读 autoGen 源码，从零写一个的 Agent(1)

目标

实现一个能够落地的 Agent 框架，让 Office 变成无人区，从而 LLM 通过信息化系统走进企业，为企业降本增效。

不过这里还是要说一下，因为 LLM 现在的自由度还是有限，而且调用想 chatGPT 这样 LLM 还存在消耗 token 成本的问题。所以应用场景还是受到一定局限性，这里先从可以应用的场景让 LLM 的 Agent 切入业务，完成一些特定任务。所以首先落地领域可能是熟悉编程领域，从写一个小的不依赖任何库小项目到可以完成大型的项目，这些看似简单，其实要让 Agent 可以自主地去完成相对复杂的任务还是有很长路要走。

今天我们就开始参考 AutoGen 来一步一步设计我们 Agent

视频内容概要

在视频里主要做了几件事，首先是读懂 AutoGen 的源码，按照 AutoGen 框架逐步搭建起一个基础 aGent 框架，开发过程是测试驱动开发。首先去实现

code_utils.py 这个模块，其中包括获取文本

• infer_lang 推理代码的语言
• content_str 从单个 LLM 或者多个 LLM 返回内容中获取文本
• execute_code 从文本中抽取代码

花絮

def infer_lang(code):
    """infer the language for the code.
    TODO: make it robust.

看到 TODO 就比较兴奋，是不是可以尝试在这里让 infer_lang 支持更多的语言

# TODO: In the future move, to better support https://spec.commonmark.org/0.30/#fenced-code-blocks
#       perhaps by using a full Markdown parser.

def execute_code(
    code: Optional[str] = None,
    timeout: Optional[int] = None,
    filename: Optional[str] = None,
    work_dir: Optional[str] = None,
    use_docker: Optional[Union[List[str], str, bool]] = None,
    lang: Optional[str] = "python",
) -> Tuple[int, str, str]:
    """Execute code in a docker container.
    This function is not tested on MacOS.

看到 This function is not tested on MacOS 看到这句话突然想到一个好方法，就是将方法提取出来，回去在我的 Mac 跑一个测试。