学习跑通一个agent+llm的demo

<think>我们正在讨论如何运行一个结合Agent和LLM的示例。根据引用[2]，我们知道Multi-Agent系统是当前的一个研究方向，其中提到了Stanford Town和MetaGPT等案例。因此，我们可以参考这些项目来构建一个简单的示例。 由于用户希望“跑通”一个示例，我们需要提供一个具体的、可操作的步骤。考虑到用户可能希望快速上手，我们选择使用一个现有的、易于上手的框架。这里我们选择MetaGPT，因为它是一个开源的Multi-Agent框架，并且有详细的文档和示例。 ### 步骤概述 1. **环境准备**：安装Python和必要的依赖。 2. **安装MetaGPT**：通过pip安装MetaGPT。 3. **配置API密钥**：设置OpenAI API密钥（或其他LLM提供商的密钥）。 4. **运行示例**：使用MetaGPT提供的示例脚本。 ### 详细步骤 #### 1. 环境准备 确保你的系统已经安装了Python（建议3.9+版本）。然后，创建一个虚拟环境（可选，但推荐）： ```bash python -m venv venv source venv/bin/activate # Linux/macOS venv\Scripts\activate # Windows ``` #### 2. 安装MetaGPT 使用pip安装MetaGPT： ```bash pip install -U metagpt ``` #### 3. 配置API密钥 MetaGPT默认使用OpenAI的LLM，因此需要设置OpenAI API密钥。你可以通过环境变量设置： ```bash export OPENAI_API_KEY="your-api-key" # Linux/macOS set OPENAI_API_KEY="your-api-key" # Windows ``` 或者，在代码中设置（不推荐，因为可能暴露密钥）： ```python import os os.environ["OPENAI_API_KEY"] = "your-api-key" ``` #### 4. 运行示例 MetaGPT提供了一个简单的示例，我们可以创建一个包含多个Agent的团队来完成一个任务。以下是一个示例脚本，创建一个团队来编写一个简单的代码： ```python from metagpt.team import Team async def main(idea: str): team = Team() team.hire( [ "Product Manager", "Architect", "Project Manager", "Engineer", ] ) team.run_project(idea=idea) await team.run() if __name__ == '__main__': import asyncio asyncio.run(main(idea="编写一个简单的贪吃蛇游戏")) ``` 将上述代码保存为`snake_game.py`，然后运行： ```bash python snake_game.py ``` 这个示例会创建一个团队，包括产品经理、架构师、项目经理和工程师，他们协作编写一个贪吃蛇游戏。运行后，你将在当前目录下看到生成的代码文件。 ### 注意事项 - 运行过程中，MetaGPT会调用OpenAI的API，因此需要确保网络畅通，并且API密钥有效。 - 由于需要多次调用API，可能会产生一定的费用。 - 生成的代码可能还需要人工检查和调整。 ### 相关问题 1. 如何为MetaGPT配置其他大语言模型（如本地部署的LLM）？ 2. 如何自定义Agent的行为和角色？ 3. 除了编写代码，MetaGPT还能完成哪些类型的任务？</think>### 如何运行一个结合Agent与LLM的示例教程 下面以**MetaGPT框架**为例（引用[2]中提到的多Agent系统），提供完整的运行流程。MetaGPT是一个开源的LLM Agent框架，支持多Agent协作完成复杂任务。 --- #### **步骤1：环境准备** ```bash # 创建Python虚拟环境（推荐3.9+） python -m venv agent-env source agent-env/bin/activate # Linux/macOS agent-env\Scripts\activate # Windows # 安装核心依赖 pip install openai metagpt ``` #### **步骤2：配置API密钥** 在代码中设置OpenAI API密钥（或替换为其他LLM服务）： ```python import os os.environ["OPENAI_API_KEY"] = "sk-xxx" # 替换为你的API密钥 ``` #### **步骤3：编写基础Agent示例** 创建一个文件`simple_agent.py`： ```python from metagpt.actions import Action from metagpt.roles import Role # 定义Agent行为 class WriteCode(Action): name: str = "WritePythonCode" async def run(self, prompt: str): return f"""def {prompt}(): print("Hello from LLM Agent!")""" # 定义Agent角色 class Developer(Role): name: str = "Alex" profile: str = "Python Developer" def __init__(self): super().__init__() self.set_actions([WriteCode]) # 运行Agent async def main(): agent = Developer() result = await agent.run("hello_world") print(result) # 输出生成的代码 if __name__ == "__main__": import asyncio asyncio.run(main()) ``` #### **步骤4：执行与结果** 运行脚本： ```bash python simple_agent.py ``` **输出示例**： ```python def hello_world(): print("Hello from LLM Agent!") ``` --- #### **进阶：多Agent协作（引用[2]）** MetaGPT支持多Agent协作（如Stanford Town架构）： ```python from metagpt.team import Team async def startup(idea: str): company = Team() company.hire([ Role("Product Manager", "分析用户需求"), Role("Architect", "设计系统架构"), Role("Engineer", "编写代码") ]) await company.run(idea=idea) # 运行团队协作 asyncio.run(startup("开发天气查询Agent")) ``` 运行后会生成： 1. 需求文档 2. 系统设计图 3. 可执行代码 --- #### **关键概念说明** 1. **Agent组成**（引用[3]）： - **角色定义**（Role）：如开发者、产品经理 - **行为**（Action）：如写代码、需求分析 - **记忆**：上下文保持 - **决策**：LLM驱动的推理 2. **工作流程**： $$ \text{用户输入} \to \text{Agent规划} \to \text{LLM处理} \to \text{动作执行} \to \text{结果反馈} $$ --- #### **其他框架推荐** 1. **LangChain**：适合快速原型开发 ```bash pip install langchain openai ``` 2. **AutoGen**（微软）：支持复杂对话编排 ---