当前位置： 首页 > news >正文

LlamaIndex智能体Agents开发全攻略

news 2025/9/27 8:32:38

一、核心概念解析

1.1 LlamaIndex框架概述

LlamaIndex是一个强大的数据框架，专为构建基于大型语言模型（LLM）的应用程序而设计。它提供了从数据摄取、索引构建到查询执行的全套工具，特别适合构建智能代理系统。

核心组件包括：

  • 数据连接器（Data Connectors）：用于从各种数据源（如PDF、文档、数据库等）读取数据

  • 数据索引（Data Indexes）：将数据转换为结构化格式，便于高效检索

  • 查询引擎（Query Engines）：处理用户查询并生成响应

  • 智能代理（Agents）：能够使用工具执行复杂任务的自主系统

  • 工作流（Workflows）：协调多个组件和步骤的执行流程

1.2 智能代理（Agent）核心概念

智能代理是能够理解目标、规划步骤并使用工具执行任务的系统。在LlamaIndex中，智能代理具有以下特点：

  • 自主性：能够自主决定使用哪些工具以及如何使用

  • 反应性：能够响应环境变化和用户输入

  • 主动性：能够主动采取行动以达成目标

  • 社交能力：能够与其他代理或系统进行交互

LlamaIndex提供了多种代理类型，如FunctionAgent、ReActAgent等，每种类型适用于不同的场景。

1.3 工具（Tools）概念

工具是智能代理执行特定任务的能力扩展。LlamaIndex支持多种类型的工具：

  • 检索工具（Retriever Tools）：用于从知识库中检索信息

  • 函数工具（Function Tools）：执行特定计算或操作

  • 查询工具（Query Tools）：执行复杂查询

  • API工具（API Tools）：与外部服务交互

1.4 工作流（Workflow）概念

工作流是定义多个步骤执行顺序和条件的框架。在LlamaIndex中，工作流由以下元素组成：

  • 事件（Events）：工作流中传递的信息单元

  • 步骤（Steps）：处理事件并产生新事件的函数

  • 上下文（Context）：在工作流中共享的状态信息

二、工具集成

2.1 检索工具

检索工具允许代理从知识库中获取信息：

from llama_index.core.tools import RetrieverTooldef create_retriever_tool(index: VectorStoreIndex, name: str, description: str):"""创建检索工具"""# 创建检索器retriever = index.as_retriever(similarity_top_k=3)# 创建检索工具retriever_tool = RetrieverTool.from_defaults(retriever=retriever,name=name,description=description)return retriever_tool

2.2 函数工具

函数工具允许代理执行特定计算或操作：

from llama_index.core.tools import FunctionTool# 定义计算函数
def multiply(a: float, b: float) -> float:"""两个数相乘"""return a * bdef add(a: float, b: float) -> float:"""两个数相加"""return a + bdef get_weather(city: str) -> str:"""获取指定城市的天气信息（模拟）"""# 这里可以接入真实的天气APIweather_data = {"北京": "晴天，温度25°C","上海": "多云，温度28°C","广州": "雨天，温度30°C"}return weather_data.get(city, f"抱歉，没有{city}的天气信息")# 创建函数工具
multiply_tool = FunctionTool.from_defaults(fn=multiply)
add_tool = FunctionTool.from_defaults(fn=add)
weather_tool = FunctionTool.from_defaults(fn=get_weather)

2.3 API工具

API工具允许代理与外部服务交互：

import requests
from llama_index.core.tools import FunctionTooldef search_web(query: str) -> str:"""使用网络搜索API搜索信息（模拟）"""# 这里可以接入真实的搜索API，如Google Search API、Bing Search API等# 以下是模拟实现return f"关于'{query}'的搜索结果：这是一个模拟的搜索结果。"# 创建API工具
search_tool = FunctionTool.from_defaults(fn=search_web)

三、智能代理创建

3.1 基础智能代理

现在，我们可以创建一个基础的智能代理：

from llama_index.core.agent.workflow import FunctionAgentdef create_basic_agent(tools, system_prompt=None):"""创建基础智能代理"""if system_prompt is None:system_prompt = "你是一个有用的助手，可以使用提供的工具来回答问题和执行任务。"agent = FunctionAgent(tools=tools,llm=Settings.llm,system_prompt=system_prompt,verbose=True  # 启用详细输出，便于调试)return agent

3.2 高级智能代理

我们可以创建一个更高级的智能代理，结合检索和计算能力：

def create_advanced_agent(index: VectorStoreIndex):"""创建高级智能代理"""# 创建工具retriever_tool = create_retriever_tool(index, name="knowledge_retriever",description="用于从知识库中检索相关信息")# 添加函数工具tools = [retriever_tool,multiply_tool,add_tool,weather_tool,search_tool]# 创建系统提示system_prompt = """你是一个智能助手，可以使用多种工具来回答问题和执行任务。当用户提问时，你应该：1. 首先尝试使用knowledge_retriever工具从知识库中查找相关信息2. 如果需要计算，使用multiply或add工具3. 如果需要天气信息，使用get_weather工具4. 如果需要网络搜索，使用search_web工具请根据用户需求选择合适的工具，并综合所有信息给出准确、有用的回答。"""# 创建代理agent = FunctionAgent(tools=tools,llm=Settings.llm,system_prompt=system_prompt,verbose=True)return agent

