开源AI agent框架agere教程
agere，一个轻量级、开源的AI agent框架，专为通用性和可定制性设计，旨在简化构建复杂agent逻辑流程。它适用于驱动各类任务，无需依赖第三方库。agere基于拉丁语词根agere，意为“行动”或“做”，强调作为行动发起者或驱动者的角色。通过使用agere，你可以构建基于OpenAI GPT模型的对话agent，实现多轮对话和工具调用。
在本教程中，我们将构建一个使用agere的agent，基于OpenAI GPT模型，实现与用户的对话，并调用工具。首先，我们定义Job类，用于封装执行任务所需的资源。每个Job需包含一个task方法，负责具体的逻辑执行。我们创建了ChatJob，用于向GPT发送消息并接收回复。此Job将回复内容打包至ResponseJob，转交给下一个Job处理。
接着，我们定义了ResponseJob，将处理消息接收的任务作为handler执行。handler是一个函数或方法，可被装饰器处理，允许在其中使用self_handler参数，便于访问自身实例。我们利用handler解析GPT回复中的用户消息和工具调用消息，分别处理并返回给相应处理函数。
在流程中，我们使用LLMAsyncAdapter转换来自LLM的同步消息流至异步流，便于回调不同阶段的处理。流程中出现分叉，通过user_handler和function_call_handler分别处理用户消息和工具调用消息，形成环状流程。
为了实现对话的闭环，我们在ChatJob中设置回调函数，当任务完成时，启动下一轮对话。通过TaskNode状态管理，确保所有子任务完成时，父任务结束，实现对话循环。
构建完成后，我们使用commander执行Job任务流程，实现完整的对话agent。完整示例代码展示了Job、handler、回调及commander的使用，直观展示了agent运行流程。
agere框架的目标是简化agent逻辑流程，促进清晰性，方便未来拓展和修改。尽管代码量可能不显著减少，但通过聚焦核心逻辑和逻辑流程的清晰化，agere旨在提升agent构建的效率和可维护性。框架的通用性和可定制性使其保持轻量级，并避免依赖第三方库，确保构建过程的灵活性和自主性。
多重随机标签