91久久国产露脸精品,色橹橹欧美在线观看高清视频,91精品国产免费久久

Qwen-Agent 是阿里通義推出的開源 AI Agent 開發框架，旨在幫助開發者構建具有多種智能能力的應用。該框架依托于通義千問模型，支持指令遵循、工具使用、記憶能力以及復雜的多代理框架架構。Qwen-Agent 的設計使其能夠處理超大規模的文檔，支持從 8K 到 100 萬 tokens 的文本處理能力。因此，它在長上下文處理和智能代理應用中展現出了顯著的優勢。

Qwen-Agent 的功能特性

Qwen-Agent 提供了一系列強大的功能特性，使其在智能代理開發中獨具優勢。

指令遵循

Qwen-Agent 能夠理解并執行用戶的指令，通過自然語言處理技術，它能準確解析指令意圖并做出相應的響應。這一能力使其在客戶服務、個人助手等場景中大顯身手。

工具使用

框架支持智能體調用外部工具完成任務。例如，Qwen-Agent 可以集成 API 或外部程序來擴展其功能，提供更為全面的服務。

記憶能力

Qwen-Agent 具備記憶上下文的能力，能夠在對話中保持狀態。這使得它在復雜的對話場景中能夠提供連續性的用戶體驗。

技術原理與架構

Qwen-Agent 的技術基礎是大型預訓練語言模型（LLM），如 Qwen 模型。它集成了豐富的工具，并通過智能代理架構實現了高度的可擴展性。

大語言模型（LLM）

大語言模型是 Qwen-Agent 的核心，負責處理復雜的語言任務。通過預訓練，Qwen 模型能夠理解和生成豐富的文本內容。

工具集成與智能代理架構

智能代理架構允許開發者通過繼承 Agent 類實現具體的應用邏輯，結合集成的各種工具，Qwen-Agent 能夠高效地處理任務。

RAG 算法

RAG（檢索增強生成）算法用于處理長文檔，將文檔分割成小塊并保留最相關的部分，從而提升上下文處理能力。

Qwen-Agent 的應用場景

Qwen-Agent 廣泛應用于客戶服務、教育學習、內容創作和數據分析等場景。

客戶服務

在客戶服務中，Qwen-Agent 可用作智能客服，處理客戶查詢、提供即時信息。

教育與學習

在教育領域，Qwen-Agent 能夠為學生提供個性化學習建議，回答問題并提供知識拓展。

內容創作與數據分析

Qwen-Agent 支持內容創作，通過生成文本內容和分析數據，為創作者和分析師提供支持。

如何運行 Qwen-Agent

安裝

安裝 Qwen-Agent 非常簡單，可以通過 pip 命令快速完成：

pip install -U "qwen-agent[gui,rag,code_interpreter,python_executor]"

開發自定義 Agent

以下是如何創建一個自定義 Agent 的示例，該 Agent 能夠讀取 PDF 文件并使用工具生成圖像 URL：

import pprint

import urllib.parse

import json5

from qwen_agent.agents import Assistant

from qwen_agent.tools.base import BaseTool, register_tool



@register_tool('my_image_gen')

class MyImageGen(BaseTool):

    description = 'AI 繪畫（圖像生成）服務，輸入文本描述，返回基于文本信息繪制的圖像 URL。'

    parameters = [{

        'name': 'prompt',

        'type': 'string',

        'description': '所需圖像內容的詳細描述，使用英文',

        'required': True

    }]



    def call(self, params: str, **kwargs) -> str:

        prompt = json5.loads(params)['prompt']

        prompt = urllib.parse.quote(prompt)

        return json5.dumps(

            {'image_url': f'https://image.pollinations.ai/prompt/{prompt}'},

            ensure_ascii=False)



llm_cfg = {

    'model': 'qwen-max',

    'model_server': 'dashscope',

    'generate_cfg': {

        'top_p': 0.8

    }

}



system_instruction = '''你是一個有用的助手。在收到用戶的請求后，你應該：- 首先繪制圖像并獲取圖像 URL，- 然后運行代碼 request.get(image_url) 下載圖像，- 最后從給定的文檔中選擇一個圖像操作來處理圖像。請使用 plt.show() 顯示圖像。'''

bot = Assistant(llm=llm_cfg, system_message=system_instruction, function_list=['my_image_gen', 'code_interpreter'], files=['./examples/resource/doc.pdf'])

messages = []
while True:
    query = input('用戶查詢: ')
    messages.append({'role': 'user', 'content': query})
    response = []
    for response in bot.run(messages=messages):
        print('助手響應:')
        pprint.pprint(response, indent=2)
    messages.extend(response)