AI 助理
备案控制台
开发者社区 ModelScope模型即服务 文章 正文

智能体-Agent能力升级！新增Assistant API & Tools API服务接口

2024-05-11 559
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
交互式建模 PAI-DSW，每月250计算时 3个月
推荐场景：
PAI×LLaMA Factory 微调 Llama3 模型
模型训练 PAI-DLC，100CU*H 3个月
推荐场景：
低代码 Lora 微调及部署
模型在线服务 PAI-EAS，A10/V100等 500元 1个月
推荐场景：
基于PAI-EAS挂载OSS部署AIGC服务
简介： ModelScope-Agent是一个交互式创作空间，它支持LLM（Language Model）的扩展能力，例如工具调用（function calling）和知识检索（knowledge retrieval）。它已经对相关接口进行了开源，以提供更原子化的应用LLM能力。用户可以通过Modelscope-Agent上的不同代理（agent），结合自定义的LLM配置和消息，调用这些能力。

ModelScope-Agent从今年以来承接了魔搭交互式创空间(https://modelscope.cn/studios/agent)的背后应用底座，积累了大量的交互应用经验，并对相关接口能力进行了开源，即原有的agentfabric(https://github.com/modelscope/modelscope-agent/tree/master/apps/agentfabric)升级.

在这一过程中，我们收到了大量用户的反馈，需要将应用能力进一步抽象沉淀，变为基础api接口，从而使得用户能够更原子化的应用agent能力在自己的业务场景中。另外，项目团队也希望进一步降低业务对基础能力接口的侵入，能够在后续研发过程中有更好的扩展性。最后，从安全角度考虑，独立的基于容器的tool运行环境也是生产落地的必要条件，因此我们在项目中新增了Assistant API以及Tools API两个应用服务接口能力。

架构介绍

本次提供的两个接口服务Assistant API和Tools API是两个独立的服务，用户可以单独使用，也可以一并使用。

1.1 Assistant API介绍

Assistant API 提供了agent 的planning和action的原子能力，面向的场景是用户传入标准的tool calling信息，以及knowledge信息和message历史信息后，希望获得质量高且稳定的agent planning结果，或者甚至希望直接拿到agent的执行结果。因此，在assistant api中我们提供了两个主要的接口 v1/chat/completions 以及 v1/assistants/lite 接口，除此之外还提供了一个v1/files的接口用于上传外挂知识库。

  • v1/chat/completions：传统的llm的服务，大多仅有prompt输入，用户如果想要进行tool calling的使用，不得不自己进行各种prompt拼接使用不方便；而tool calling本身也是agent planning能力的之一，因此我们支持了允许用户传入需要调用tool信息以及简单的message，就可以返回用户所需要的tool calling能力，并且接口层面，tool信息的传入与openai相同。
  • v1/assistants/lite： 对于已经注册在modelscope-agent的tool，用户可以通过该接口进行调用agent的调用与执行，并最终获得执行后的结果，与openai的 assistant接口不同的是，我们提供了自定义的接口，暂时不返回执行中间的状态信息，仅返回执行结果，用户在使用上降低了接口返回信息的处理开发部分。
  • v1/files: 用户可以通过该接口将一些外挂知识库上传进来，并在调用前两个接口的时候进行使用。

 

1.2 Tools API介绍

Tools API 主要目的是对于那些工具调用苛刻的场景，希望tool在独立的容器环境中进行执行，隔绝宿主机与容器环境确保宿主机安全。Tools API由一个Tool Manager Server，以及一个基础的Tool Node Server构成。 Tool Manager Server负责创建，管理，移除具体的Tool 执行节点即，实例化后的Tool Node Server。每一个Tool Node Server内部运行着独立工具运行环境，对于需要多租户的场景，也支持不同的租户运行各自相同名字的tool。

值得注意的是，目前Tool的执行依赖docker环境，用户需要确保执行环境下有docker，以便tool能够执行。相关的接口详细较多，在后续具体使用的章节会详细介绍。

