codefuse-chatbot/sources/readme_docs/coagent/connector/connector_agent.md

title	slug	url	aliases
Connector Agent	Connector Agent ZH	coagent/connector-agent-zh	/coagent/connector-agent-zh

快速构建一个Agent

• 首先增加openai配置，也可以是其它类似于openai接口的模型（通过fastchat启动）

from coagent.base_configs.env_config import JUPYTER_WORK_PATH, KB_ROOT_PATH
from coagent.llm_models.llm_config import EmbedConfig, LLMConfig
from coagent.connector.configs import AGETN_CONFIGS
from coagent.connector.agents import BaseAgent
from coagent.connector.schema import Message, load_role_configs


os.environ["API_BASE_URL"] = OPENAI_API_BASE
os.environ["OPENAI_API_KEY"] = "sk-xx"
openai.api_key = "sk-xxx"
# os.environ["OPENAI_PROXY"] = "socks5h://127.0.0.1:13659"
os.environ["DUCKDUCKGO_PROXY"] = os.environ.get("DUCKDUCKGO_PROXY") or "socks5://127.0.0.1:13659"

• 配置相关 LLM 和 Embedding Model

# LLM 和 Embedding Model 配置
llm_config = LLMConfig(
    model_name="gpt-3.5-turbo", model_device="cpu",api_key=os.environ["OPENAI_API_KEY"], 
    api_base_url=os.environ["API_BASE_URL"], temperature=0.3
    )
embed_config = EmbedConfig(
    embed_engine="model", embed_model="text2vec-base-chinese", 
    embed_model_path="D://project/gitlab/llm/external/ant_code/Codefuse-chatbot/embedding_models/text2vec-base-chinese"
    )

• 这里从已有的agent配置选一个role来做示例

# 从已有的配置中选择一个config，具体参数细节见下面
role_configs = load_role_configs(AGETN_CONFIGS)
agent_config = role_configs["general_planner"]
# 生成agent实例
base_agent = BaseAgent(
    role=agent_config.role, 
    prompt_config = agent_config.prompt_config,
    prompt_manager_type=agent_config.prompt_manager_type,
    chat_turn=agent_config.chat_turn,
    focus_agents=[],
    focus_message_keys=[],
    llm_config=llm_config,
    embed_config=embed_config,
    jupyter_work_path=JUPYTER_WORK_PATH,
    kb_root_path=KB_ROOT_PATH,
    ) 
# round-1
query_content = "确认本地是否存在employee_data.csv，并查看它有哪些列和数据类型;然后画柱状图"
query = Message(
    role_name="human", role_type="user",
    role_content=query_content, input_query=query_content, origin_query=query_content,
    )

output_message = base_agent.step(query)
print(output_message.to_str_content(content_key="parsed_output_list"))

Agent 参数配置

# 配置结构在这个目录
from coagent.connector.schema import Role, PromptField

Agent Config

Config Key Name	Type	Description
role	Role	角色描述
prompt_config	List[PromptField]	Enum：PromptManager 也可以继承以上几种Agent然后去构造相关的Agent
prompt_manager_type	String	Enum：PromptManager 也可以继承以上几种Agent然后去构造自定义的Enum：PromptManager
focus_agents	List[String]	metagpt的逻辑，关注哪些agent生成的message，可选值范围为：role_name
focus_message_keys	List[String]	额外增加的逻辑，关注message里面具体的 key 信息可选值范围为：agent 的 output_keys
chat_turn	int	只针对ReactAgent有效
llm_config	LLMConfig	大语言模型配置
embed_config	EmbedConfig	向量模型配置
sandbox_server	Dict	沙盒环境即notebook启动配置
jupyter_work_path	str	沙盒环境的工作目录
kb_root_path	str	memory的存储路径
log_verbose	str	agent prompt&predict的日志打印级别

Role

Config Key Name	Type	Description
role_type	str	角色类型, Enum: system、user、assistant、function、observation、summary
role_name	str	角色名称
role_desc	str	角色描述
agent_type	str	代理类型
role_prompt	str	角色提示
template_prompt	str	模板提示

PromptField

Config Key Name	Type	Description
field_name	str
function_name	str
title	str
description	str
is_context	bool
omit_if_empty	bool