agent仓库简要说明

1，本仓库总目标是构建一个类似langchain，crewai，phidata这样的agent framework。 2，本仓库的目标是一步步从最基本的类智能体跑通，到建立智能体的基本概念，到组成成一个基本的智能体，到构建更加健壮，更加灵活，更加可扩展的智能体框架。初始版本就是v1.py，每一个版本都基于上一个版本进行迭代，力图让观众能更加简单，易懂的看懂思路。 注：我曾经尝试过去读懂类似crewai这样的仓库，但是其实概念甚多，之间交互关系错综复杂，因此放弃了。于是决定试着写一个智能体框架，公开思考的过程

v1.py版本的思路介绍

智能体就是一个能够调用工具的系统，工具可以理解为函数，要把llm和函数联系起来，就是说，llm具备调用函数的能力，这里我们用到了openai python库的function call功能。

function call功能简介： function call实际上就是给大模型传一个参数对象，这个对象包含函数名，函数功能表述，函数参数表述。大模型能根据prompt信息，结合function call的参数对象，在prompt中抽取函数参数，给函数去执行。

举个例子，比如，prompt是“从伦敦到巴黎的航班最近一班是几点的”，这个时候，函数是查询航班信息的，查询航班信息需要知道起点，终点。因此，大模型可以从prompt中抽取起点和终点，“伦敦”，“巴黎”，然后以一个参数对象的形式给到你，你就可以去调用接口执行查询航班的API请求了。

这样就是构建了一个智能体

v2.py版本的思路介绍

v2版本在v1版本之上，增加了agent的概念，让所有的变量，函数都集中在agent这个类里面，传入参数，实现agent的初始化。后面，调用agent的run方法，就可以实现agent的运行。

v2版本的agent类有四个参数：

1，model：大模型的模型名

2，prompt：总的提示词

3，llm：openai发起请求的客户端

4，tool：智能体需要调用的工具

v3.py版本的思路介绍

v3版本在v2版本之上，整合了tool相关的概念，增加了一个tool类，将函数参数模板生成，注册工具执行函数，获取工具执行函数，都整合到一个类里面，使得管理更加精细。

v4版本的思路介绍

将agent，tool都抽离成单独的文件，方便后续管理

v5版本的思路介绍

该版本调整agent的调用逻辑，使得agent可以灵活顺序调用多个tool，例子中实现了调用两个tool。新增tool类，可以管理多个tool实例。

v6版本的思路介绍

1，增加自定义工具的功能，新增BaseTool类

2，通用化工具的创建过程，参数传递，function call模板创建这些东西，使之更加通用。

3，新增网页搜索，摘要总结的两个tool，跑通agent

v7版本的思路介绍

1，先在test1.py中试验，跑通llm中用rag的整个流程

2，然后，在v7文件夹下，新增chroma_db_rag.py这个文件，在里面对rag进行封装，调试agent，使之跑通。

3，优化这部分代码，使之和之前的tool功能更加和谐（doing）