1.3 服务架构

根据上述两个API服务的介绍，用户应该能大致了解两个接口服务的能力，下图具体说明了Modelscope-Agent 与这两个接口服务的交互关系，从而加深用户对该接口的了解，目前相关代码均为开源代码，因此用户也可以基于架构图进行适用于自己业务场景的改造维护。

111.png

Modelscope-Agent 与APIs调用服务架构

可以从图中左侧看出基于Assistant API的能力，用户根据自己业务场景选择适用的agent阶段获得所需要的能力，通过Modelscope-agent上的不同的agent，用户可以在该流程中获得不同的推理能力增强，目前默认采用的是基于ReAct方做的增强，用户也可以通过在Modelscope-Agent上贡献自己的Agent，从而通过接口调用的方式完成应用业务落地。

图中右侧部分为Tools API即Tool Manager，默认已经适配到Modelscope-Agent框架中，用户只需要简单的参数配置即可决定是否使用。通过Tool Manager， 不同的Tool会被实例化出来成为独立的server，以便用户在独立的环境中更安全的执行应用。

同时，左右两侧模块相对独立，对于缺失docker环境的用户可以忽略使用Tools API, 同样对于安全性要求低，且仅需要利用agent推理能力提升的，则可以直接使用Assistant API即可。

Assistant API 使用详情

安装启动

依赖

- Modelscope-agent 0.5.0

- Python 3.8 or above

启动

# get latest code
git clone https://github.com/modelscope/modelscope-agent.git
cd modelscope-agent
# start the assistant server
sh scripts/run_assistant_server.sh

通过上述脚本启动后， Assistant API会默认启动到用户本地端口 31512上。

Assistant API接口详情

v1/files

files接口支持用户上传本地的文件，并在server端基于uuid_str进行管理。

用户可以通过Python的requests库进行文件上传，示例代码如下。

url = 'http://localhost:31512/v1/files'
datas = {
    'uuid_str': 'test'
}
files = [
    ('files', ('Agent.pdf', open('Agent.pdf', 'rb'), 'text/plain'))
]
response = requests.post(url, data=datas, files=files)
print(response.text)

其中，每个上传的文件需要指定文件名，文件名可在chat或者是assistantAPI中指定知识库范围使用。此外，为了方便管理，文件名中不能包含任何路径，例如，使用../Agent.pdf作为文件名是不被允许的。

v1/chat/completions

用户如果想要调用v1/chat/completionsAPI，主要涉及以下几个字段的定义：

  • llm_config：LLM的相关配置，包括
  • model：所使用的模型名称
  • model_server：该模型对应的服务后端
  • api_key：如果该模型需要使用api_key，用户可以在配置中传入

一个常用的llm_config配置如下所示。

llm_cfg = {
    'model': 'qwen-max',
    'model_server': 'dashscope',
    'api_key': os.environ.get('DASHSCOPE_API_KEY'),
}
  • messages：本次调用所发送的message信息。message应该遵循类似于如下的格式：
messages = [
    {"content": "海淀区天气", "role": "user"}
],

chat API基于modelscope agent框架，支持function calling和knowledge retrieval两个扩展功能。

  • uuid_str：用户uid，主要是对不同用户的请求进行简单的区分。

function callling

如果用户想要使用function calling功能，需要对tool字段进行配置。一个tool配置的例子如下所示：

"tools": [{
    "type": "function",
    "function": {
        "name": "amap_weather",
        "description": "amap weather tool",
        "parameters": [{
            "name": "location",
            "type": "string",
            "description": "城市/区具体名称，如`北京市海淀区`请描述为`海淀区`",
            "required": true
        }]
    }
}]

