02_规范AutoGen写法

前景

在上一篇文章里面我们是把所有的代码都写到了一起，美观性和后续迭代性较差，因此我们需要对上述代码拆分

env文件

首先是配置.env文件写入我们需要的值，如MODEL,BASE_URL,API_KEY等示例

代码如下

API_KEY=****
MODEL=gpt-5-nano
BASE_URL=https://api.openai.com/v1 #注意在env文件配置的数据都需要大写

model文件

代码如下

from autogen_ext.models.openai import OpenAIChatCompletionClient
from dotenv import load_dotenv
import os

load_dotenv()#加载.env文件方便后续读取


def get_model_client():
    return OpenAIChatCompletionClient(
        model=os.getenv("MODEL"),
        base_url=os.getenv("BASE_URL"),
        api_key=os.getenv("API_KEY"),
    )


model_client = get_model_client() #单例模式，统一调用好管理

在model文件里我们总共是进行了几件事

1. 使用load_dotenv()方法加载.env文件方便后续读取
2. 实例化OpenAIChatCompletionClient创建模型
3. 统一使用单例模式，方便好管理后续数据

agent文件

agent文件总共有2个点 分别是流式输出和非流式输出

1. 流式输出

   代码如下

   import asyncio
   from autogen_agentchat.agents import AssistantAgent
   from ai_example2.ai_client import client
   
   ag = AssistantAgent(
       name="AssistantAgent",
       model_client=client,
       description="严谨的数学家",
       system_message="你是一个严谨的数学家",
      
   )
   
   # 非流式输出
   async def run():
       result = await ag.run(
           task="告诉我1+2+3+4+5+6是多少"
       )
       print(result)
       
   # 执行调用
   if __name__ == "__main__":
       asyncio.run(run())
   
   

   输出结果

可以看到结果是整体输出的，如果返回的数据很多，那么前端也会就会等待很久，所以这个方式我们基本不会用

2. 非流式输出

   代码如下

   
   import asyncio
   
   from autogen_agentchat.agents import AssistantAgent
   from autogen_agentchat.messages import ModelClientStreamingChunkEvent
   
   from ai_example2.ai_client import client
   
   ag = AssistantAgent(
       name="AssistantAgent",
       model_client=client,
       description="严谨的数学家",
       system_message="你是一个严谨的数学家",
       model_client_stream=True #流式输出配置项开关
   )
   
   
   
   
   # 流式输出
   
   async def stream_run_ag():
       result = ag.run_stream(
           task="告诉我1+2+3+4+5+6是多少"
       )
       async for msg in result: #
           if isinstance(msg, ModelClientStreamingChunkEvent):
               print(msg.content)
   # 执行调用
   if __name__ == "__main__":
       asyncio.run(stream_run_ag())
   

   代码解释

   首先我们在AssistantAgent配置了一个流式输出的开关即model_client_stream=True 接着定义了一个执行方法，主要功能是执行ag.run_stream方法，这个方法的返回值是一个async generate，即协程生成器，(协程生成器遍历需要用async for，且for循环内部无需再写await，这个是python语法的规定，)

然后先在if上面打印一下msg发现得到的数据是

整体的返回结果是切割成了一个字一个字的返回，但是我们只需要type为ModelClientStreamingChunkEvent的content数据，所以就有了如下代码进行判断

if isinstance(msg, ModelClientStreamingChunkEvent):
   print(msg.content)

所以最终结果就是

完整项目结构