import os
from dotenv import load_dotenv
load_dotenv()
True
代码执行
在本节中，我们将探讨如何创建自定义代理来处理代码的生成和执行。这些任务可以使用此处提供的代理实现来处理AssistantAgent()；CodeExecutorAgent()但本指南将向您展示如何实现自定义的轻量级代理来替代其功能。这个简单的示例实现了两个代理，它们分别绘制了特斯拉和英伟达的股票收益图。
我们首先定义代理类及其各自的消息处理程序。我们创建两个代理类：Assistant和Executor。Assistant 代理编写代码，Executor代理执行代码。我们还创建一个Message数据类，用于定义在代理之间传递的消息。
注意：
本示例中生成的代码在Docker容器中运行。请确保在运行示例之前已安装LocalCommandLineCodeExecutor并运行 Docker。
本地代码执行功能可用 ()，但不建议使用，因为在本地环境中运行 LLM 生成的代码存在风险。
import re
from dataclasses import dataclass
from typing import List
from autogen_core import DefaultTopicId, MessageContext, RoutedAgent, default_subscription, message_handler
from autogen_core.code_executor import CodeBlock, CodeExecutor
from autogen_core.models import (
AssistantMessage,
ChatCompletionClient,
LLMMessage,
SystemMessage,
UserMessage,
)
# 定义消息结构体
@dataclass
class Message:
content: str # 消息内容
# 助手机器人类
@default_subscription
class Assistant(RoutedAgent):
def __init__(self, model_client: ChatCompletionClient) -> None:
super().__init__("助手机器人") # 设置路由代理的描述信息
self._model_client = model_client # 模型客户端，用于调用大模型接口
self._chat_history: List[LLMMessage] = [
SystemMessage(
content="""将 Python 脚本写在 markdown 代码块中，代码将被自动执行。
所有图像必须保存到当前目录的文件中，禁止使用 plt.show()。
完成任务所需的所有代码必须包含在同一条回复中。""",
)
]
# 处理用户消息
@message_handler
async def handle_message(self, message: Message, ctx: MessageContext) -> None:
# 将用户消息添加到对话历史
self._chat_history.append(UserMessage(content=message.content, source="user"))
# 调用模型生成回复
result = await self._model_client.create(self._chat_history)
print(f"\n{'-'*80}\n助手机器人输出:\n{result.content}")
# 将模型回复添加到对话历史
self._chat_history.append(AssistantMessage(content=result.content, source="assistant")) # type: ignore
# 发布消息给订阅者
await self.publish_message(Message(content=result.content), DefaultTopicId()) # type: ignore
# 从 markdown 文本中提取代码块（以 ```包裹）
def extract_markdown_code_blocks(markdown_text: str) -> List[CodeBlock]:
pattern = re.compile(r"```(?:\s*([\w\+\-]+))?\n([\s\S]*?)```") # 匹配形如 ```python\n...```的代码块
matches = pattern.findall(markdown_text)
code_blocks: List[CodeBlock] = []
for match in matches:
language = match[0].strip() if match[0] else "" # 提取语言类型（如 python）
code_content = match[1] # 提取代码内容
code_blocks.append(CodeBlock(code=code_content, language=language))
return code_blocks
# 执行器机器人类
@default_subscription
class Executor(RoutedAgent):
def __init__(self, code_executor: CodeExecutor) -> None:
super().__init__("代码执行器机器人") # 设置路由代理的描述信息
self._code_executor = code_executor # 代码执行器对象
# 处理包含代码块的消息
@message_handler
async def handle_message(self, message: Message, ctx: MessageContext) -> None:
code_blocks = extract_markdown_code_blocks(message.content) # 提取代码块
if code_blocks:
# 异步执行代码块，支持取消令牌
result = await self._code_executor.execute_code_blocks(
code_blocks, cancellation_token=ctx.cancellation_token
)
print(f"\n{'-'*80}\n执行器机器人输出:\n{result.output}")
# 发布执行结果
await self.publish_message(Message(content=result.output), DefaultTopicId())
您可能已经注意到，代理的逻辑（无论是使用模型还是代码执行器）与消息传递方式完全解耦。核心思想在于：框架提供通信基础设施，代理负责自身的逻辑。我们将该通信基础设施称为代理运行时。
代理运行时是该框架的一个关键概念。除了传递消息之外，它还管理代理的生命周期。因此，代理的创建由运行时处理。
SingleThreadedAgentRuntime以下代码显示如何使用本地嵌入式代理运行时实现来注册和运行代理 。
import tempfile
from autogen_core import SingleThreadedAgentRuntime # 单线程运行环境
from autogen_ext.code_executors.docker import DockerCommandLineCodeExecutor # 使用 Docker 作为代码执行器
from autogen_ext.models.openai import OpenAIChatCompletionClient # OpenAI 大模型客户端
# 创建临时工作目录，代码运行与文件保存将在此目录中进行
work_dir = tempfile.mkdtemp()
# 创建本地嵌入式运行时（单线程模式）
runtime = SingleThreadedAgentRuntime()