基于上述配置，我们可以使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31512/v1/chat/completions' \
-H 'Content-Type: application/json' \
-d '{
    "tools": [{
        "type": "function",
        "function": {
            "name": "amap_weather",
            "description": "amap weather tool",
            "parameters": [{
                "name": "location",
                "type": "string",
                "description": "城市/区具体名称，如`北京市海淀区`请描述为`海淀区`",
                "required": true
            }]
        }
    }],
    "tool_choice": "auto",
    "llm_config": {
        "model": "qwen-max",
        "model_server": "dashscope",
        "api_key": "YOUR DASHSCOPE API KEY"
    },
    "messages": [
        {"role": "user", "content": "海淀区天气"}
    ],
    "uuid_str": "test",
    "stream": false
}'
```

此时，可以得到如下的结果：

{
    "request_id":"xxxxx",
    "message":"",
    "output": None,
    "choices": [{
        "index":0,
        "message": {
            "role": "assistant",
            "content": "Action: amap_weather\nAction Input: {\"location\": \"海淀区\"}\n",
            "tool_calls": [
                {
                    "type": "function",
                    "function": {
                        "name": "amap_weather",
                        "arguments": "{\"location\":\"海淀区\"}"
                }
            }]
        },
        "finish_reason": "tool_calls"
    }]
}

knowledge retrieval

如果用户需要使用knowledge retrieval功能，需要首先基于v1/filesAPI 上传对应的文件。随后，用户可以通过use_knowledge字段指定是否使用知识库检索。

我们还支持了知识库范围的动态指定，用户可以通过在files字段中指定需要使用的文件名，如果不指定文件名则默认使用所有的文件。

使用知识库召回功能的curl请求构建如下所示：

curl -X POST 'http://localhost:31512/v1/chat/completions' \
-H 'Content-Type: application/json' \
-d '{
    "llm_config": {
        "model": "qwen-max",
        "model_server": "dashscope",
        "api_key": "YOUR DASHSCOPE API KEY"
    },
    "messages": [
        {"role": "user", "content": "高德天气api申请"}
    ],
    "uuid_str": "test",
    "stream": false,
    "use_knowledge": true,
    "files": ["QA.pdf"]
}'

如果文件存在，将会得到如下的结果：

{
    "request_id":"2bdb05fb-48b6-4ba2-9a38-7c9eb7c5c88e",
    "message":"",
    "output": None,
    "choices": [{
        "index":0,
        "message": {
            "role": "assistant",
            "content": "Information based on knowledge retrieval.",
        }
        "finish_reason": "stop"
    }]
}

如果不存在，则会给出相应的提示信息：

{
    "request_id":"f698aeb7-34bf-4471-9e55-d7ff212d483d",
    "message":"No valid knowledge contents."
}

v1/assistants/lite

v1/assistants/liteAPI的使用方式与v1/chat/completions类似，区别在于可以通过配置agent_config字段自定义角色信息和工具，并在server端完成工具调用，返回最终的结果。

在v1/assistants/liteAPI中，用户需要基于agent_config定义以下字段：

  • name：assistant的名称。
  • description：assistant的具体功能。
  • instruction：该assistant对应的system prompt相关信息。准确的instruction可以帮助assistant更好的决策，得到想要的结果。
  • tools：assistant可以使用的工具名称。
agent_config = {
    "name": "test",
    "description": "test assistant",
    "instruction": "you are a helpful assistant",
    "tools": ["amap_weather"]
}

由于需要agent执行代码，用户自定义传入的tools, 以及tool_choices这里无法产生效果，可以不传。与此同时，agent_config中会添加已经在modelscope-agent中注册过的Tool。 对于如何在框架中添加Tool，可以参考文章(https://github.com/modelscope/modelscope-agent/blob/feat/assistant_api/docs/contributing/tool_contribution_guide_CN.md)。

v1/assistants/liteAPI还支持了流式返回，用户可以通过指定stream=True使该功能生效。之后，可以通过下列代码获取输出结果：

# 构造request 
request = {
    'agent_config': agent_cfg,
    'llm_config': llm_cfg,
    'messages': [
        {'role': 'user', 'content': '高德天气API申请'}
    ],
    'uuid_str': 'test',
    'stream': True,
    'use_knowledge': True,
    'files': ['QA.pdf']
}
datas = {
    'agent_request': json.dumps(request)
}
# 处理返回结果
response = requests.post(url, json=request)
if response.encoding is None:
    response.encoding = 'utf-8'
print(response)
print(response.text)
for line in response.iter_lines(decode_unicode=True):
    if line:
        print(line)
        print('----------')

与Tools API联动使用

对于需要代码执行的接口，即v1/assistant/lite，用户需要按照下面Tool API 章节介绍启动 Tool Manager API后，在参数传递中加入额外的 user_tool_api: True,  即可实现与Tools API的联动。

同时，在Tool API 调用的时候，需要实时传入该工具的token，这里目前支持的token字段如下，输入ApiNames的name即可，如需要使用dashscope的接口则传入dashscope_api_key，如需要使用多个，则可传入多个。

class ApiNames(Enum):
    dashscope_api_key = 'DASHSCOPE_API_KEY'
    modelscope_api_key = 'MODELSCOPE_API_TOKEN'
    amap_api_key = 'AMAP_TOKEN'
    bing_api_key = 'BING_SEARCH_V7_SUBSCRIPTION_KEY'

因此，一个完整的请求会如下述，其中最后两行为tool调用所需要使用的token。

curl -X POST 'http://localhost:31512/v1/assistants/lite' \
-H 'Content-Type: application/json' \
-d '{
    "agent_config": {
        "tools": ["amap_weather"],
        "name": "test",
        "description": "test assistant",
        "instruction": "you are a helpful assistant"
    }
    "llm_config": {
        "model": "qwen-max",
        "model_server": "dashscope",
        "api_key": "YOUR DASHSCOPE API KEY"
    },
    "messages": [
        {"content": "海淀区天气", "role": "user"}
    ],
    "uuid_str": "test",
    "stream": false,
    "use_tool_api": true,
    "amap_api_key": "xxxxxxxxx"
}'
```

