当前位置：首页 > news >正文

Agents-SDK智能体开发[1]之入门

news 2025/8/2 14:37:56

文章目录

说明
一 Agents-SDK简介
二 Agents SDK基础入门
- 2.1 接入DeepSeek模型并测试
- 2.2 Agents SDK安装与调用
三构造多轮对话机器人
- 3.1 具体响应结果特点
- 3.2 多轮对话完整代码
- 3.3 多轮对话内容
四接入ollama/vLLM本地模型

说明

本文学自赋范社区公开课，仅供学习和交流使用，不用作任何商业用途！

一 Agents-SDK简介

Agents-SDK是一款企业级Multi-Agent开发框架，该框架是的Swarm的升级版，在保留了Swarm的高效便捷的Multi-Agent开发特性的同时，加入了更多面向企业级应用的功能。
openai agents github
Agents SDK博客
OpenAI Agents SDK能够通过一个轻量、易用、抽象极少的工具包来构建基于智能体的 AI 应用。该 SDK 仅包含极少量的原语（基础构件）：
- Agent（智能体）：即带有指令和工具的大语言模型（LLM）
- Handoff（交接）：允许智能体将特定任务委托给其他智能体
- Guardrail（护栏）：用于对输入内容进行验证
此外，SDK 自带内置的追踪功能，可以帮助你可视化和调试智能体的执行流程，同时也支持对流程进行评估，甚至用于模型的微调。结合 Python 和原语，能够表达工具与智能体之间的复杂关系，构建真实可用的应用程序。

OpenAI的Agents SDK 的设计遵循两个核心原则：
- 功能足够强大，值得使用，但原语足够少，容易上手。
- 默认配置即可很好地运行，但你也可以完全自定义行为逻辑。

SDK 的主要特性：
- Agent 循环机制：内置的智能体循环逻辑，自动处理工具调用、结果返回给 LLM、直到任务完成的全过程
- Python 优先：使用原生 Python 语言特性来编排与串联智能体，而无需学习新的抽象概念
- Handoff（智能体间任务交接）：强大的功能，可在多个智能体间协调与任务委派
- Guardrail（输入验证护栏）：支持与智能体并行运行输入验证逻辑，若验证失败可提前中断流程
- 函数工具化：可以将任何 Python 函数转为工具，自动生成 Schema，并支持基于 Pydantic 的验证机制
- 追踪系统（Tracing）：内置追踪功能，可视化、调试、监控你的智能体流程，并结合 OpenAI 的评估、微调与蒸馏工具一同使用。

二 Agents SDK基础入门

安装并验证openai模块

pip install openai
import openai
openai.__version__

2.1 接入DeepSeek模型并测试

from openai import OpenAI
OPENAI_API_KEY="hk-xx"
OPENAI_API_BASE="https://api.openai-hk.com/v1"
MODEL="deepseek-v3"
# 实例化客户端
client = OpenAI(api_key=OPENAI_API_KEY, base_url=OPENAI_API_BASE)
# 调用 deepseekv3 模型
response = client.chat.completions.create(model=MODEL,messages=[{"role": "user", "content": "你好，好久不见!请介绍下你自己。"}]
)
# 输出生成的响应内容
print(response.choices[0].message.content)

你好呀！很高兴再次相遇！😊 我是 DeepSeek Chat，由深度求索公司打造的智能 AI 助手。我的最新版本是 DeepSeek-V3，知识更新至 2024年7月，拥有强大的文本理解和生成能力，可以帮助你解答各种问题，包括学习、工作、编程、生活百科等。

✨ 我的特点：

免费使用：目前无需付费，随时为你服务！
超长上下文：支持 128K 上下文记忆，可以处理超长文档和复杂对话。
文件阅读：能解析 PDF、Word、Excel、PPT、TXT 等文件，帮助你提取和分析信息。
丰富知识库：覆盖科技、历史、金融、娱乐等多个领域，提供专业且准确的回答。
中文优化：对中文理解和生成特别优化，交流更自然流畅。

无论是写作灵感、代码调试、学习辅导，还是闲聊放松，我都可以陪你！最近过得怎么样？有什么我可以帮你的吗？ 😃

2.2 Agents SDK安装与调用

Agents SDK作为一个工业级的Multi-Agent开发框架，实际使用过程中有非常多的的技术细节，但如果希望快速测试一些功能，则只需要导入Agent和Runner两个模块即可快速运行。其中Agent就是一个Multi-Agent系统中最小执行单元，而Runner则是运行一次次任务的调度函数。但是需要注意的是，由于Agents SDK默认支持的模型是OpenAI的GPT系列模型，因此在修改底层模型的时候，还需要额外导入AsyncOpenAI、OpenAIChatCompletionsModel和ModelSettings等模块。