3.3 代理与工作流结合

我们可以将代理集成到工作流中，创建更复杂的系统：

class AgentEvent(Event):response: strclass AgentWorkflow(Workflow):def __init__(self, agent, **kwargs):super().__init__(**kwargs)self.agent = agent@stepasync def process_with_agent(self, ev: StartEvent) -> AgentEvent:"""使用代理处理输入"""query = ev.get("query")# 使用代理处理查询response = await self.agent.run(query)return AgentEvent(response=str(response))@stepasync def finalize(self, ev: AgentEvent) -> StopEvent:"""最终化结果"""return StopEvent(result=ev.response)async def run_agent_workflow(agent, query: str):"""运行代理工作流"""workflow = AgentWorkflow(agent=agent, timeout=30, verbose=False)result = await workflow.run(query=query)return result

3.4 完整的示例

（1）fun_coll.py中创建所需的方法。

from llama_index.core.tools import FunctionTool
# 定义一些简单的工具函数
def multiply(a: float, b: float) -> float:"""两个数相乘"""print(f"fun_coll- multiply 中的参数：a={a}, b={b}")return a * bdef add(a: float, b: float) -> float:"""两个数相加"""print(f"fun_coll- add 中的参数：a={a}, b={b}")return a + bdef divide(a: float, b: float) -> float:"""两个数相除，除数不能为零"""if b == 0:raise ValueError("除数不能为零")return a / bdef get_weather(city: str) -> str:"""获取指定城市的天气信息（模拟）"""weather_data = {"北京": "晴天，温度25°C","上海": "多云，温度28°C","广州": "雨天，温度30°C"}print(f"fun_coll- get_weather 中的参数：city={city}")return weather_data.get(city, f"抱歉，没有{city}的天气信息")def search(query: str) -> str:"""模拟搜索功能，根据查询词返回结果"""search_results = {"Python": "Python是一种高级编程语言","AI": "AI指人工智能","LlamaIndex": "LlamaIndex是一个用于构建LLM应用的框架"}ret= search_results.get(query, f"未找到关于 '{query}' 的结果")print(f"fun_coll- search 中的返回值：{ret}")return ret# 创建工具实例
multiply_tool = FunctionTool.from_defaults(fn=multiply)
add_tool = FunctionTool.from_defaults(fn=add)
divide_tool = FunctionTool.from_defaults(fn=divide)
weather_tool = FunctionTool.from_defaults(fn=get_weather)
search_tool = FunctionTool.from_defaults(fn=search)

（2）fun_retiever.py中创建检索器。

from llama_index.core.tools import RetrieverTool
from llama_index.core import (VectorStoreIndex,SimpleDirectoryReader,Response,
)
from llama_index.core.node_parser import SentenceSplitter# ......这里造查询引擎......
documents = SimpleDirectoryReader(input_files=[r"D:\muxue\docs\jianlai.txt"]).load_data()
# create vector index
splitter = SentenceSplitter(chunk_size=512)
vector_index = VectorStoreIndex.from_documents(documents, transformations=[splitter]
)
query_engine = vector_index.as_query_engine()# 创建工具
def create_retriever_tool(index: VectorStoreIndex, name: str, description: str):"""创建检索工具"""# 创建检索器retriever = index.as_retriever(similarity_top_k=3)# 创建检索工具tool = RetrieverTool.from_defaults(retriever=retriever,name=name,description=description)return toolmy_retriever_tool=create_retriever_tool(index=vector_index,name="knowledge_retriever",description="用于从知识库中检索相关信息")

（3）my_agent.py负责创建智能体。

# 测试运行agent
import asynciofrom llama_index.core.agent.workflow import FunctionAgent
from common.bedrock_model_loader import model_loadersfrom fun_coll import multiply_tool,add_tool,weather_tool,search_tool
from fun_retriever import my_retriever_toolasync def create_advanced_agent():"""创建高级智能代理"""# 添加函数工具tools = [my_retriever_tool,multiply_tool,add_tool,weather_tool,search_tool]# 创建系统提示system_prompt = """你是一个智能助手，可以使用多种工具来回答问题和执行任务。当用户提问时，你应该：1. 首先尝试使用knowledge_retriever工具从知识库中查找相关信息2. 如果需要计算，使用multiply或add工具3. 如果需要天气信息，使用get_weather工具4. 如果需要网络搜索，使用search_web工具请根据用户需求选择合适的工具，并综合所有信息给出准确、有用的回答。"""agent = FunctionAgent(tools=tools,#llm=model_loaders.llm,  # 使用model_loaders中的llmsystem_prompt=system_prompt,verbose= False # True  # 启用详细输出，便于调试)return agent