Tools API 使用详情

安装启动

依赖

- Docker installed

- Docker daemon running

- Modelscope-agent 0.5.0

- Python 3.8 or above

启动

对于第一次启动的用户，需要本地构建 Tool Node的镜像，以便进行后续Tool Node的启动。注意构建的时候会耗时较长，请耐心等待。

# get latest code
git clone https://github.com/modelscope/modelscope-agent.git
cd modelscope-agent
# for the first time please run the following command to install the dependencies and build tool images
sh scripts/run_tool_manager.sh build

对于已经构建过的用户，可以直接进行如下命令启动

# get latest code
git clone https://github.com/modelscope/modelscope-agent.git
cd modelscope-agent
# start tool manager
sh scripts/run_tool_manager.sh

通过上述脚本启动后， Tool Manager API会默认启动到用户本地端口 31511上。

Modelscope-Agent中调用Tools API

以下代码片段演示了如何在agent中运行工具服务。

  1. 确保将use_tool_api=True传入RolePlay类
  2. 将dashscope_api_key传递到run方法中，后续我们将提供Oauth server，以便存储管理用户的各种tool的token及server。
from modelscope_agent.agents.role_play import RolePlay
import os
llm_config = {'model': 'qwen-turbo', 'model_server': 'dashscope'}
# input tool name
function_list = ['image_gen']
bot = RolePlay(function_list=function_list, llm=llm_config, use_tool_api=True)
response = bot.run(
    '创建一个多啦A梦', dashscope_api_key=os.getenv('DASHSCOPE_API_KEY'))
text = ''
for chunk in response:
    text += chunk
print(text)
assert isinstance(text, str)
assert 'Answer:' in text
assert 'Observation:' in text
assert '![IMAGEGEN]' in text

