Agently开发框架的使用教程

官方文档:[Agently中文官网](http://www.agently.cn/),包含最新的模型切换、AgenticRequest、Workflow等教程文档。
GitHub项目:[Agently GitHub](https://github.com/AgentEra/Agently),可以查看项目的源代码和示例。

Agently开发框架的使用教程:

安装

在终端命令行中执行以下命令来安装Agently:

pip install -U Agently

基础使用示例

以下是一个简单的示例,展示如何使用Agently创建一个AI代理并进行交互:

import Agently

# 创建一个Agent实例
agent = Agently.create_agent()

# 设置当前使用的模型为OpenAI
agent.set_settings("current_model", "OpenAI")

# 设置OpenAI模型的认证信息
agent.set_settings("model.OpenAI.auth", { "api_key": "你的OpenAI API密钥" })

# 向代理发送输入请求并获取结果
result = agent.input("Give me 3 words").output([("String", "one word")]).start()
print(result)

高级功能示例

1. 模型切换

Agently支持多种主流模型的无感切换,可以根据需要轻松更改模型而

### MCP 定制 Agent 开发框架 Model Context Protocol (MCP) 是一种标准化的通信与上下文交换协议,旨在为 AI Agent 提供高效的外部工具访问能力[^2]。为了支持 MCP 的实现和应用,一些开发框架应运而生,这些框架提供了对 MCP 的原生支持或扩展支持,使得开发者能够更轻松地构建基于 MCP 的智能体。 以下是一些为 MCP 定制的 Agent 开发框架: #### 1. **Agently** Agently 是一个支持 MCP 的开源框架,专注于简化 Agent 的开发过程[^4]。它允许开发者通过简单的配置快速创建和管理多个 Agent 实例,并且支持多种大语言模型(LLM)作为后端推理引擎。Agently 提供了丰富的 API 和工具集,帮助开发者集成外部工具和服务。 - **特点**: - 支持动态调整 Agent 的决策深度。 - 提供灵活的设置项,例如模型选择、API 密钥管理和 URL 配置。 - 内置对 MCP 的支持,便于与外部工具进行交互。 - **代码示例**: ```python from agently import Agently, OAIClient # 创建 Agent 工厂实例 agent_factory = ( Agently.AgentFactory() .set_settings("current_model", "OAIClient") .set_settings("model.OAIClient.auth", {"api_key": "your_api_key"}) .set_settings("model.OAIClient.url", "http://example.com/v1") .set_settings("model.OAIClient.options", {"model": "deepseek-v3"}) ) # 创建 Agent 实例 agent = agent_factory.create_agent() # 执行任务 response = agent.run_task("What is the capital of France?") print(response) ``` #### 2. **LangChain** LangChain 是一个流行的 Agent 开发框架,支持多种协议和工具集成,包括 MCP[^1]。它提供了一个模块化的架构,使得开发者可以轻松地组合不同的组件来构建复杂的 Agent 系统。 - **特点**: - 支持混合架构,可以根据任务复杂度动态调整推理深度。 - 提供丰富的工具库,方便与外部系统集成。 - 内置对 MCP 的支持,简化了上下文交换和通信的过程。 - **代码示例**: ```python from langchain.agents import initialize_agent, Tool from langchain.tools import BaseTool from langchain.llms import OpenAI class MCPTool(BaseTool): name = "mcp_tool" description = "A tool that uses MCP for external data access." def _run(self, query: str): # 模拟 MCP 数据访问 return f"Data accessed via MCP for query: {query}" llm = OpenAI(temperature=0) tools = [MCPTool()] agent = initialize_agent(tools, llm, agent="zero-shot-react-description") result = agent.run("What is the weather like today?") print(result) ``` #### 3. **AutoGen** AutoGen 是另一个支持 MCP 的框架,专注于自动化生成和执行复杂任务[^1]。它通过规则引擎和符号逻辑驱动 Agent 的决策过程,适合处理需要深层次推理的任务。 - **特点**: - 提供强大的规则引擎,支持复杂的符号逻辑推理。 - 支持动态任务分解和分配。 - 内置对 MCP 的支持,便于与外部工具和服务集成。 - **代码示例**: ```python from autogen import AssistantAgent, UserProxyAgent assistant = AssistantAgent( name="assistant", llm_config={"request_timeout": 600, "seed": 42}, system_message="You are a helpful assistant.", ) user_proxy = UserProxyAgent( name="user_proxy", human_input_mode="TERMINATE", max_consecutive_auto_reply=10, is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("Goodbye!"), ) user_proxy.initiate_chat( assistant, message="What is the current stock price of Apple?", ) ``` ###
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
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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