Datawhale 组队学习 wow-agent task1 学习总结

1. Agents的诞生：从LLMs到自主行动

比喻：想象一下，LLMs（大语言模型）就像是一个超级聪明的图书管理员，它知道很多书里的知识，但它只能告诉你书里写的内容，不能去外面帮你买新书或者帮你做饭。Agents就像是给这个图书管理员配了一个"机器人助手"，这个助手不仅知道书里的知识，还能帮你跑腿、做饭、甚至帮你解决实际问题。

2. Agents的核心组件

模型 (Model)：这是Agent的"大脑"，负责思考和决策。就像是一个聪明的指挥官，知道什么时候该做什么。
工具 (Tools)：这是Agent的"手和脚"，负责执行具体的任务。就像是一个工具箱，里面有各种工具，比如锤子、螺丝刀、扳手等，可以根据需要选择使用。
编排层 (Orchestration Layer)：这是Agent的"指挥中心"，负责协调大脑和手脚的工作。就像是一个乐队的指挥，确保每个乐器都在正确的时间演奏。

遇到问题1：

cannot import name 'TypeIs' from 'typing_extensions'

解决方法：

复制代码

pip install --upgrade typing_extensions

整体运行成功后出现：

LangGPT：

将之前的提问先注释掉，然后运行新的代码，得到以下结果:

openAI实现阅卷智能体

同样的操作可以得到以下结果：

代码疑问解析：

复制代码

def get_completion(prompt):
    response = client.chat.completions.create(
        model="glm-4-flash",  # 填写需要调用的模型名称
        messages=[
            {"role": "user", "content": prompt},
        ],
    )
    return response.choices[0].message.content

调用一个语言模型（在这里是 glm-4-flash）来生成对用户输入提示（prompt）的回复内容。