可以看到，Tools API的使用几乎与本地工具调用没有区别，唯一的区别是，通过设置use_tool_api=True，此时的服务是在docker容器中运行的。

Tool API 接口详情

目前Tool调用已经封装到Modelscope-Agent框架中，用户可根据use_tool_api=True来启用。 如果用户需要对服务进行管理，可以基于以下接口完成。

create_tool_service

创建一个Tool Node实例，使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31511/create_tool_service' \
-H 'Content-Type: application/json' \
-d '{
    "tool_name": "RenewInstance",
    "tenant_id": "default",
    "tool_cfg": {},
    "tool_image": "modelscope-agent/tool-node:lastest"
}'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output":
        {
          "tool_node_name": "RenewInstance_default",
          "status": "pending"
        }
}

check_tool_service_status

获取Tool Node实例状态，使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31511/check_tool_service_status/' \
-H 'Content-Type: application/json' \
-d '{
    "tool_name": "string",
    "tenant_id": "default"
}'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output":
        {
          "tool_node_name": "RenewInstance_default",
          "status": "running"
        }
}

remove_tool

删除Tool Node实例，使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31511/remove_tool/' \
-H 'Content-Type: application/json' \
-d '{
    "tool_name": "RenewInstance",
    "tenant_id": "default"
}'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output":
        {
          "tool_node_name": "RenewInstance_default",
          "status": "exited"
        }
}

tools/?tenant_id=default

获取租户Tool Node实例，使用curl构造一个完整的请求，如下：

curl -X GET 'http://localhost:31511/tools/?tenant_id=default' \
-H 'Content-Type: application/json'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output":
        {
          "tools":{
            "RenewInstance_default": "running",
            "CreateInstance_default": "exited"
          }
        }
}

tool_info

获取工具信息，使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31511/tool_info/' \
-H 'Content-Type: application/json' \
-d '{
    "tool_name": "string",
    "tenant_id": "default",
}'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output": {
        "description": "续费一台包年包月ECS实例",
        "name": "RenewInstance",
        "parameters"[{
            "name": "instance_id",
            "description": "ECS实例ID",
            "required": True,
            "type": "string"
        }, {
            "name": "period",
            "description": "续费时长以月为单位",
            "required": True,
            "type": "string"
        }]
    }
}

execute_tool

执行Tool Node，使用curl构造一个完整的请求，如下：

curl -X POST 'http://localhost:31511/execute_tool/' \
-H 'Content-Type: application/json' \
-d '{
    "tool_name": "string",
    "tenant_id": "default",
    "params": "{\"instance_id\": 123, \"period\": \"mon\"}",
    "kwargs": {}
}'

将会得到如下的结果：

{
    "request_id": "311f2e35-8dc3-48a3-a356-b255ee4b268c",
    "message": "",
    "output": "已完成ECS实例ID为123的续费，续费时长mon月"
}

Future work

目前，API相关的工作还处于起步阶段，在接口使用上面还有较多不便利性需要提升，集中体现如下：

  1. 增加鉴权模块，提供生产级别安全支持，进行用户权限管理
  2. 魔搭Agent的api接口v1/chat/completions以及v1/assistants/lite 与openai的原生接口有出入，这里我们会根据用户反馈确定是否开发与原生openai接口完全匹配的接口版本。
  3. 当前支持的tool数量、应用示例有限，需要持续拓展，希望开发者能够一起参与共建。
  4. rag能力的持续提升，提供多源多策略多模态的rag能力。

另外，我们也有RoadMap未完成的工作，需要社区同学一起共建，相关可查看：https://github.com/modelscope/modelscope-agent/issues/350， 欢迎有兴趣的小伙伴一起共建

