这是一个基于大语言模型的多智能体系统，通过多个专业化的 Agent 协同工作，实现复杂的交互场景。目前包含三个主要应用：
- 智能客服系统：通过多个专业化的客服 Agent 处理不同类型的客户需求
- 智能诗歌创作：结合环境信息，自动创作符合场景的诗歌
- AI教学对话：模拟教师和学生的互动，实现基于论文的知识传递
AI-Agents-Swarm/
├── agents_swarm/ # 主要的Agent实现
│ ├── agent_detail.py # 智能客服系统
│ ├── agent_poem.py # 智能诗歌创作系统
│ ├── agent_role_play.py # AI教学对话系统
│ └── __init__.py
├── utils/ # 工具函数
│ ├── agent_logger.py # Agent日志记录
│ └── function_to_schema.py # 函数模式转换
├── tool_pool/ # 工具池
│ ├── arxiv.py # arxiv论文搜索
│ ├── arxiv_pdf.py # arxiv PDF内容提取
│ └── weather.py # 天气信息查询
├── llm_pool/ # LLM模型池
│ └── llm.py # LLM接口封装
├── .env.example # 环境变量示例
├── .gitignore
├── Makefile # 项目管理脚本
└── README.md # 项目说明文档
- 多Agent协作：支持多个专业化Agent的无缝协作
- 工具调用：集成多种实用工具，如论文搜索、天气查询等
- 日志记录：完整的对话历史和工具调用记录
- 灵活扩展：易于添加新的Agent和工具
- 自然交互：支持表情符号和富文本显示
- 环境准备
# 复制环境变量示例文件
cp .env.example .env
# 编辑.env文件，填入必要的API密钥
vim .env- 运行不同的应用场景
# 运行智能客服系统
python -m agents_swarm.agent_detail
# 运行智能诗歌创作系统
python -m agents_swarm.agent_poem
# 运行AI教学对话系统
python -m agents_swarm.agent_role_play处理客户的售前售后问题，支持订单处理、退款等操作。
根据地点和天气信息自动创作诗歌，支持多种诗歌风格。
模拟师生互动，基于arxiv论文进行专业知识讲解。
- Python 3.8+
系统会自动记录所有对话历史和工具调用记录，日志文件保存在 agent_logs/ 目录下。
本项目的 llm_pool 模块提供了一个统一的大语言模型调用接口，支持多个主流模型提供商和多种模型。
-
DeepSeek
- deepseek-chat
-
Groq
- mixtral-8x7b-32768
- llama3-70b-8192
- llama3-groq-70b-8192-tool-use-preview
- llama-3.2-90b-text-preview
- llama-3.2-70b-versatile-preview
- llama-3.1-70b-versatile
- gemma2-9b-it
-
Together
- Qwen/Qwen2-72B-Instruct
- codellama/CodeLlama-34b-Python-hf
-
OpenAI
- gpt-4o
- gpt-4o-mini
- 统一接口: 提供统一的调用方式，屏蔽不同提供商的接口差异
- 异步支持: 同时支持同步和异步调用
- 流式输出: 支持流式响应，适用于实时交互场景
- 工具调用: 支持函数调用（Function Calling）功能
- 灵活配置: 支持通过环境变量配置不同提供商的 API 密钥
# 异步调用示例
from llm_pool.llm import get_model_response
async def example():
response = await get_model_response(
model_name="deepseek-chat",
messages=[{"role": "user", "content": "Hello"}]
)
print(response)
# 同步调用示例
from llm_pool.llm import get_model_response_sync
response = get_model_response_sync(
model_name="gpt-4o",
messages=[{"role": "user", "content": "Hello"}]
)
print(response)
# 流式输出示例
from llm_pool.llm import get_model_response_stream
async def stream_example():
stream = await get_model_response_stream(
model_name="mixtral-8x7b-32768",
messages=[{"role": "user", "content": "Hello"}]
)
async for chunk in stream:
print(chunk.choices[0].delta.content, end="")
# 工具调用示例
from llm_pool.llm import get_model_response_with_tools
response = get_model_response_with_tools(
model_name="deepseek-chat",
messages=[{"role": "user", "content": "Hello"}],
tools=[{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get weather information",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City name"
}
},
"required": ["location"]
}
}
}]
)本项目的 tool_pool 模块集成了丰富的外部工具和 API，为 Agent 提供了强大的能力扩展。
-
搜索引擎
- DuckDuckGo 搜索
- SerpAPI 集成
- Stack Exchange 问答
-
百科和文献
- Wikipedia 查询
- WikiData 数据库
- PubMed 医学文献
- Arxiv 论文搜索与下载
-
多媒体工具
- YouTube 视频搜索
-
代码执行
- Python REPL
- Bash Shell 命令
- IPython 交互环境
-
文件操作
- 文件系统管理
- 文件读写操作
-
天气服务
- OpenWeatherMap API 集成
- 支持全球城市天气查询
-
网络工具
- HTTP 请求工具
- API 调用封装
# 使用 Arxiv 工具搜索论文
from tool_pool import ArxivTool
arxiv_tool = ArxivTool()
papers = arxiv_tool.run("Transformer architecture")
print(papers)
# 使用天气工具查询
from tool_pool import get_weather
weather = get_weather("shanghai")
print(weather)
# 使用 Python REPL
from tool_pool import PythonTool
python_tool = PythonTool()
result = python_tool.run("print('Hello, World!')")
print(result)- 统一接口: 所有工具都继承自
BaseTool，提供统一的调用方式 - 错误处理: 内置错误处理和日志记录机制
- 可扩展性: 易于添加新的工具和 API 集成
- 类型提示: 完整的类型注解支持
- 异步支持: 部分工具支持异步调用
- 请确保API密钥配置正确
- 建议使用虚拟环境运行项目
- 部分功能可能需要网络连接
欢迎提交Issue和Pull Request来帮助改进项目。
MIT License