个人随笔
目录
Agent学习(6):Qwen-Agent 使用
2026-02-04 20:34:41

Qwen-Agent 是阿里通义千问团队开源的基于 Qwen 大语言模型的 Agent 开发框架，为开发者提供构建具备指令遵循、工具调用、任务规划与记忆管理能力的 AI 智能体应用的完整能力栈，也是 Qwen Chat 的后端支撑框架。

之前我们用LangChain搭建了一个简单的RAG例子，下面用Qwen-Agent来搭建RAG，这里举了两个例子。

1、环境安装

这里用conda新建一个环境

  1. conda create -n qwen-agent python=3.11
  2. conda activate qwen-agent

然后安装依赖

  1. pip install -U "qwen-agent[rag,code_interpreter,gui,mcp]"

或者，使用 pip install -U qwen-agent 来安装最小依赖。

  1. 可使用双括号指定如下的可选依赖：
  2. [gui] 用于提供基于 Gradio 的 GUI 支持；
  3. [rag] 用于支持 RAG；
  4. [code_interpreter] 用于提供代码解释器相关支持；
  5. [mcp] 用于支持 MCP。

这里只是简单使用，就直接安装全部依赖了。

2、例子1：简单的使用

  1. import logging
  2. import io
  3. import os
  4. from qwen_agent.agents import Assistant
  6. # 创建一个自定义的日志处理器来捕获日志输出
  7. class LogCapture:
  8.     def __init__(self):
  9.         self.log_capture_string = io.StringIO()
  10.         self.log_handler = logging.StreamHandler(self.log_capture_string)
  11.         self.log_handler.setLevel(logging.INFO)
  12.         self.log_formatter = logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')
  13.         self.log_handler.setFormatter(self.log_formatter)
  15.         # 获取 qwen_agent 的日志记录器
  16.         self.logger = logging.getLogger('qwen_agent_logger')
  17.         self.logger.setLevel(logging.INFO)
  18.         self.logger.addHandler(self.log_handler)
  20.         # 也可以捕获根日志记录器的输出
  21.         self.root_logger = logging.getLogger()
  22.         self.root_logger.setLevel(logging.INFO)
  23.         self.root_logger.addHandler(self.log_handler)
  25.     def get_log(self):
  26.         return self.log_capture_string.getvalue()
  28.     def clear_log(self):
  29.         self.log_capture_string.truncate(0)
  30.         self.log_capture_string.seek(0)
  32. # 初始化日志捕获器
  33. log_capture = LogCapture()
  35. # 步骤 1：配置您所使用的 LLM。
  36. llm_cfg = {
  37.     # 使用 DashScope 提供的模型服务：
  38.     'model': 'qwen-max',
  39.     'model_server': 'dashscope',
  40.     'api_key': os.getenv("DASHSCOPE_API_KEY"),
  41.     'generate_cfg': {
  42.         'top_p': 0.8
  43.     }
  44. }
  46. # 步骤 2：创建一个智能体。这里我们以 `Assistant` 智能体为例，它能够使用工具并读取文件。
  47. system_instruction = ''
  48. tools = []
  49. files = ['G:\\AI\\workspace\\vscode\\202601\\123.pdf']  # 给智能体一个 PDF 文件阅读。
  51. # 清除之前的日志
  52. log_capture.clear_log()
  54. # 创建智能体
  55. bot = Assistant(llm=llm_cfg,
  56.                 system_message=system_instruction,
  57.                 function_list=tools,
  58.                 files=files)
  60. # 步骤 3：作为聊天机器人运行智能体。
  61. messages = []  # 这里储存聊天历史。
  62. query = "客户经理被客户投诉一次，扣多少分？"
  63. # 将用户请求添加到聊天历史。
  64. messages.append({'role': 'user', 'content': query})
  65. response = []
  66. current_index = 0
  68. # 运行智能体
  69. for response in bot.run(messages=messages):
  70.     # 在第一次响应时，分析日志以查找召回的文档内容
  71.     if current_index == 0:
  72.         # 获取日志内容
  73.         log_content = log_capture.get_log()
  75.         print("\n===== 从日志中提取的检索信息 =====")
  76.         # 查找与检索相关的日志行
  77.         retrieval_logs = [line for line in log_content.split('\n') 
  78.                          if any(keyword in line.lower() for keyword in 
  79.                                ['retriev', 'search', 'chunk', 'document', 'ref', 'token'])]
  81.         # 打印检索相关的日志
  82.         for log_line in retrieval_logs:
  83.             print(log_line)
  85.         # 尝试从日志中提取文档内容
  86.         # 通常在日志中会有类似 "retrieved document: ..." 或 "content: ..." 的行
  87.         content_logs = [line for line in log_content.split('\n') 
  88.                        if any(keyword in line.lower() for keyword in 
  89.                              ['content', 'text', 'document', 'chunk'])]
  91.         print("\n===== 可能包含文档内容的日志 =====")
  92.         for log_line in content_logs:
  93.             print(log_line)
  95.         print("===========================\n")
  97.     current_response = response[0]['content'][current_index:]
  98.     current_index = len(response[0]['content'])
  99.     print(current_response, end='')
  101. # 将机器人的回应添加到聊天历史。
  102. messages.extend(response)
  104. # 运行结束后，分析完整的日志
  105. print("\n\n===== 运行结束后的完整日志分析 =====")
  106. log_content = log_capture.get_log()
  108. # 尝试从日志中提取更多信息
  109. print("\n1. 关键词提取:")
  110. keyword_logs = [line for line in log_content.split('\n') if 'keywords' in line.lower()]
  111. for log_line in keyword_logs:
  112.     print(log_line)
  114. print("\n2. 文档处理:")
  115. doc_logs = [line for line in log_content.split('\n') if 'doc' in line.lower() or 'chunk' in line.lower()]
  116. for log_line in doc_logs:
  117.     print(log_line)
  119. print("\n3. 检索相关:")
  120. retrieval_logs = [line for line in log_content.split('\n') if 'retriev' in line.lower() or 'search' in line.lower() or 'ref' in line.lower()]
  121. for log_line in retrieval_logs:
  122.     print(log_line)
  124. print("\n4. 可能包含文档内容的日志:")
  125. content_logs = [line for line in log_content.split('\n') if 'content:' in line.lower() or 'text:' in line.lower()]
  126. for log_line in content_logs:
  127.     print(log_line)
  129. print("===========================\n")

