Qwen-Agent的使用示例-天气查询

先上代码，

#!/usr/bin/env python
# -*- coding: utf-8 -*-"""
Qwen-Agent的使用示例
"""import os
import json
from typing import Dict, Any
from functools import lru_cache
from qwen_agent.agents import Assistant# 使用LRU缓存优化天气数据查询
@lru_cache(maxsize=100)
def get_weather(city: str) -> Dict[str, Any]:"""模拟天气查询功能，使用LRU缓存提高性能"""weather_data = {"北京": {"temperature": "26°C", "condition": "晴朗"},"上海": {"temperature": "28°C", "condition": "多云"},"广州": {"temperature": "30°C", "condition": "小雨"}}if city in weather_data:return weather_data[city]return {"error": f"没有找到{city}的天气信息"}# 创建自定义工具类
from qwen_agent.tools.base import BaseTool, register_tool@register_tool('get_weather')
class WeatherTool(BaseTool):description = "获取指定城市的天气信息"parameters = {'type': 'object','properties': {'city': {'type': 'string','description': '城市名称'}},'required': ['city']}def call(self, params: str, **kwargs) -> Dict[str, Any]:try:args = json.loads(params)return get_weather(args['city'])except json.JSONDecodeError:return {"error": "参数解析失败"}except Exception as e:return {"error": f"查询天气失败: {str(e)}"}# 创建Assistant实例
assistant = Assistant(llm={'model': 'qwen-max','model_type': 'qwen_dashscope','api_key': os.getenv("DASHSCOPE_API_KEY")   # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"},function_list=['get_weather'])# 示例使用
if __name__ == "__main__":# 初始化对话历史# messages = [{'role': 'system', 'content': 'You are a helpful assistant.'}]messages = []# # 测试Agent对话user_query = "我应该带伞出门吗？我在广州。"print(f"\n用户: {user_query}")messages.append({"role": "user", "content": user_query})final_response = Nonefor response in assistant.run(messages):if isinstance(response, list):# 获取列表中最后一个回复final_response = response[-1]if isinstance(final_response, dict) and "content" in final_response:messages.append(final_response)print(f"Agent: {final_response['content']}")

代码解释

1. 代码结构和初始化

1.工具函数定义 ：

def get_weather(city: str) -> Dict[str, Any]:"""模拟天气查询功能，使用LRU缓存提高性能"""weather_data = {"北京": {"temperature": "26°C", "condition": "晴朗"},"上海": {"temperature": "28°C", "condition": "多云"},"广州": {"temperature": "30°C", "condition": "小雨"}}if city in weather_data:return weather_data[city]return {"error": f"没有找到{city}的天气信息"}

这是一个基础工具函数，模拟天气查询功能，接收城市名称作为参数，返回对应的天气信息。

2.工具类封装 ：

@register_tool('get_weather')
class WeatherTool(BaseTool):description = "获取指定城市的天气信息"parameters = {'type': 'object','properties': {'city': {'type': 'string','description': '城市名称'}},'required': ['city']}

• 使用装饰器 @register_tool 注册工具
• 继承 BaseTool 基类
• 定义工具描述和参数规范

2. Assistant 初始化

    llm={'model': 'qwen-max','model_type': 'qwen_dashscope','api_key': os.getenv("DASHSCOPE_API_KEY")   # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"},function_list=['get_weather'])

• 配置模型参数（模型类型、API密钥）
• 注册可用工具列表

3. 参数传递流程

1. 用户输入处理 ：

    user_query = "我应该带伞出门吗？我在广州。"messages.append({"role": "user", "content": user_query})

• 用户查询被封装成标准消息格式
• 添加到对话历史列表

3. 工具调用流程 ：

• Assistant 接收到查询后，分析需要调用的工具
• 通过 WeatherTool 的 call 方法调用工具：

    def call(self, params: str, **kwargs) -> Dict[str, Any]:try:args = json.loads(params)return get_weather(args['city'])except json.JSONDecodeError:return {"error": "参数解析失败"}except Exception as e:return {"error": f"查询天气失败: {str(e)}"}

• 参数以 JSON 字符串形式传递，解析后调用底层函数

4. 响应处理 ：

    final_response = Nonefor response in assistant.run(messages):if isinstance(response, list):# 获取列表中最后一个回复final_response = response[-1]if isinstance(final_response, dict) and "content" in final_response:messages.append(final_response)# print(f"Agent: {final_response['content']}")print(f"Agent: {final_response['content']}")

• assistant.run() 返回生成器对象，支持流式输出
• 检查响应类型，将有效回复添加到对话历史

4. 数据流转过程

1. 用户输入 → 消息历史
2. 消息历史 → Assistant 分析
3. Assistant 调用工具 → 获取天气数据
4. 天气数据 → Assistant 生成回复
5. 回复 → 消息历史（保存）+ 控制台（显示）

Qwen-Agent中Assistant是如何分析和构造参数的

1. Assistant的基本架构

Assistant是Qwen-Agent框架中的一个高级组件，继承自基础的Agent类 ，它主要负责：

• 接收用户输入
• 分析用户意图
• 决定是否需要调用工具
• 构造工具调用参数
• 处理工具返回结果

2. 参数分析过程

1. 消息处理 ：

   • Assistant接收messages列表作为输入
   • 每条消息都包含role（角色）和content（内容）
   • 例如： {“role”: “user”, “content”: “我应该带伞出门吗？我在广州。”}

2. 意图理解 ：

   • 通过配置的LLM（本例中是qwen-max）分析用户输入
   • 理解用户真实需求（如需要查询天气来决定是否带伞）
   • 识别需要调用的工具（如get_weather工具）

3. 参数构造过程

1. 工具选择 ：

   • 从注册的 function_list 中选择合适的工具
   • 本例中通过 @register_tool(‘get_weather’) 注册了WeatherTool

2. 参数映射 ：

   • 根据工具的 parameters 定义构造参数
   • WeatherTool定义了必需的 city 参数
   • 从用户输入中提取城市信息（“广州”）
   • 构造符合JSON格式的参数字符串

3. 调用转换 ：

   • WeatherTool的 call 方法接收参数字符串
   • 使用 json.loads 解析参数
   • 调用底层 get_weather 函数获取结果

4. 工具注册机制

@register_tool('get_weather')
class WeatherTool(BaseTool):description = "获取指定城市的天气信息"parameters = {'type': 'object','properties': {'city': {'type': 'string','description': '城市名称'}},'required': ['city']}

这个注册过程定义了：

• 工具名称：get_weather
• 工具描述：用于LLM理解工具用途
• 参数结构：指定了必需的参数及其类型

5. 参数验证和错误处理

• 参数格式验证：确保符合工具定义的schema
• JSON解析处理：使用try-except处理可能的解析错误
• 参数完整性检查：确保必需参数都已提供

工作原理总结

整个过程是一个"理解-决策-执行"的闭环：

1. LLM理解用户意图
2. 根据意图选择合适的工具
3. 从用户输入中提取必要信息
4. 构造规范的参数格式
5. 执行工具调用
6. 处理返回结果

示例代码的调用过程 ：

• 当用户询问"我应该带伞出门吗？我在广州。"时
• Assistant 分析出需要查询广州的天气
• 构造参数： {“city”: “广州”}
• 这个参数被转换为字符串传递给 call 方法
• call 方法解析参数并调用 get_weather
• get_weather 返回广州的天气数据
• Assistant 根据天气数据生成回答

示例代码的数据流转 ：

用户输入 → Assistant分析 → 构造参数 → call方法 → get_weather → 返回天气数据 → Assistant生成回答