# 使用 Docker 创建命令行代码执行器，并在上下文中使用
async with DockerCommandLineCodeExecutor(work_dir=work_dir) as executor: # type: ignore[syntax]
# 初始化模型客户端
model_client = OpenAIChatCompletionClient(
model="gpt-4o",
# api_key="YOUR_API_KEY"
)
# 注册助手机器人（Assistant）到运行时
await Assistant.register(
runtime,
"assistant", # 助手机器人的唯一标识符
lambda: Assistant(model_client=model_client), # 助手机器人的实例创建工厂
)
# 注册代码执行器机器人（Executor）到运行时
await Executor.register(
runtime,
"executor", # 执行器机器人的唯一标识符
lambda: Executor(executor), # 执行器机器人的实例创建工厂
)
# 启动运行时，准备接受消息流
runtime.start()
# 发布一条初始消息给助手机器人：要求绘制 NVIDIA 与 TSLA 从 2024-01-01 开始的年初至今收益图
await runtime.publish_message(
Message("创建 2024年1月1日到今天 NVIDIA 与 TESLA 股票回报率的图表，并保存。"),
DefaultTopicId(), # 发布到默认主题，所有订阅者可接收
)
# 等待直到系统空闲后自动停止运行时（即没有更多消息可处理时）
await runtime.stop_when_idle()
# 关闭模型客户端连接，释放资源
await model_client.close()
--------------------------------------------------------------------------------
助手机器人输出:
```python
import matplotlib.pyplot as plt
import pandas as pd
import yfinance as yf
import datetime
# Define the ticker symbols
tickers = ['NVDA', 'TSLA']
# Define the date range
start_date = '2024-01-01'
end_date = datetime.datetime.now().strftime('%Y-%m-%d')
# Download the stock data
data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
# Calculate the daily returns
returns = data.pct_change().dropna()
# Plot the cumulative returns
cumulative_returns = (1 + returns).cumprod()
plt.figure(figsize=(10, 6))
plt.plot(cumulative_returns)
plt.title('Cumulative Returns of NVIDIA and TESLA (2024)')
plt.xlabel('Date')
plt.ylabel('Cumulative Returns')
plt.legend(tickers)
plt.grid(True)
# Save the plot to a file
plt.savefig('nvidia_tesla_cumulative_returns_2024.png')
```
--------------------------------------------------------------------------------
执行器机器人输出:
Traceback (most recent call last):
File "/workspace/tmp_code_6f3b74dcd4e1a50ffe6ced3bf4479af024e389d9fadb7f8cd605fd0d2e7e24b6.python", line 1, in <module>
import matplotlib.pyplot as plt
ModuleNotFoundError: No module named 'matplotlib'
--------------------------------------------------------------------------------
助手机器人输出:
要解决这个问题，请确保在你的 Python 环境中安装了 `matplotlib` 和其他所需的库。请在运行以下代码之前，执行下面的命令来安装必要的库：
```bash
pip install matplotlib pandas yfinance
```
一旦安装完成，再运行以下 Python 脚本：
```python
import matplotlib.pyplot as plt
import pandas as pd
import yfinance as yf
import datetime
# Define the ticker symbols
tickers = ['NVDA', 'TSLA']
# Define the date range
start_date = '2024-01-01'
end_date = datetime.datetime.now().strftime('%Y-%m-%d')
# Download the stock data
data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
# Calculate the daily returns
returns = data.pct_change().dropna()
# Plot the cumulative returns
cumulative_returns = (1 + returns).cumprod()
plt.figure(figsize=(10, 6))
plt.plot(cumulative_returns)
plt.title('Cumulative Returns of NVIDIA and TESLA (2024)')
plt.xlabel('Date')
plt.ylabel('Cumulative Returns')
plt.legend(tickers)
plt.grid(True)
# Save the plot to a file
plt.savefig('nvidia_tesla_cumulative_returns_2024.png')
```
这样应该可以正常生成并保存图表。
--------------------------------------------------------------------------------
执行器机器人输出:
/workspace/tmp_code_6f3b74dcd4e1a50ffe6ced3bf4479af024e389d9fadb7f8cd605fd0d2e7e24b6.python:14: FutureWarning: YF.download() has changed argument auto_adjust default to True
data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
Failed to get ticker 'NVDA' reason: Failed to perform, curl: (35) TLS connect error: error:00000000:invalid library (0):OPENSSL_internal:invalid library (0). See https://curl.se/libcurl/c/libcurl-errors.html first for more details.
