当前位置：首页 > news >正文

第二章：Agent System

news 2025/4/29 6:58:33

Chapter 2: Agent System

从用户界面到代理系统：背后的“大脑”如何运作？

在上一章的用户界面抽象中，我们已经能通过命令行与AI简单对话了。但你有没有好奇过：输入的问题是如何变成“北京今天晴，气温25°C”这样的回答的？就像你按下手机拨号键后，信号塔和基站是如何传递声音的？这一章将揭开“代理系统”的神秘面纱——它是整个AI系统的大脑，负责指挥工具、模型和流程协同工作！

核心问题：如何让AI“自主思考”？

想象你是一名指挥官，需要协调多个士兵完成任务：

侦察兵（工具）：比如天气API、搜索引擎等
参谋部（LLM模型）：负责制定策略和生成回答
通讯兵（消息系统）：传递指令和结果

代理系统就像这位指挥官，通过以下核心组件协调这些“士兵”：

核心概念分解

1. 代理类型：单人 vs 团队作战

就像足球有单人突破和团队配合，代理系统有两种模式：

MCPAgent（单兵模式）：一个代理独立完成所有任务（如直接调用天气API）
Manus（团队模式）：多个代理协作（如先让A代理规划任务，再让B代理执行）

# run_mcp.py中创建MCPAgent的片段
self.agent = MCPAgent()  # 单兵模式

# main.py中创建Manus的片段
agent = await Manus.create()  # 团队模式

2. 代理生命周期：从出生到死亡

每个代理都会经历三个阶段：

初始化：准备工具（如连接天气API）
执行任务：处理用户问题并生成回答
清理工作：释放资源（如关闭网络连接）

# 示例：代理初始化过程
async def initialize(self):self.weather_api = WeatherAPI()  # 初始化天气工具self.model = await LLMModel.load()  # 加载语言模型

3. 任务执行：像接力赛一样传递指令

代理会将任务拆解为多个步骤，每个步骤可能调用不同工具：

如何用代理系统解决问题？

场景：查询北京天气并建议是否需要防晒霜

步骤1：创建单兵代理（MCPAgent）

from app.agent.mcp import MCPAgent  # 导入单兵代理类agent = MCPAgent()  # 创建代理实例# 初始化时连接天气API和搜索工具
await agent.initialize(weather_api=WeatherAPI(), search_tool=SearchEngine())

步骤2：让代理执行任务

# 向代理发送问题
response = await agent.run("北京天气如何？是否需要防晒？")# 输出示例：
# "北京今天28°C，多云。紫外线指数中等，建议使用SPF30防晒霜"

步骤3：释放资源

await agent.cleanup()  # 关闭所有连接，释放内存

内部实现揭秘：代理的“指挥中枢”

核心代码流程：以MCPAgent为例

class MCPAgent:async def run(self, user_prompt):# 1. 收集用户需求requirements = self.analyze_prompt(user_prompt)  # 拆解问题# 2. 调用工具获取数据weather_data = await self.weather_api.get_data("北京")uv_index = await self.search_tool.query("北京紫外线指数")# 3. 生成最终回答answer = await self.model.generate_response(f"天气：{weather_data}\n紫外线：{uv_index}")return answer

团队协作模式（Manus代理）

# run_flow.py中创建团队代理的片段
agents = {"weather_agent": MCPAgent(),  # 负责天气查询"adviser": Manus()            # 负责建议生成
}flow = FlowFactory.create_flow(agents=agents)  # 创建协作流程
result = await flow.execute("需要带伞吗？")  # 自动协调两个代理完成任务