构建你的第一个代理¶
在 EvoAgentX 中，代理是设计用来自主完成特定任务的智能组件。本教程将引导你了解在 EvoAgentX 中创建和使用代理的基本概念：
- 使用 CustomizeAgent 创建简单代理：学习如何使用自定义提示创建基本代理
- 使用多个动作：创建可以执行多个任务的更复杂的代理
- 保存和加载代理：学习如何保存和加载你的代理
通过本教程，你将能够创建简单和复杂的代理，了解它们如何处理输入和输出，以及如何在项目中保存和重用它们。
1. 使用 CustomizeAgent 创建简单代理¶
创建代理最简单的方法是使用 CustomizeAgent，它允许你快速定义一个具有特定提示的代理。
首先，让我们导入必要的组件并设置 LLM：
import os
from dotenv import load_dotenv
from evoagentx.models import OpenAILLMConfig
from evoagentx.agents import CustomizeAgent
load_dotenv()
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
# Configure LLM
openai_config = OpenAILLMConfig(
model="gpt-4o-mini",
openai_key=OPENAI_API_KEY,
stream=True
)
现在，让我们创建一个打印 hello world 的简单代理。有两种方法可以创建 CustomizeAgent：
方法 1：直接初始化¶
你可以直接使用 CustomizeAgent 类初始化代理：
first_agent = CustomizeAgent(
name="FirstAgent",
description="A simple agent that prints hello world",
prompt="Print 'hello world'",
llm_config=openai_config # specify the LLM configuration
)
方法 2：从字典创建¶
你也可以通过定义字典中的配置来创建代理：
agent_data = {
"name": "FirstAgent",
"description": "A simple agent that prints hello world",
"prompt": "Print 'hello world'",
"llm_config": openai_config
}
first_agent = CustomizeAgent.from_dict(agent_data) # use .from_dict() to create an agent.
使用代理¶
创建完成后，你可以使用代理来打印 hello world。
# Execute the agent without input. The agent will return a Message object containing the results.
message = first_agent()
print(f"Response from {first_agent.name}:")
print(message.content.content) # the content of a Message object is a LLMOutputParser object, where the `content` attribute is the raw LLM output.
有关完整示例，请参考 CustomizeAgent 示例。
CustomizeAgent 还提供其他功能，包括结构化输入/输出和多种解析策略。有关详细信息，请参阅 CustomizeAgent 文档。
2. 创建具有多个动作的代理¶
在 EvoAgentX 中，你可以创建一个具有多个预定义动作的代理。这允许你构建可以执行多个任务的更复杂的代理。以下是一个示例，展示如何创建一个具有 TestCodeGeneration 和 TestCodeReview 动作的代理：
定义动作¶
首先，我们需要定义动作，它们是 Action 的子类：
from evoagentx.agents import Agent
from evoagentx.actions import Action, ActionInput, ActionOutput
# Define the CodeGeneration action inputs
class TestCodeGenerationInput(ActionInput):
requirement: str = Field(description="The requirement for the code generation")
# Define the CodeGeneration action outputs
class TestCodeGenerationOutput(ActionOutput):
code: str = Field(description="The generated code")
# Define the CodeGeneration action
class TestCodeGeneration(Action):
def __init__(
self,
name: str="TestCodeGeneration",
description: str="Generate code based on requirements",
prompt: str="Generate code based on requirements: {requirement}",
inputs_format: ActionInput=None,
outputs_format: ActionOutput=None,
**kwargs
):
inputs_format = inputs_format or TestCodeGenerationInput
outputs_format = outputs_format or TestCodeGenerationOutput
super().__init__(
name=name,
description=description,
prompt=prompt,
inputs_format=inputs_format,
outputs_format=outputs_format,
**kwargs
)
def execute(self, llm: Optional[BaseLLM] = None, inputs: Optional[dict] = None, sys_msg: Optional[str]=None, return_prompt: bool = False, **kwargs) -> TestCodeGenerationOutput:
action_input_attrs = self.inputs_format.get_attrs() # obtain the attributes of the action input
action_input_data = {attr: inputs.get(attr, "undefined") for attr in action_input_attrs}
prompt = self.prompt.format(**action_input_data) # format the prompt with the action input data