我们的github地址：https://github.com/modelscope/modelscope-agent

欢迎对Agent生态感兴趣的开发者小伙伴们，可进入Agent品牌馆体验~

链接：https://www.modelscope.cn/brand/view/agent?branch=0&tree=11

文章标签：
API
容器
安全
Docker
开发者
关键词：
API接口
API智能体
通义星尘智能体
API服务
通义星尘agent
ModelScope内容运营小助手
目录
相关文章
路人与大师
|
16天前
|
自然语言处理 搜索推荐 API
如何构建一套qwen-max智能体拥有媲美通义千问在线接口的能力
基于Qwen-Max构建的智能系统，融合了自然语言处理、决策引擎、任务识别与工具选择等技术，具备强大的多模态理解和生成能力。该系统能自动分析用户输入，识别任务类型，选择最优工具执行任务，并整合结果反馈给用户，广泛应用于查询、生成、翻译和图像处理等多个领域，显著提升了任务处理效率和智能化水平。
路人与大师
98 9
路人与大师
|
16天前
|
人工智能 自然语言处理 搜索推荐
如何构建一套qwen-max智能体拥有媲美通义千问在线接口的能力
智能系统通过任务识别、决策引擎、工具选择和结果整合，自动选择合适的工具和方法，高效处理查询、生成、翻译、图像处理等任务，提供精准的解决方案。系统支持自然语言理解、任务分类、语义解析与意图识别，确保任务的准确执行和反馈。
路人与大师
64 3
楠竹11
|
22天前
|
人工智能 自然语言处理 数据挖掘
田渊栋团队新作祭出Agent-as-a-Judge！AI智能体自我审判，成本暴跌97%
田渊栋团队提出Agent-as-a-Judge框架，利用智能体自身评估其他智能体的性能，不仅关注最终结果，还能提供中间反馈，更全面准确地反映智能体的真实能力。该框架在DevAI基准测试中表现出色，成本效益显著，为智能体的自我改进提供了有力支持。
楠竹11
37 7
时光在流逝
|
1月前
|
JSON 关系型数据库 测试技术
使用Python和Flask构建RESTful API服务
使用Python和Flask构建RESTful API服务
时光在流逝
58 2
楠竹11
|
1月前
|
存储 人工智能 算法
卷起来！让智能体评估智能体，Meta发布Agent-as-a-Judge
Meta（原Facebook）提出了一种名为Agent-as-a-Judge的框架，用于评估智能体的性能。该框架包含八个模块，通过构建项目结构图、定位相关文件、读取多格式数据、搜索和检索信息、询问要求满足情况、存储历史判断、以及规划下一步行动，有效提升了评估的准确性和稳定性。实验结果显示，Agent-as-a-Judge在处理复杂任务依赖关系方面优于大型语言模型，但在资源消耗和潜在偏见方面仍面临挑战。
楠竹11
37 1
最好zzz
|
1月前
|
Prometheus 监控 Java
深入探索：自制Agent监控API接口耗时实践
在微服务架构中，监控API接口的调用耗时对于性能优化至关重要。通过监控接口耗时，我们可以识别性能瓶颈，优化服务响应速度。本文将分享如何自己动手实现一个Agent来统计API接口的调用耗时，提供一种实用的技术解决方案。
最好zzz
49 3
潇洒洒
|
1月前
|
监控 数据可视化 Java
深入探索：自制Agent监控API接口耗时
在微服务架构中，监控API接口的调用耗时对于性能优化至关重要。通过监控这些指标，我们可以识别瓶颈，优化系统性能。本文将分享如何自己动手实现一个Agent来统计API接口的调用耗时，提供一种有效的监控解决方案。
潇洒洒
47 2
土木林森
|
2月前
|
Python 机器学习/深度学习 人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体：深入浅出Agent项目实战，带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境，演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体，使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法，为更复杂应用奠定基础。首先需安装必要库： ```bash pip install gym torch ``` 接着定义环境并与之交互，实现智能体的训练。通过多个回合的试错学习，智能体逐步优化其策略。这一过程虽从基础做起，但为后续研究提供了良好起点。
土木林森
202 4
手把手教你从零开始构建并训练你的第一个强化学习智能体：深入浅出Agent项目实战，带你体验编程与AI结合的乐趣
AIweker
|
2月前
|
人工智能 API 决策智能
swarm Agent框架入门指南：构建与编排多智能体系统的利器 | AI应用开发
Swarm是OpenAI在2024年10月12日宣布开源的一个实验性质的多智能体编排框架。其核心目标是让智能体之间的协调和执行变得更轻量级、更容易控制和测试。Swarm框架的主要特性包括轻量化、易于使用和高度可定制性，非常适合处理大量独立的功能和指令。【10月更文挑战第15天】
AIweker
383 6
土木林森
|
2月前
|
机器学习/深度学习 人工智能 算法
打造你的超级Agent智能体——在虚拟迷宫中智斗未知，解锁AI进化之谜的惊心动魄之旅！
【10月更文挑战第5天】本文介绍了一个基于强化学习的Agent智能体项目实战，通过控制Agent在迷宫环境中找到出口来完成特定任务。文章详细描述了环境定义、Agent行为及Q-learning算法的实现。使用Python和OpenAI Gym框架搭建迷宫环境，并通过训练得到的Q-table测试Agent表现。此项目展示了构建智能体的基本要素，适合初学者理解Agent概念及其实现方法。
土木林森
111 9

