + LabVIEW 部署” 组合；工业级产品优先考虑 ONNX 部署方案，结合 NI 实时硬件确保可靠性。
使用LabVIEW第一时间体验DeepSeek-V3.1-Terminus版本
virobotics的博客
09-26 1072
仪酷智能推出LabVIEW调用DeepSeek-V3.1-Terminus大模型方案，文章详细介绍了环境搭建步骤，包括AI Agent工具包安装、API密钥配置方法，并通过范例程序演示基础对话和高级功能调用。该方案为开发者提供了在LabVIEW环境中快速接入最新AI能力的完整路径，支持复杂任务处理与智能应用开发。
手把手教你本地部署DeepSeek+DiFy，构建智能体应用平台
weixin_51702416的博客
05-14 1520
RAG（Retrieval-Augmented Generation）检索增强生成是一种将外部知识检索与大语言模型生成能力结合的混合架构。其核心思想是通过检索外部知识库（如文档、数据库、网页等），弥补大模型静态训练数据的局限性；在生成答案时直接依赖检索到的证据，减少模型凭空编造内容的可能性，降低幻觉风险。RAG无需重新训练模型，仅需更新知识库即可适配不同专业领域（如医疗、法律）。类似将大模型视为一个“推理专家”，而RAG系统为其配备了一个“实时资料库助手”。
【AI大模型应用开发】【AutoGPT系列】2. 手撕AutoGPT - 手把手教你用LangChain从0开始写一个简易版AutoGPT（0）
同学小张的博客
02-22 2891
本文将使用LangChain，从0开始写一个简易版的AutoGPT，这既是对AutoGPT原理的深入学习，同时也是对前段时间学习LangChain的一个练习，这其中几乎涉及了LangChain的所有核心模块：Prompt模板、大模型封装、输出校验、记忆模块、Agents模块等。
书生大模型第四期笔记:Prompt/RAG/XTuner微调/Agent/LMDeploy量化部署...
m0_53632564的博客
11-07 1658
远程连接的好处就是，如果你使用的是远程办公，你可以通过SSH远程连接开发机，这样就可以在本地进行开发。是一种网络技术，它可以将外网中的任意端口映射到内网中的相应端口，实现内网与外网之间的通信。这条命令会通过开发机 SSH 通道将开发机内的 {开发机_PORT} 转发到您本地机器的 (本地机器_PORT}，这个过程可能会要求你输入 SSH 链接的密码。组成，为建立安全的 SSH 通道，双方需要先建立 TCP 连接，然后协商使用的版本号和各类算法，并生成相同的。，我们使用本地连接访问，解决这个代理问题。
使用docker手把手教你编译OpenJDK1.8源代码
qq115396092的专栏
09-26 783
从哪搞到OpenJDK的源代码？官方提供一些打包好的源代码zip： wget https://download.java.net/openjdk/jdk8u41/ri/openjdk-8u41-src-b04-14_jan_2020.zip 或者通过OpenJDK Mercurial Repositories进行下载，我选择的使用官网进行下载 下载的1.8OpenJDK源代码结构 openjdk —— corba：多语言、分布式通讯接口 —— hotspot：Java 虚拟机 —— jaxp
【LabVIEW面向对象编程13】数据采集篇（AI）
weixin_43476034的博客
09-16 841
NI Max创建仿真硬件进行测试，已经在知识星球的小伙伴可以直接在。在工作中，我们经常用到NI的数据采集卡来进行数据采集，为了方便。大家了解学习面向对象的相关知识，用oOP写了一个采集程序，并用。增加私有数据，我们配置AI采集时，需要配置采集卡通道，通道数。星球里免费学习，已同步更新。
TensorRT笔记（5）：研究timingCache
最新发布
ouliten的博客
12-02 633
在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1859
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1426
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1632
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 1421
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
【人工智能】【深度学习】 ② GAN核心算法介绍：生成器与判别器的博弈艺术
xiezhiyi007的专栏
11-27 1010
本文为【人工智能】【深度学习】系列第②篇，深入浅出讲解生成对抗网络（GAN）的核心原理。从“造假者 vs 警察”的大白话比喻出发，逐步推导极小极大博弈公式，详解生成器与判别器的对抗机制，并对比 CNN、RNN 的本质差异。附带完整 PyTorch 代码实现（逐行注释），涵盖 DCGAN 架构、训练流程与工程技巧，适合零基础读者入门生成式 AI。结尾预告下一期 Transformer 主题，延续系统化学习路线。
手把手教你使用 Qwen-Agent 开发智能体应用实战教程
07-26
### Qwen-Agent 智能体应用开发实战教程 Qwen-Agent 是一个专为 AI Agent 应用开发设计的框架，基于通义千问（Qwen）模型，提供了一套完整的解决方案，旨在让开发者能够更加高效、便捷地构建功能丰富、性能优越的智能体应用。以下是 Qwen-Agent 智能体应用开发的实战教程，帮助你快速上手并掌握其核心功能。 #### 1. 环境准备 在开始开发之前，确保你的开发环境已经准备好。Qwen-Agent 支持多种开发环境，包括本地开发和云端部署。 - **安装 Python**：Qwen-Agent 基于 Python 开发，因此需要安装 Python 3.8 或更高版本。 - **安装依赖库**：使用 `pip` 安装必要的依赖库，例如 `transformers`、`torch` 等。 - **获取 Qwen-Agent**：你可以通过访问 Qwen-Agent 的 GitHub 仓库来获取源代码和文档。[^1] ```bash git clone https://github.com/Qwen/Qwen-Agent.git cd Qwen-Agent pip install -r requirements.txt ``` #### 2. 配置 Qwen-Agent Qwen-Agent 提供了丰富的配置选项，允许你根据具体需求进行定制。