[*********************100%***********************] 1 of 2 completed
1 Failed download:
['NVDA']: SSLError('Failed to perform, curl: (35) TLS connect error: error:00000000:invalid library (0):OPENSSL_internal:invalid library (0). See https://curl.se/libcurl/c/libcurl-errors.html first for more details.')
[*********************100%***********************] 1 of 2 completed/workspace/tmp_code_6f3b74dcd4e1a50ffe6ced3bf4479af024e389d9fadb7f8cd605fd0d2e7e24b6.python:17: FutureWarning: The default fill_method='pad' in DataFrame.pct_change is deprecated and will be removed in a future version. Either fill in any non-leading NA values prior to calling pct_change or specify 'fill_method=None' to not fill NA values.
returns = data.pct_change().dropna()
--------------------------------------------------------------------------------
助手机器人输出:
要解决这个问题，请尝试以下步骤：
1. **检查网络连接和DNS设置**： 确保你所在的环境能够访问互联网并且DNS配置正确，可能存在网络阻塞或者DNS解析问题导致你无法访问Yahoo Finance的服务器。
2. **更新OpenSSL和cURL**：确认系统上的OpenSSL和cURL是最新的，因为它们负责处理SSL/TLS连接。在一些环境中，过旧的版本可能没有支持最新的TLS协议。
3. **更新Python环境**：有时问题可能与Python版本或相关库不兼容有关。尝试更新Python和相关的包。
4. **考虑代理配置**：如果你在一个需要代理访问互联网的环境中，确保代理配置已经正确设置。
如果你在上述情况都验证无误后仍然没有解决问题，你也可以使用以下脚本，通过手动导入数据文件的形式运行此代码：
```python
import matplotlib.pyplot as plt
import pandas as pd
import datetime
# Sample data for demonstration (normally you would replace this with reading data from a file)
data = {
'Date': pd.date_range(start='2024-01-01', periods=60, freq='D'),
'NVDA': [420, 430, 435, 440, 438, 434, 450, 455, 460, 465, 470, 475, 465, 460, 470, 480, 485, 490, 495, 500,
505, 510, 515, 520, 525, 530, 535, 540, 545, 550, 555, 560, 565, 570, 575, 580, 585, 590, 595, 600,
605, 610, 615, 620, 625, 630, 635, 640, 645, 650, 655, 660, 665, 670, 675, 680, 685, 690, 695, 700],
'TSLA': [750, 760, 755, 765, 770, 780, 790, 785, 800, 810, 820, 815, 825, 830, 835, 840, 845, 850, 840, 830,
845, 855, 860, 870, 880, 890, 900, 905, 910, 920, 925, 930, 935, 940, 945, 950, 960, 970, 975, 980,
985, 990, 995, 1000, 1005, 1010, 1015, 1020, 1025, 1030, 1035, 1040, 1045, 1050, 1060, 1070, 1080, 1085, 1090, 1100]
}
df = pd.DataFrame(data).set_index('Date')
# Calculate the daily returns
returns = df.pct_change().dropna()
# Plot the cumulative returns
cumulative_returns = (1 + returns).cumprod()
plt.figure(figsize=(10, 6))
plt.plot(cumulative_returns)
plt.title('Cumulative Returns of NVIDIA and TESLA (2024)')
plt.xlabel('Date')
plt.ylabel('Cumulative Returns')
plt.legend(['NVDA', 'TSLA'])
plt.grid(True)
# Save the plot to a file
plt.savefig('nvidia_tesla_cumulative_returns_2024.png')
```
以上代码用了样例数据来展示绘制图形的结果。如果你能够获得正确的股票数据，可以替换掉`data`中的值。希望这能帮助到你。
--------------------------------------------------------------------------------
执行器机器人输出:
--------------------------------------------------------------------------------
助手机器人输出:
It seems there may have been a misunderstanding or a continuation from a previous conversation is expected. Could you please clarify how I may assist you further? If you are facing issues executing code or need more information on how to handle stock data, feel free to provide more details.
从代理的输出中，我们可以看到特斯拉和英伟达的股票收益图已经创建。
from IPython.display import Image
Image(filename=f"{work_dir}/nvidia_tesla_cumulative_returns_2024.png")
AutoGen 还支持分布式代理运行时，它可以托管在不同进程或机器上运行的代理，具有不同的身份、语言和依赖关系。
要了解如何使用代理运行时、通信、消息处理和订阅，请继续阅读本快速入门之后的部分。
work_dir
'/var/folders/s2/nbjmvv9j47qgsr9jcf9kn4gw0000gn/T/tmp03dgc8y9'
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