安装Agents SDK依赖
```
pip install openai-agents
```

Agents SDK简单调用

from openai import AsyncOpenAI
from agents import OpenAIChatCompletionsModel,Agent,Runner,set_default_openai_client
from agents.model_settings import ModelSettings
OPENAI_API_KEY="hk-xxx"
OPENAI_API_BASE="https://api.openai-hk.com/v1"
MODEL="deepseek-v3"# 创建一个Agent对象并调用DeepSeek模型
external_client = AsyncOpenAI(base_url =OPENAI_API_BASE,api_key=OPENAI_API_KEY,
)
set_default_openai_client(external_client)deepseek_model = OpenAIChatCompletionsModel(model=MODEL,openai_client=external_client)# ame就是Agent的名称，而instructions就是Agent的“系统提示”
agent = Agent(name="Assistant", instructions="你是一名助人为乐的助手。",model=deepseek_model)result = await Runner.run(agent, "请写一首关于编程中递归的俳句。") 
print(result.final_output)

三构造多轮对话机器人

3.1 具体响应结果特点

不同于传统的chat.completion API是Messages驱动（传入Message、传出Message），Agents SDK是事件驱动，Agents SDK会将整个运行过程看成是一次次的事件。例如上述创建完俳（pái）句后，全部的事件都保留在result中。

result

{RunResult(input='请写一首关于编程中递归的俳句。',new_items=[MessageOutputItem(agent=Agent(name='Assistant',handoff_description=None,tools=[],mcp_servers=[],mcp_config={},instructions='你是一名助人为乐的助手。',prompt=None,handoffs=[],model=<agents.models.openai_chatcompletions.OpenAIChatCompletionsModelobjectat0x000001787D93B4D0>,model_settings=ModelSettings(temperature=None,top_p=None,frequency_penalty=None,presence_penalty=None,tool_choice=None,parallel_tool_calls=None,truncation=None,max_tokens=None,reasoning=None,metadata=None,store=None,include_usage=None,response_include=None,extra_query=None,extra_body=None,extra_headers=None,extra_args=None),input_guardrails=[],output_guardrails=[],output_type=None,hooks=None,tool_use_behavior='run_llm_again',reset_tool_choice=True),raw_item=ResponseOutputMessage(id='__fake_id__',content=[ResponseOutputText(annotations=[],text='函数自调用，\n层层深入栈中游，\n终有归来时。',type='output_text')],role='assistant',status='completed',type='message'),type='message_output_item')],raw_responses=[ModelResponse(output=[ResponseOutputMessage(id='__fake_id__',content=[ResponseOutputText(annotations=[],text='函数自调用，\n层层深入栈中游，\n终有归来时。',type='output_text')],role='assistant',status='completed',type='message')],usage=Usage(requests=1,input_tokens=22,input_tokens_details=InputTokensDetails(cached_tokens=0),output_tokens=17,output_tokens_details=OutputTokensDetails(reasoning_tokens=0),total_tokens=39),response_id=None)],final_output='函数自调用，\n层层深入栈中游，\n终有归来时。',input_guardrail_results=[],output_guardrail_results=[],context_wrapper=RunContextWrapper(context=None,usage=Usage(requests=1,input_tokens=22,input_tokens_details=InputTokensDetails(cached_tokens=0),output_tokens=17,output_tokens_details=OutputTokensDetails(reasoning_tokens=0),total_tokens=39)),_last_agent=Agent(name='Assistant',handoff_description=None,tools=[],mcp_servers=[],mcp_config={},instructions='你是一名助人为乐的助手。',prompt=None,handoffs=[],model=<agents.models.openai_chatcompletions.OpenAIChatCompletionsModelobjectat0x000001787D93B4D0>,model_settings=ModelSettings(temperature=None,top_p=None,frequency_penalty=None,presence_penalty=None,tool_choice=None,parallel_tool_calls=None,truncation=None,max_tokens=None,reasoning=None,metadata=None,store=None,include_usage=None,response_include=None,extra_query=None,extra_body=None,extra_headers=None,extra_args=None),input_guardrails=[],output_guardrails=[],output_type=None,hooks=None,tool_use_behavior='run_llm_again',reset_tool_choice=True))
}

