Cogito-V1-Preview-Llama-3B实战构建基于智能体Agent的自动化任务系统最近AI圈子里“智能体”这个词特别火感觉一夜之间大家都在讨论。简单来说智能体就是一个能自己动脑子、自己动手干活的AI程序。它不像传统的聊天机器人你问一句它答一句就完了。智能体能理解你一个复杂的、多步骤的指令然后自己规划怎么一步步完成甚至还能调用各种工具来帮忙。今天我们就来动手玩一个。我会用Cogito-V1-Preview-Llama-3B这个模型作为智能体的“大脑”带大家一步步搭建一个能自动处理复杂任务的智能体系统。比如你告诉它“帮我查一下最近三天AI领域的重大新闻并总结成一份简报。” 它就能自己规划出“搜索新闻”、“筛选重要信息”、“撰写总结”这几个步骤并模拟执行。整个过程不需要你一步步指挥它自己就能搞定。听起来是不是有点意思这背后其实就是大模型在任务规划和逻辑推理上的能力。我们这就开始看看怎么把这个“聪明”的智能体给造出来。1. 为什么需要智能体从聊天到“做事”的跨越你可能已经用过很多大模型了比如让它写首诗、翻译一段话或者回答一个问题。这些都属于“单次问答”模式你输入它输出任务就结束了。但现实世界中的很多任务要复杂得多。举个例子老板让你“整理一份关于新能源汽车市场趋势的报告”。这可不是一句话就能搞定的。你需要去网上找最新的行业新闻和数据。筛选出关键信息和权威来源。把零散的信息组织成有逻辑的结构。最后写成一份格式清晰的报告。如果让传统的大模型来做你可能得自己完成前面三步然后把一堆材料喂给它让它帮你写最后一步。但智能体的目标是你只需要给出最终指令——“整理报告”它就能自动把前面四步都包了。Cogito-V1-Preview-Llama-3B这类模型在理解复杂指令、进行任务分解和步骤规划方面表现出色非常适合作为这类智能体的“决策中枢”或“大脑”。它不直接去搜索网页那是工具的事但它能想明白要完成用户的指令需要先做什么再做什么每一步该调用哪个工具。我们的目标就是构建一个以Cogito模型为“大脑”能够连接各种“工具手”的自动化系统。2. 搭建智能体系统的核心组件在开始写代码之前我们先得把智能体的几个核心“器官”搞清楚。一个基本的智能体系统通常包含这几部分规划器Planner 这就是我们智能体的“大脑”由Cogito模型担任。它的核心工作是理解用户的复杂意图并把一个大任务拆解成一个个有逻辑顺序、可执行的小任务。比如把“查新闻并写简报”拆成“搜索关键词”、“按时间过滤”、“提取要点”、“生成摘要”。工具集Tools 这是智能体的“手”和“脚”。大脑想得再好没有工具也办不成事。工具就是一些具体的函数或API比如web_search(query): 模拟网络搜索。current_date(): 获取当前日期。text_summarize(content, max_length): 对长文本进行摘要。执行器Executor 它负责协调工作。接收“大脑”规划出的任务列表然后决定当前该执行哪个任务调用对应的工具并把工具执行的结果反馈给大脑以便大脑决定下一步怎么做。记忆体Memory 智能体得有“记性”不然它会忘记之前说过的话和做过的事。记忆体负责存储完整的对话历史、任务执行状态和中间结果确保任务连贯性。下面这张图展示了它们是如何协同工作的用户输入 ↓ [规划器 (Cogito模型)] ↓ (分解任务生成计划) [执行器] ↓ (选择当前任务调用工具) [工具集] → 执行 → 返回结果 ↓ [记忆体] ← 更新对话与状态 ↓ [规划器] ← 根据结果决定下一步 ↓ (循环直到所有任务完成) 最终输出给用户3. 实战开始构建你的第一个任务自动化智能体理论讲完了我们动手写代码。这里我会用一个简化的示例帮你理解整个流程。我们假设已经有一些模拟好的工具函数。3.1 环境准备与模型初始化首先确保你的Python环境已经准备好并安装必要的库。这里我们主要需要大模型相关的调用库如transformers。# 导入必要的库 from transformers import AutoTokenizer, AutoModelForCausalLM import json import re # 初始化Cogito-V1-Preview-Llama-3B模型和分词器 # 注意模型名称需根据实际仓库路径调整 model_name 你的模型路径/Cogito-V1-Preview-Llama-3B tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained(model_name) # 设置一个简单的对话历史存储 conversation_history []3.2 定义智能体的“工具手”我们来定义几个模拟工具。在实际应用中这些工具应该替换为真实的API调用。# 模拟工具集 class AgentTools: staticmethod def web_search(query): 模拟网络搜索返回模拟结果 # 这里应该是调用搜索引擎API如Serper API、Google Custom Search等 # 为了演示我们返回固定文本 mock_results { AI news: [ 【日期2023-10-26】OpenAI发布新模型多模态能力大幅提升。, 【日期2023-10-25】谷歌AI团队在自然语言理解基准测试中刷新纪录。, 【日期2023-10-24】国内某公司开源其百亿参数对话模型。, 【日期2023-10-23】AI在蛋白质结构预测领域再获突破。 ] } return mock_results.get(query, [未找到相关信息。]) staticmethod def filter_by_date(items, days_back3): 模拟按最近N天过滤信息 # 真实场景下你需要解析items中的日期字符串 # 这里简单返回最后days_back条 return items[:days_back] staticmethod def summarize_text(text_list, max_length100): 模拟文本摘要功能 # 真实场景下这里可以调用另一个摘要模型或API combined .join(text_list) # 简单模拟取前max_length个字符并加省略号 summary combined[:max_length] ... if len(combined) max_length else combined return f简报摘要{summary}3.3 构建“大脑”让Cogito模型进行任务规划这是最核心的部分。我们需要设计一个提示词Prompt引导Cogito模型将用户指令分解为结构化任务。def plan_with_cogito(user_input, history): 使用Cogito模型规划任务。 返回一个任务列表每个任务包含 action工具名和 parameters参数。 # 构建规划提示词 system_prompt 你是一个任务规划AI。请将用户的复杂请求分解为一系列可执行的子任务。 每个子任务应对应一个可用的工具。可用工具列表 1. web_search(query: str): 执行网络搜索。 2. filter_by_date(items: list, days_back: int): 按天数过滤信息列表。 3. summarize_text(text_list: list, max_length: int): 生成文本摘要。 请以严格的JSON数组格式输出每个元素是一个字典包含 action 和 parameters 键。 例如对于“查最近三天AI新闻并总结”输出可能像 [ {action: web_search, parameters: {query: AI news}}, {action: filter_by_date, parameters: {items: [上一步结果], days_back: 3}}, {action: summarize_text, parameters: {text_list: [上一步结果], max_length: 150}} ] # 将历史对话和当前输入组合 history_text \n.join([fUser: {h[user]}\nAssistant: {h[assistant]} for h in history[-3:]]) # 保留最近3轮历史 full_prompt f{system_prompt}\n\n对话历史\n{history_text}\n\n用户最新请求{user_input}\n\n任务规划JSON格式 # 调用模型生成 inputs tokenizer(full_prompt, return_tensorspt, truncationTrue, max_length1024) outputs model.generate(**inputs, max_new_tokens256, temperature0.1) plan_text tokenizer.decode(outputs[0], skip_special_tokensTrue) # 从模型输出中提取JSON部分简单的正则匹配生产环境需更健壮 json_match re.search(r\[.*\], plan_text, re.DOTALL) if json_match: try: plan json.loads(json_match.group()) return plan except json.JSONDecodeError: print(模型返回的规划结果不是有效JSON使用备用计划。) # 备用计划如果模型解析失败使用一个基于规则的简单规划 if 新闻 in user_input and 总结 in user_input: return [ {action: web_search, parameters: {query: AI news}}, {action: filter_by_date, parameters: {days_back: 3}}, {action: summarize_text, parameters: {max_length: 150}} ] return []3.4 组装智能体让系统跑起来现在我们把大脑、工具手和记忆体组装起来形成一个可以运行的智能体循环。def run_agent_workflow(user_input): 执行智能体工作流 global conversation_history print(f\n用户指令{user_input}) print(*50) # 步骤1任务规划 print([智能体] 正在分析指令规划任务...) task_plan plan_with_cogito(user_input, conversation_history) print(f规划出的任务序列{task_plan}) # 步骤2按顺序执行任务 intermediate_results [] for i, task in enumerate(task_plan): action task.get(action) params task.get(parameters, {}) print(f\n[智能体] 执行步骤 {i1}: {action} with {params}) # 动态替换参数中的占位符例如“[上一步结果]” for key, value in params.items(): if isinstance(value, str) and [上一步结果] in value: params[key] intermediate_results[-1] if intermediate_results else value # 根据action调用对应的工具 if action web_search: result AgentTools.web_search(**params) elif action filter_by_date: # 注意这里需要将上一步结果作为items参数传入 params[items] intermediate_results[-1] if intermediate_results else [] result AgentTools.filter_by_date(**params) elif action summarize_text: params[text_list] intermediate_results[-1] if intermediate_results else [] result AgentTools.summarize_text(**params) else: result f未知工具{action} intermediate_results.append(result) print(f执行结果{result}) # 步骤3生成最终回复 final_output intermediate_results[-1] if intermediate_results else 任务执行未产生结果。 # 更新对话历史 conversation_history.append({user: user_input, assistant: final_output}) print(\n *50) print(f[智能体] 任务完成最终结果\n{final_output}) return final_output # 运行示例 if __name__ __main__: user_query 帮我查一下最近三天AI领域的重大新闻并总结成一份简报 run_agent_workflow(user_query)运行上面的代码你会在控制台看到类似下面的输出流程这模拟了智能体“思考”和“执行”的过程用户指令帮我查一下最近三天AI领域的重大新闻并总结成一份简报 [智能体] 正在分析指令规划任务... 规划出的任务序列[{action: web_search, parameters: {query: AI news}}, ...] [智能体] 执行步骤 1: web_search with {query: AI news} 执行结果[【日期2023-10-26】OpenAI发布新模型..., ...] ... [智能体] 任务完成最终结果 简报摘要【日期2023-10-26】OpenAI发布新模型...【日期2023-10-25】谷歌AI团队...【日期2023-10-24】国内某公司开源...4. 让智能体更强大进阶思路与优化上面的例子是一个极简的演示帮你理解了核心流程。但要构建一个真正实用的智能体你还需要考虑下面这些方面工具的真实化 把模拟工具换成真家伙。web_search: 集成Serper Dev、Google Programmable Search等搜索API。text_summarize: 调用专门的摘要模型如BART、T5或API。增加新工具send_email,query_database,execute_code等。规划器的增强 让“大脑”更聪明。更好的提示工程设计更详细、包含更多示例的提示词让模型规划更准确。支持复杂逻辑处理“如果...就...”这类条件分支任务。自我反思与纠错让模型能检查工具执行结果是否合理如果不行就调整计划重试。记忆与上下文管理 记住更多才能处理更长的对话。使用向量数据库存储和检索长期记忆。精炼对话历史避免超出模型上下文长度。错误处理与鲁棒性 让智能体更稳定。工具调用失败时有重试或备用方案。模型输出不符合格式时能自动修正或提示用户。用户交互与体验 让交互更自然。在执行过程中给用户适当的进度反馈“正在搜索...”、“正在分析...”。允许用户中途打断、修改指令或提供额外信息。5. 总结通过这个实战项目我们看到了Cogito-V1-Preview-Llama-3B这类模型作为智能体“大脑”的潜力。它不再只是一个问答机器而是一个能理解复杂意图、自主规划并协调工具完成任务的中枢。从“帮我查新闻”到自动输出简报这个过程的背后是大模型对任务逻辑的解析和推理能力。虽然我们的示例还很简单用的也是模拟工具但整个框架是通用的。你可以把web_search换成真正的搜索引擎API把summarize_text换成更强大的摘要模型这个智能体立刻就能处理真实任务。智能体开发目前还是一个非常前沿和活跃的领域充满了可能性。今天搭建的这个简易系统就像拼出了一个机器人的骨架和基础神经。接下来为它装上更灵敏的“感官”多模态输入、更灵巧的“双手”丰富的工具API、以及更持久的“记忆”向量数据库它就能在自动化办公、智能数据分析、个性化助手等无数场景中真正发挥作用。不妨就从今天这个例子开始尝试添加一两个真实工具看看它能为你做些什么。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Cogito-V1-Preview-Llama-3B实战：构建基于智能体（Agent）的自动化任务系统