3、例子2:RAG助手

  1. import logging
  2. import io
  3. import os
  4. from qwen_agent.agents import Assistant
  6. def get_file_list(folder_path):
  7.     # 初始化文件列表
  8.     file_list = []
  10.     # 遍历文件夹
  11.     for root, dirs, files in os.walk(folder_path):
  12.         for file in files:
  13.             # 获取文件的完整路径
  14.             file_path = os.path.join(root, file)
  15.             # 将文件路径添加到列表中
  16.             file_list.append(file_path)
  17.     return file_list
  20. # 步骤 2：创建一个智能体。这里我们以 `Assistant` 智能体为例，它能够使用工具并读取文件。
  21. system_instruction = ''
  22. tools = []
  23. file_list = get_file_list('G:\\Video\\电影\\聚客第6期\\L1\\4_RAG高级技术\\第3章_RAG高级技术\\docs')
  24. print(file_list)
  27. # 步骤 1：配置您所使用的 LLM
  28. llm_cfg = {
  29.     # 使用 DashScope 提供的模型服务：
  30.     'model': 'qwen-max',
  31.     'model_server': 'dashscope',
  32.     'api_key': os.getenv('DASHSCOPE_API_KEY'),
  33.     # 如果这里没有设置 'api_key'，它将读取 `DASHSCOPE_API_KEY` 环境变量。
  35.     # 使用与 OpenAI API 兼容的模型服务，例如 vLLM 或 Ollama：
  36.     # 'model': 'Qwen2-7B-Chat',
  37.     # 'model_server': 'http://localhost:8000/v1',  # base_url，也称为 api_base
  38.     # 'api_key': 'EMPTY',
  39.     # （可选） LLM 的超参数：
  40.     'generate_cfg': {
  41.         'top_p': 0.8
  42.     }
  43. }
  45. # 步骤 2：创建一个智能体。这里我们以 `Assistant` 智能体为例，它能够使用工具并读取文件。
  46. system_instruction = '你是一位保险专家，根据你的经验来精准的回答用户提出的问题'
  48. tools = []
  50. bot = Assistant(llm=llm_cfg,
  51.                 system_message=system_instruction,
  52.                 function_list=tools,
  53.                 files=file_list)
  55. # 步骤 3：作为聊天机器人运行智能体。
  56. messages = []  # 这里储存聊天历史。
  57. while True:
  58.     query = input('用户请求: ')
  59.     if query == '-1':
  60.         break
  61.     # 将用户请求添加到聊天历史。
  62.     messages.append({'role': 'user', 'content': query})
  63.     response = []
  64.     current_index = 0
  65.     for response in bot.run(messages=messages):
  66.         # 流式输出
  67.         current_response = response[0]['content'][current_index:]
  68.         current_index = len(response[0]['content'])
  69.         print(current_response, end='')
  70.     # 将机器人的回应添加到聊天历史。
  71.     messages.extend(response)
 4

啊！这个可能是世界上最丑的留言输入框功能~


当然，也是最丑的留言列表

有疑问发邮件到 : suibibk@qq.com 侵权立删
Copyright : 个人随笔   备案号 : 粤ICP备18099399号-2