通过new_items属性来查看全部的事件，全部事件用一个列表进行表示。
```
result.new_items
```

{[MessageOutputItem(agent=Agent(name='Assistant',handoff_description=None,tools=[ ],mcp_servers=[],mcp_config={},instructions='你是一名助人为乐的助手。',prompt=None,handoffs=[],model=<agents.models.openai_chatcompletions.OpenAIChatCompletionsModelobjectat0x000001787D93B4D0>,model_settings=ModelSettings(temperature=None,top_p=None,frequency_penalty=None,presence_penalty=None,tool_choice=None,parallel_tool_calls=None,truncation=None,max_tokens=None,reasoning=None,metadata=None,store=None,include_usage=None,response_include=None,extra_query=None,extra_body=None,extra_headers=None,extra_args=None),input_guardrails=[],output_guardrails=[],output_type=None,hooks=None,tool_use_behavior='run_llm_again',reset_tool_choice=True),raw_item=ResponseOutputMessage(id='__fake_id__',content=[ResponseOutputText(annotations=[],text='函数自调用，\n层层深入栈中游，\n终有归来时。',type='output_text')],role='assistant',status='completed',type='message'),type='message_output_item')]
}

可以发现列表中只有一个事件，可以通过len(result.new_items)进行验证，即是一次MessageOutputItem，也就是消息创建事件（也就是大模型发生一次回复）。
```
type(result.new_items[0])
```
```
agents.items.MessageOutputItem
```

具体回复的内容，则可以通过raw_item来查看result.new_items[0].raw_item

ResponseOutputMessage(id='__fake_id__', content=[ResponseOutputText(annotations=[], text='函数自调用，  \n层层深入栈中游，  \n终有归来时。', type='output_text')], role='assistant', status='completed', type='message')

Agents SDK为了方便我们快速构造多轮对话机器人，专门提供了一个to_input_list()方法，可以直接将用户的输入和本次输出结果拼接成一个消息列表。

result.to_input_list()

[{'content': '请写一首关于编程中递归的俳句。', 'role': 'user'},{'id': '__fake_id__','content': [{'annotations': [],'text': '函数自调用，  \n层层深入栈中游，  \n终有归来时。','type': 'output_text'}],'role': 'assistant','status': 'completed','type': 'message'}]

验证消息列表记忆

messages = result.to_input_list()
messages.append({"role": "user", "content":"请问我的上一个问题是什么？"})
print(messages)
result = await Runner.run(agent, messages)
print(result.final_output)
print(result.to_input_list())

[{'content': '请写一首关于编程中递归的俳句。', 'role': 'user'}, {'id': '__fake_id__', 'content': [{'annotations': [], 'text': '函数自调用，  \n层层深入栈中游，  \n终有归来时。', 'type': 'output_text'}], 'role': 'assistant', 'status': 'completed', 'type': 'message'}, {'role': 'user', 'content': '请问我的上一个问题是什么？'}]
你上一个问题是：  
**"请写一首关于编程中递归的俳句。"**  需要调整或补充回答吗？还是想继续探讨递归或俳句？  😊[{'content': '请写一首关于编程中递归的俳句。', 'role': 'user'}, {'id': '__fake_id__', 'content': [{'annotations': [], 'text': '函数自调用，  \n层层深入栈中游，  \n终有归来时。', 'type': 'output_text'}], 'role': 'assistant', 'status': 'completed', 'type': 'message'}, {'role': 'user', 'content': '请问我的上一个问题是什么？'}, {'id': '__fake_id__', 'content': [{'annotations': [], 'text': '你上一个问题是：  \n**"请写一首关于编程中递归的俳句。"**  \n\n需要调整或补充回答吗？还是想继续探讨递归或俳句？  😊', 'type': 'output_text'}], 'role': 'assistant', 'status': 'completed', 'type': 'message'}]

3.2 多轮对话完整代码

from openai import AsyncOpenAI
from agents import OpenAIChatCompletionsModel,Agent,Runner,set_default_openai_client
from agents.model_settings import ModelSettings
from IPython.display import display, Code, Markdown, Image
OPENAI_API_KEY="hk-xxx"
OPENAI_API_BASE="https://api.openai-hk.com/v1"
MODEL="deepseek-v3"# 创建一个Agent对象并调用DeepSeek模型
external_client = AsyncOpenAI(base_url =OPENAI_API_BASE,api_key=OPENAI_API_KEY,
)
set_default_openai_client(external_client)deepseek_model = OpenAIChatCompletionsModel(model=MODEL,openai_client=external_client)# ame就是Agent的名称，而instructions就是Agent的“系统提示”
agent = Agent(name="Assistant", instructions="你是一名助人为乐的助手。",model=deepseek_model)async def chat(Agent):input_items = []while True:user_input = input("💬 请输入你的消息（输入quit/exit退出）：")if user_input.lower() in ["exit", "quit"]:print("✅ 对话已结束")break# 主动添加询问消息input_items.append({"content": user_input, "role": "user"})# 自动添加事件中的回答消息result = await Runner.run(Agent, input_items)display(Markdown(result.final_output))input_items = result.to_input_list()await chat(agent)