（4）main_test.py中调用智能体。

import sys
from pathlib import Path# 添加项目根目录到Python路径
project_root = Path(__file__).resolve().parent.parent
sys.path.insert(0, str(project_root))# ================== 初始化 大模型 Langfuse ==================
from common.muxue_model_loader import model_loaders
import common.langfuse_init_client
# ================== 初始化大模型 Langfuse  end ==================import asyncio
from my_agent import create_advanced_agentasync def test_agent():print("开始测试智能代理...")agent = await create_advanced_agent()# 测试 0: 从知识库中检索答案query1 = "成平安是什么性格？"response1 = await agent.run(query1)print(f"查询1: {query1}")print(f"回答1: {response1}")print("-" * 50)# 测试1: 数学计算query1 = "计算 123 乘以 456 等于多少？"response1 = await agent.run(query1)print(f"查询1: {query1}")print(f"回答1: {response1}")print("-" * 50)# 测试2: 天气查询query2 = "北京的天气怎么样？"response2 = await agent.run(query2)print(f"查询2: {query2}")print(f"回答2: {response2}")print("-" * 50)# 测试3: 组合任务query3 = "先计算 10 加上 20，然后将结果乘以 3"response3 = await agent.run(query3)print(f"查询3: {query3}")print(f"回答3: {response3}")print("-" * 50)# 运行测试
if __name__ == "__main__":asyncio.run(test_agent())

执行结果如下：

查询1: 成平安是什么性格？
回答1: 根据知识库中的信息，成平安是一个勤劳、坚韧、不轻言放弃的人。他自学拉坯技艺，即使在贫困和被人嘲笑的情况下，也坚持不懈地练习。他早起晚睡，养成了良好的作息习惯。此外，他还表现出了一定的谦逊和内敛，在被宋集薪嘲笑时，他没有反驳，而是默不作声。总的来说 ，成平安是一个坚韧、勤劳、谦逊的人。
--------------------------------------------------
fun_coll- multiply 中的参数：a=123, b=456
查询1: 计算 123 乘以 456 等于多少？
回答1: 123 乘以 456 等于 56088。
--------------------------------------------------
fun_coll- get_weather 中的参数：city=北京
查询2: 北京的天气怎么样？
回答2: 北京现在是晴天，温度为25°C。
--------------------------------------------------
fun_coll- add 中的参数：a=10, b=20
fun_coll- multiply 中的参数：a=30, b=3
查询3: 先计算 10 加上 20，然后将结果乘以 3
回答3: 10 加上 20 的结果是 30，然后将 30 乘以 3 的结果是 90。
--------------------------------------------------

http://www.dtcms.com/a/410912.html

相关文章：

  • c++如何实现高性能线程安全队列
  • java-Map集合
  • Web开发：ABP框架14——多个实现，一个接口的高端写法
  • Springboot社区集市摆摊管理系统jv9kp（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。
  • 国产手机百花齐放，如何化解“选择困难症”？
  • 百度主机做视频网站怎么样淘宝客是以下哪个网站的会员简称
  • AI 算力加速指南
  • 【財運到】股票期货盯盘助手-自选股界面介绍
  • 架构入门系列：用数学公式估算服务器数量的实战指南
  • Redis02-Ehcache缓存
  • 结合 SSH 22 + 2222 备用端口 + 临时保护 + 长期守护 + 防火墙 的终极一行命令版本
  • 使用虚幻引擎时间轴制作一个弹跳小球
  • 网站推广和精准seo深圳网站设计兴田德润i简介
  • 从比分到直播流畅度：API 在体育观赛中的关键作用
  • JavaScript又忘了，忘了？太正常了！忘了？太正常了！重新上路：
  • 全新一代北斗三号短报文通信SoC芯片在北斗规模应用国际峰会发布
  • 佛山做企业网站的公司专业设计网站有哪些
  • 户用储能微型逆变器计量电表防逆流
  • 通过手动安装本地部署live-torrent （影视搜索，云播客户端）
  • 学做立体书的网站网站怎么做gps定位
  • 【实时Linux实战系列】实时系统的现场变更与灰度发布
  • 做个简单网站大概多少钱it培训机构排名北京
  • Spring Boot 自动配置之 TaskScheduler
  • .NET Framework 3.5官网下载与5种常见故障解决方法
  • nginx的访问控制、用户认证、https
  • 网站建设完整网站如何做图片特效
  • 服装类跟单系统：提升供应链管理效率的利器
  • 基于微信小程序的旅游景点系统【2026最新】
  • 网站建设升级网站开发项目架构
  • JxBrowser 7.44.0 版本发布啦！