output = llm.generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="str" # specify how to parse the output
)
if return_prompt:
return output, prompt
return output
# Define the CodeReview action inputs
class TestCodeReviewInput(ActionInput):
code: str = Field(description="The code to be reviewed")
requirements: str = Field(description="The requirements for the code review")
# Define the CodeReview action outputs
class TestCodeReviewOutput(ActionOutput):
review: str = Field(description="The review of the code")
# Define the CodeReview action
class TestCodeReview(Action):
def __init__(
self,
name: str="TestCodeReview",
description: str="Review the code based on requirements",
prompt: str="Review the following code based on the requirements:\n\nRequirements: {requirements}\n\nCode:\n{code}. You should output a JSON object with the following fields: 'review'.",
inputs_format: ActionInput=None,
outputs_format: ActionOutput=None,
**kwargs
):
inputs_format = inputs_format or TestCodeReviewInput
outputs_format = outputs_format or TestCodeReviewOutput
super().__init__(
name=name,
description=description,
prompt=prompt,
inputs_format=inputs_format,
outputs_format=outputs_format,
**kwargs
)
def execute(self, llm: Optional[BaseLLM] = None, inputs: Optional[dict] = None, sys_msg: Optional[str]=None, return_prompt: bool = False, **kwargs) -> TestCodeReviewOutput:
action_input_attrs = self.inputs_format.get_attrs()
action_input_data = {attr: inputs.get(attr, "undefined") for attr in action_input_attrs}
prompt = self.prompt.format(**action_input_data)
output = llm.generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="json" # specify how to parse the output
)
if return_prompt:
return output, prompt
return output
从上面的示例中，我们可以看到，为了定义一个动作，我们需要：
- 使用
ActionInput和ActionOutput类定义动作的输入和输出 - 创建一个继承自
Action的动作类 - 实现
execute方法，该方法使用动作输入数据格式化提示，并使用 LLM 生成输出，并通过parse_mode指定如何解析输出。
定义代理¶
一旦我们定义了动作，我们就可以通过将动作添加到代理中来创建代理：
# Initialize the LLM
openai_config = OpenAILLMConfig(model="gpt-4o-mini", openai_key=os.getenv("OPENAI_API_KEY"))
# Define the agent
developer = Agent(
name="Developer",
description="A developer who can write code and review code",
actions=[TestCodeGeneration(), TestCodeReview()],
llm_config=openai_config
)
执行不同的动作¶
一旦你创建了一个具有多个动作的代理，你可以执行特定的动作：
# List all available actions on the agent
actions = developer.get_all_actions()
print(f"Available actions of agent {developer.name}:")
for action in actions:
print(f"- {action.name}: {action.description}")
# Generate some code using the CodeGeneration action
generation_result = developer.execute(
action_name="TestCodeGeneration", # specify the action name
action_input_data={
"requirement": "Write a function that returns the sum of two numbers"
}
)
# Access the generated code
generated_code = generation_result.content.code
print("Generated code:")
print(generated_code)
# Review the generated code using the CodeReview action
review_result = developer.execute(
action_name="TestCodeReview",
action_input_data={
"requirements": "Write a function that returns the sum of two numbers",
"code": generated_code
}
)
# Access the review results
review = review_result.content.review
print("\nReview:")
print(review)
这个示例演示了如何： 1. 列出代理上可用的所有动作 2. 使用 TestCodeGeneration 动作生成代码 3. 使用 TestCodeReview 动作审查生成的代码 4. 访问每个动作执行的结果
有关完整的工作示例，请参考 Agent 示例。
3. 保存和加载代理¶
你可以将代理保存到文件并在稍后加载它：