3.3 多轮对话内容

💬 请输入你的消息（输入quit/exit退出）：你好，你可以帮助我吗/

当然可以！我很乐意帮助你。请告诉我你需要什么帮助，无论是学习、工作、生活问题，还是其他任何疑问，我都会尽力为你解答。😊
你可以直接在这里描述你的问题或需求，我会尽快给你最实用的建议或信息！

💬 请输入你的消息（输入quit/exit退出）：我想赶紧研究生毕业，给我两条建议

当然！如果你想加速研究生毕业，以下是两条最核心的建议，结合效率和可行性：

明确毕业条件，优先完成“硬指标”
研究进度：快速锁定导师认可的毕业课题（避免中途换题），集中精力完成论文核心章节（如实验/数据分析），其他部分（如文献综述）可后期补充。
发表要求：如果学校要求发表论文，优先投递周期短的期刊/会议（如EI会议、校定核心期刊），或与导师协商用项目报告、专利等替代部分要求。
高效时间管理 + 主动沟通
制定极简计划：将任务拆解到周，例如：
第1-3个月：完成实验或建模；
第4-5个月：写论文+投稿；
第6个月：修改/准备答辩。
高频同步导师：每周固定时间汇报进展（哪怕只有一点），让导师看到你的主动性，避免后期因反馈延迟耽误时间。
额外提示：如果时间紧迫，可申请提前答辩（需提前查清学校政策），或利用课题组已有数据/合作项目减少工作量。
如果需要具体某方面的技巧（比如如何快速写论文、应对导师拖延），可以告诉我，我再展开细说！ 💪

💬 请输入你的消息（输入quit/exit退出）：我上一个问题是什么来着？
你上一个问题是：“我想赶紧研究生毕业，给我两条建议”
我回复了两条核心建议（明确毕业条件 + 高效时间管理），并附带了额外提示。需要我复述具体内容，或补充其他方面吗？ 😊（小提醒：如果想回顾之前的对话，可以随时告诉我~）

💬 请输入你的消息（输入quit/exit退出）： quit
✅ 对话已结束

四接入ollama/vLLM本地模型

接入本地模型测试

from openai import OpenAI
client = OpenAI(base_url='http://localhost:11434/v1/',api_key='ollama',  # required but ignored
)
prompt = "你好，好久不见！"
messages = [{"role": "user", "content": prompt}
]response = client.chat.completions.create(messages=messages,model='deepseek-r1:14b',
)print(response.choices[0].message.content)

接入Agent SDK测试

from openai import AsyncOpenAI
from agents import OpenAIChatCompletionsModel,Agent,Runner,set_default_openai_client
from agents import set_tracing_disabled  # or from your framework's module
external_client = AsyncOpenAI(base_url = 'http://localhost:11434/v1',api_key='ollama', 
)
set_default_openai_client(external_client)
set_tracing_disabled(True)
agent = Agent(name="Assistant", instructions="你是一名助人为乐的助手。",model=OpenAIChatCompletionsModel(model="deepseek-r1:14b",openai_client=external_client,))
result = await Runner.run(agent, "请写一首关于编程中递归的诗句。") 
print(result.final_output)

嗯，用户让我写一首关于编程中递归的诗句。首先，我得理解什么是递归。递归是一种函数调用自身的方法，在解决问题时会将问题分解为更小的子问题。接下来，我要把递归的特点融入诗句里。递归通常涉及重复执行和逐步缩小的问题规模。所以，我想用一些自然现象或者循环的概念来比喻。考虑到诗的韵律和意象，我想到阶梯和螺旋这两个形象。阶梯代表逐步分解问题，而螺旋则象征不断深入的过程。这样可以很好地表现出递归的特点。然后，我需要找出押韵的词汇，让诗句更流畅。第一句“函数清点阶与梯”用了“梯”，有押韵的感觉。第二句“调用自身旋入迷”中的“迷”对仗也不错，同时表达了深入的过程。第三和第四句需要总结递归带来的结果。“数层深意终自现”说明通过多次调用，问题的深层含义逐渐显现。最后一句“解法重生始Adjacent（相邻）”暗示了在重复过程中，新的解法出现，类似于函数调用时的状态变化。整体来看，这样的诗句既贴合递归的概念，又有诗意和韵律感。希望用户能够通过这首诗更好地理解和记忆递归的特点。

函数清点阶与梯，
调用自身旋入迷。
数层深意终自现，
解法重生始Adjacent（相邻）。

查看全文

http://www.dtcms.com/a/310712.html