wow-agent体验task2

第04课-用Llama-index创建Agent

• 核心概念：介绍了ReActAgent框架，它通过结合推理和行动创建动态的LLM Agent，使LLM模型能在复杂环境中交替进行推理和行动步骤来高效执行任务，形成闭环，直至完成任务。

• 代码实现：

  • 准备环境：加载环境变量，读取api_key等配置信息。
  • 构建llm：自定义OurLLM类继承自CustomLLM，实现complete和stream_complete方法，用于生成文本回答。
  • 测试llm：通过调用stream_complete方法测试llm能否正常工作。
  • 创建ReActAgent：定义工具函数multiply和add，并将其放入FunctionTool对象中，创建ReActAgent实例，通过调用chat方法让agent使用自定义函数完成算术题计算。
  • 扩展功能：为agent添加查询天气的get_weather方法，创建weather_tool并加入agent，使其能回答天气相关问题。

• 应用场景：ReActAgent可将业务自动向代码转换，适用于多种业务场景，且符合软件解耦设计原则，不同Agent可完成不同任务并相互交互。

第07课-搜索引擎Agent

• 准备工作：加载环境变量，读取api_key等配置信息，包括WOWRAG_API_KEY、base_url、chat_model和emb_model。

• 构建llm：

  • 自定义OurLLM类继承自CustomLLM，实现complete和stream_complete方法，用于生成文本回答。
  • 通过OpenAI客户端，使用指定的api_key和base_url进行初始化，并调用模型生成回答。

• 测试llm：调用stream_complete方法测试llm，输出“我是一个人工智能助手，名叫 ChatGLM，是基于清华大学 KEG 实验室和智谱 AI 公司于 2024 年共同训练的语言模型开发的。我的任务是针对用户的问题和要求提供适当的答复和支持。”

• 定义搜索工具：

  • 使用BOCHA_API_KEY调用Bocha Web Search API进行联网搜索。
  • 定义bocha_web_search_tool函数，传入搜索关键词和返回结果数量，通过post请求获取搜索结果，并返回格式化的搜索结果文本。
  • 将bocha_web_search_tool函数封装为FunctionTool对象。

• 创建ReActAgent：使用search_tool和自定义的llm创建ReActAgent实例。

• 测试Agent：通过调用agent.chat方法，传入查询内容“阿里巴巴2024年的ESG报告主要讲了哪些内容？”，Agent利用搜索工具获取信息并生成回答，回答内容涵盖了阿里巴巴在可持续发展、环境、社会责任和治理等方面的进展和成就。