Cogito-V1-Preview-Llama-3B实战构建基于智能体Agent的自动化任务系统最近AI圈子里“智能体”这个词特别火感觉一夜之间大家都在讨论。简单来说智能体就是一个能自己动脑子、自己动手干活的AI程序。它不像传统的聊天机器人你问一句它答一句就完了。智能体能理解你一个复杂的、多步骤的指令然后自己规划怎么一步步完成甚至还能调用各种工具来帮忙。今天我们就来动手玩一个。我会用Cogito-V1-Preview-Llama-3B这个模型作为智能体的“大脑”带大家一步步搭建一个能自动处理复杂任务的智能体系统。比如你告诉它“帮我查一下最近三天AI领域的重大新闻并总结成一份简报。” 它就能自己规划出“搜索新闻”、“筛选重要信息”、“撰写总结”这几个步骤并模拟执行。整个过程不需要你一步步指挥它自己就能搞定。听起来是不是有点意思这背后其实就是大模型在任务规划和逻辑推理上的能力。我们这就开始看看怎么把这个“聪明”的智能体给造出来。1. 为什么需要智能体从聊天到“做事”的跨越你可能已经用过很多大模型了比如让它写首诗、翻译一段话或者回答一个问题。这些都属于“单次问答”模式你输入它输出任务就结束了。但现实世界中的很多任务要复杂得多。举个例子老板让你“整理一份关于新能源汽车市场趋势的报告”。这可不是一句话就能搞定的。你需要去网上找最新的行业新闻和数据。筛选出关键信息和权威来源。把零散的信息组织成有逻辑的结构。最后写成一份格式清晰的报告。如果让传统的大模型来做你可能得自己完成前面三步然后把一堆材料喂给它让它帮你写最后一步。但智能体的目标是你只需要给出最终指令——“整理报告”它就能自动把前面四步都包了。Cogito-V1-Preview-Llama-3B这类模型在理解复杂指令、进行任务分解和步骤规划方面表现出色非常适合作为这类智能体的“决策中枢”或“大脑”。它不直接去搜索网页那是工具的事但它能想明白要完成用户的指令需要先做什么再做什么每一步该调用哪个工具。我们的目标就是构建一个以Cogito模型为“大脑”能够连接各种“工具手”的自动化系统。2. 搭建智能体系统的核心组件在开始写代码之前我们先得把智能体的几个核心“器官”搞清楚。一个基本的智能体系统通常包含这几部分规划器Planner 这就是我们智能体的“大脑”由Cogito模型担任。它的核心工作是理解用户的复杂意图并把一个大任务拆解成一个个有逻辑顺序、可执行的小任务。比如把“查新闻并写简报”拆成“搜索关键词”、“按时间过滤”、“提取要点”、“生成摘要”。工具集Tools 这是智能体的“手”和“脚”。大脑想得再好没有工具也办不成事。工具就是一些具体的函数或API比如web_search(query): 模拟网络搜索。current_date(): 获取当前日期。text_summarize(content, max_length): 对长文本进行摘要。执行器Executor 它负责协调工作。接收“大脑”规划出的任务列表然后决定当前该执行哪个任务调用对应的工具并把工具执行的结果反馈给大脑以便大脑决定下一步怎么做。记忆体Memory 智能体得有“记性”不然它会忘记之前说过的话和做过的事。记忆体负责存储完整的对话历史、任务执行状态和中间结果确保任务连贯性。下面这张图展示了它们是如何协同工作的用户输入 ↓ [规划器 (Cogito模型)] ↓ (分解任务生成计划) [执行器] ↓ (选择当前任务调用工具) [工具集] → 执行 → 返回结果 ↓ [记忆体] ← 更新对话与状态 ↓ [规划器] ← 根据结果决定下一步 ↓ (循环直到所有任务完成) 最终输出给用户3. 实战开始构建你的第一个任务自动化智能体理论讲完了我们动手写代码。这里我会用一个简化的示例帮你理解整个流程。我们假设已经有一些模拟好的工具函数。3.1 环境准备与模型初始化首先确保你的Python环境已经准备好并安装必要的库。这里我们主要需要大模型相关的调用库如transformers。# 导入必要的库 from transformers import AutoTokenizer, AutoModelForCausalLM import json import re # 初始化Cogito-V1-Preview-Llama-3B模型和分词器 # 注意模型名称需根据实际仓库路径调整 model_name 你的模型路径/Cogito-V1-Preview-Llama-3B tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained(model_name) # 设置一个简单的对话历史存储 conversation_history []3.2 定义智能体的“工具手”我们来定义几个模拟工具。在实际应用中这些工具应该替换为真实的API调用。# 模拟工具集 class AgentTools: staticmethod def web_search(query): 模拟网络搜索返回模拟结果 # 这里应该是调用搜索引擎API如Serper API、Google Custom Search等 # 为了演示我们返回固定文本 mock_results { AI news: [ 【日期2023-10-26】OpenAI发布新模型多模态能力大幅提升。, 【日期2023-10-25】谷歌AI团队在自然语言理解基准测试中刷新纪录。, 【日期2023-10-24】国内某公司开源其百亿参数对话模型。, 【日期2023-10-23】AI在蛋白质结构预测领域再获突破。 ] } return mock_results.get(query, [未找到相关信息。]) staticmethod def filter_by_date(items, days_back3): 模拟按最近N天过滤信息 # 真实场景下你需要解析items中的日期字符串 # 这里简单返回最后days_back条 return items[:days_back] staticmethod def summarize_text(text_list, max_length100): 模拟文本摘要功能 # 真实场景下这里可以调用另一个摘要模型或API combined .join(text_list) # 简单模拟取前max_length个字符并加省略号 summary combined[:max_length] ... if len(combined) max_length else combined return f简报摘要{summary}3.3 构建“大脑”让Cogito模型进行任务规划这是最核心的部分。我们需要设计一个提示词Prompt引导Cogito模型将用户指令分解为结构化任务。def plan_with_cogito(user_input, history): 使用Cogito模型规划任务。 返回一个任务列表每个任务包含 action工具名和 parameters参数。 # 构建规划提示词 system_prompt 你是一个任务规划AI。请将用户的复杂请求分解为一系列可执行的子任务。 每个子任务应对应一个可用的工具。可用工具列表 1. web_search(query: str): 执行网络搜索。 2. filter_by_date(items: list, days_back: int): 按天数过滤信息列表。 3. summarize_text(text_list: list, max_length: int): 生成文本摘要。 请以严格的JSON数组格式输出每个元素是一个字典包含 action 和 parameters 键。 例如对于“查最近三天AI新闻并总结”输出可能像 [ {action: web_search, parameters: {query: AI news}}, {action: filter_by_date, parameters: {items: [上一步结果], days_back: 3}}, {action: summarize_text, parameters: {text_list: [上一步结果], max_length: 150}} ] # 将历史对话和当前输入组合 history_text \n.join([fUser: {h[user]}\nAssistant: {h[assistant]} for h in history[-3:]]) # 保留最近3轮历史 full_prompt f{system_prompt}\n\n对话历史\n{history_text}\n\n用户最新请求{user_input}\n\n任务规划JSON格式 # 调用模型生成 inputs tokenizer(full_prompt, return_tensorspt, truncationTrue, max_length1024) outputs model.generate(**inputs, max_new_tokens256, temperature0.1) plan_text tokenizer.decode(outputs[0], skip_special_tokensTrue) # 从模型输出中提取JSON部分简单的正则匹配生产环境需更健壮 json_match re.search(r\[.*\], plan_text, re.DOTALL) if json_match: try: plan json.loads(json_match.group()) return plan except json.JSONDecodeError: print(模型返回的规划结果不是有效JSON使用备用计划。) # 备用计划如果模型解析失败使用一个基于规则的简单规划 if 新闻 in user_input and 总结 in user_input: return [ {action: web_search, parameters: {query: AI news}}, {action: filter_by_date, parameters: {days_back: 3}}, {action: summarize_text, parameters: {max_length: 150}} ] return []3.4 组装智能体让系统跑起来现在我们把大脑、工具手和记忆体组装起来形成一个可以运行的智能体循环。def run_agent_workflow(user_input): 执行智能体工作流 global conversation_history print(f\n用户指令{user_input}) print(*50) # 步骤1任务规划 print([智能体] 正在分析指令规划任务...) task_plan plan_with_cogito(user_input, conversation_history) print(f规划出的任务序列{task_plan}) # 步骤2按顺序执行任务 intermediate_results [] for i, task in enumerate(task_plan): action task.get(action) params task.get(parameters, {}) print(f\n[智能体] 