你可以通过修改配置文件来调整模型参数、输入输出格式等。 - **模型选择**：Qwen-Agent 支持多种预训练模型，你可以根据应用场景选择合适的模型。例如，如果你需要处理复杂的自然语言任务，可以选择更大规模的模型；如果对性能有较高要求，可以选择轻量级模型。 - **输入输出格式**：Qwen-Agent 允许你自定义输入输出格式，以便更好地适配你的应用场景。例如，你可以设置输入为 JSON 格式，输出为文本格式。[^2] #### 3. 开发第一个智能体应用 Qwen-Agent 提供了丰富的 API 和工具，帮助你快速构建智能体应用。以下是一个简单的示例，展示如何使用 Qwen-Agent 开发一个基本的智能体应用。 ##### 示例：创建一个简单的问答智能体 1. **定义智能体逻辑**：你可以通过编写 Python 代码来定义智能体的行为。例如，以下代码展示了如何创建一个简单的问答智能体。 ```python from qwen_agent import Agent # 初始化智能体 agent = Agent(model_name='Qwen-7B') # 定义智能体的响应逻辑 def answer_question(question): response = agent.generate_response(question) return response # 测试智能体 question = "什么是人工智能？" answer = answer_question(question) print(f"问题: {question}") print(f"答案: {answer}") ``` 2. **运行智能体**：将上述代码保存为 `qa_agent.py`，然后运行它。 ```bash python qa_agent.py ``` 3. **优化智能体**：你可以通过调整模型参数、增加训练数据等方式来优化智能体的性能。例如，如果你希望智能体能够更好地理解特定领域的术语，可以为其提供相关的训练数据。 #### 4. 部署与测试 Qwen-Agent 支持多种部署方式，包括本地部署和云端部署。你可以根据实际需求选择合适的部署方式。 - **本地部署**：如果你希望在本地环境中运行智能体，可以直接在本地服务器上部署 Qwen-Agent。确保你的服务器具有足够的计算资源（如 GPU）以支持模型推理。 - **云端部署**：Qwen-Agent 也支持在云平台上部署，例如阿里云、AWS 等。你可以使用 Docker 容器化技术来简化部署过程。 ##### 示例：使用 Docker 部署智能体 1. **创建 Dockerfile**：编写一个 Dockerfile，用于构建智能体的镜像。 ```Dockerfile FROM python:3.8-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD ["python", "qa_agent.py"] ``` 2. **构建镜像**：使用 Docker 构建镜像。 ```bash docker build -t qwen-agent-qa . ``` 3. **运行容器**：启动容器并运行智能体。 ```bash docker run -d -p 8000:8000 qwen-agent-qa ``` 4. **测试部署**：你可以通过访问本地或云端的 API 接口来测试智能体的功能。例如，使用 `curl` 命令发送请求。 ```bash curl -X POST http://localhost:8000/answer -H "Content-Type: application/json" -d '{"question": "什么是人工智能？"}' ``` #### 5. 高级功能与优化 Qwen-Agent 不仅支持基础的智能体开发，还提供了一些高级功能，帮助你进一步提升智能体的性能和功能。 - **多模态支持**：Qwen-Agent 支持多模态输入输出，允许你处理图像、音频等多种类型的数据。例如，你可以开发一个能够理解图像并生成描述的智能体。 - **分布式训练**：对于大规模模型，Qwen-Agent 提供了分布式训练的支持，帮助你加速模型训练过程。 - **自定义插件**：Qwen-Agent 支持自定义插件，允许你扩展智能体的功能。例如，你可以开发一个插件来集成外部数据库或 API。 ##### 示例：开发多模态智能体 1. **安装多模态依赖**：确保你已经安装了支持多模态处理的依赖库，例如 `Pillow` 用于图像处理。 ```bash pip install pillow ``` 2. **编写多模态智能体代码**：以下代码展示了如何创建一个能够处理图像并生成描述的智能体。 ```python from qwen_agent import MultiModalAgent from PIL import Image # 初始化多模态智能体 agent = MultiModalAgent(model_name='Qwen-VL') # 定义智能体的响应逻辑 def describe_image(image_path): image = Image.open(image_path) description = agent.generate_description(image) return description # 测试智能体 image_path = "example.jpg" description = describe_image(image_path) print(f"图像描述: {description}") ``` 3. **运行智能体**：将上述代码保存为 `multi_modal_agent.py`，然后运行它。 ```bash python multi_modal_agent.py ``` #### 6. 社区与支持 Qwen-Agent 拥有一个活跃的社区，开发者可以在社区中交流经验、解决问题。你可以通过以下方式参与社区： - **GitHub 仓库**：访问 Qwen-Agent 的 GitHub 仓库，查看最新的代码和文档。 - **论坛与讨论组**：加入 Qwen-Agent 的论坛或讨论组，与其他开发者交流经验。 - **官方文档**：阅读 Qwen-Agent 的官方文档，了解更多的开发技巧和最佳实践。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

virobotics

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值