ModelScope模型即服务

热门文章

最新文章

  • 1
    阿里云通义千问向全社会开放！
  • 2
    ColorFlow：腾讯和清华大学联合推出的图像序列着色模型，通过参考图像的颜色对黑白漫画进行着色生成彩色漫画
  • 3
    WeaveFox：蚂蚁集团推出 AI 前端智能研发平台，能够根据设计图直接生成源代码，支持多种客户端和技术栈
  • 4
    multi-agent：多角色Agent协同合作，高效完成复杂任务
  • 5
    OpenAI 12天发布会内容全纪录！一文快速回顾获知亮点信息，原文附发布会中文字幕视频
  • 6
    通义千问72B、1.8B、Audio模型开源！魔搭社区最佳实践来啦！
  • 7
    智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
  • 8
    vanna+qwen实现私有模型的SQL转换
  • 9
    CosyVoice 2.0：阿里开源升级版语音生成大模型，支持多语言和跨语言语音合成，提升发音和音色等的准确性
  • 10
    Llama 3开源，魔搭社区手把手带你推理，部署，微调和评估
  • 1
    Qwen开源视觉推理模型QVQ，更睿智地看世界！
    89
  • 2
    MNN推理框架将大模型放进移动端设备，并达到SOTA推理性能！
    32
  • 3
    AI大模型开启智能化新时代
    22
  • 4
    Univer：开源全栈 AI 办公工具，支持 Word、Excel、PPT 等文档处理和多人实时协作
    25
  • 5
    Kheish：开源的多智能体开发框架，通过 YAML 配置工作流和多个 Agent 共同协作解决复杂任务
    40
  • 6
    Bamba-9B：基于 Mamba2 架构的仅解码语言模型，旨在提高大型语言模型在推理时的效率
    33
  • 7
    DisPose：清华北大等多所高校联合推出基于人物图像增强视频生成技术，实现对人物动画的准确控制和一致性
    32
  • 8
    HelloMeme：开源的面部表情与姿态迁移框架，将视频中的人物表情迁移到静态图像中生成动态视频
    100
  • 9
    InvSR：开源图像超分辨率生成模型，提升分辨率，修复老旧照片为超清图像
    30
  • 10
    CLEAR：新加坡国立大学推出线性注意力机制，使8K图像的生成速度提升6.3倍，显著减少了计算量和时间延迟
    31

    • 相关电子书

    更多
  • Spring Boot2.0实战Redis分布式缓存
  • CUDA MATH API
  • API PLAYBOOK

    • 相关实验场景

    更多
  • 基于Assistant Api的旅游助手
  • 如何快速创建插件agent
  • 快速体验智能体API应用
  • 使用 Fleet 管理 Elastic Agent 监控应用
    • 下一篇
    DataWorks售前咨询