执行步骤 {i1}: {action} with {params}) # 动态替换参数中的占位符例如“[上一步结果]” for key, value in params.items(): if isinstance(value, str) and [上一步结果] in value: params[key] intermediate_results[-1] if intermediate_results else value # 根据action调用对应的工具 if action web_search: result AgentTools.web_search(**params) elif action filter_by_date: # 注意这里需要将上一步结果作为items参数传入 params[items] intermediate_results[-1] if intermediate_results else [] result AgentTools.filter_by_date(**params) elif action summarize_text: params[text_list] intermediate_results[-1] if intermediate_results else [] result AgentTools.summarize_text(**params) else: result f未知工具{action} intermediate_results.append(result) print(f执行结果{result}) # 步骤3生成最终回复 final_output intermediate_results[-1] if intermediate_results else 任务执行未产生结果。 # 更新对话历史 conversation_history.append({user: user_input, assistant: final_output}) print(\n *50) print(f[智能体] 任务完成最终结果\n{final_output}) return final_output # 运行示例 if __name__ __main__: user_query 帮我查一下最近三天AI领域的重大新闻并总结成一份简报 run_agent_workflow(user_query)运行上面的代码你会在控制台看到类似下面的输出流程这模拟了智能体“思考”和“执行”的过程用户指令帮我查一下最近三天AI领域的重大新闻并总结成一份简报 [智能体] 正在分析指令规划任务... 规划出的任务序列[{action: web_search, parameters: {query: AI news}}, ...] [智能体] 执行步骤 1: web_search with {query: AI news} 执行结果[【日期2023-10-26】OpenAI发布新模型..., ...] ... [智能体] 任务完成最终结果 简报摘要【日期2023-10-26】OpenAI发布新模型...【日期2023-10-25】谷歌AI团队...【日期2023-10-24】国内某公司开源...4. 让智能体更强大进阶思路与优化上面的例子是一个极简的演示帮你理解了核心流程。但要构建一个真正实用的智能体你还需要考虑下面这些方面工具的真实化 把模拟工具换成真家伙。web_search: 集成Serper Dev、Google Programmable Search等搜索API。text_summarize: 调用专门的摘要模型如BART、T5或API。增加新工具send_email,query_database,execute_code等。规划器的增强 让“大脑”更聪明。更好的提示工程设计更详细、包含更多示例的提示词让模型规划更准确。支持复杂逻辑处理“如果...就...”这类条件分支任务。自我反思与纠错让模型能检查工具执行结果是否合理如果不行就调整计划重试。记忆与上下文管理 记住更多才能处理更长的对话。使用向量数据库存储和检索长期记忆。精炼对话历史避免超出模型上下文长度。错误处理与鲁棒性 让智能体更稳定。工具调用失败时有重试或备用方案。模型输出不符合格式时能自动修正或提示用户。用户交互与体验 让交互更自然。在执行过程中给用户适当的进度反馈“正在搜索...”、“正在分析...”。允许用户中途打断、修改指令或提供额外信息。5. 总结通过这个实战项目我们看到了Cogito-V1-Preview-Llama-3B这类模型作为智能体“大脑”的潜力。它不再只是一个问答机器而是一个能理解复杂意图、自主规划并协调工具完成任务的中枢。从“帮我查新闻”到自动输出简报这个过程的背后是大模型对任务逻辑的解析和推理能力。虽然我们的示例还很简单用的也是模拟工具但整个框架是通用的。你可以把web_search换成真正的搜索引擎API把summarize_text换成更强大的摘要模型这个智能体立刻就能处理真实任务。智能体开发目前还是一个非常前沿和活跃的领域充满了可能性。今天搭建的这个简易系统就像拼出了一个机器人的骨架和基础神经。接下来为它装上更灵敏的“感官”多模态输入、更灵巧的“双手”丰富的工具API、以及更持久的“记忆”向量数据库它就能在自动化办公、智能数据分析、个性化助手等无数场景中真正发挥作用。不妨就从今天这个例子开始尝试添加一两个真实工具看看它能为你做些什么。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
