Agentscope调用工具入门指南：从零搭建你的第一个智能代理

1次阅读

没有评论

共计 2270 个字符，预计需要花费 6 分钟才能阅读完成。

想象你正在组装一台智能机器人（Agent），它的能力取决于两个关键因素：

Scope（工具箱）：就像机器人的工具腰带，里面装着扳手（Tool A）、螺丝刀（Tool B）等工具。在 Agentscope 中，Scope 就是工具方法的集合容器。
Tool（工具）：每个具体功能如同独立工具。比如「天气查询工具」可能封装了调用气象 API 的细节，你只需告诉它城市名就能返回结果。

Agent 则是使用这些工具的智能体，它根据你的指令（输入）自动选择合适的工具（Tool），在指定范围（Scope）内完成任务。

确保 Python≥3.8（推荐 3.10+）：
```
python --version  # 检查版本
```
安装 Agentscope 核心库（示例使用 0.2.1 版本）：
```
pip install agentscope==0.2.1
```

验证安装（不报错即成功）：

import agentscope
print(agentscope.__version__)

from agentscope import Agent, Tool

# 定义一个加法工具
@Tool
def add(a: int, b: int) -> int:
    """两数相加（工具注释会被 Agent 自动识别）"""
    return a + b

# 创建携带工具的 Agent
calculator = Agent(tools=[add])
result = calculator.run("计算 3 加 5 的和")  # 同步阻塞调用
print(result)  # 输出：8

import asyncio

async def async_demo():
    result = await calculator.arun("异步计算 10+20")  # 注意 await 关键字
    print(result)  # 输出：30

asyncio.run(async_demo())

关键差异：
– 同步调用适合简单脚本，异步适合高并发场景
– 异步方法需加 a 前缀（如arun）并配合await

先获取免费 API key：OpenWeatherMap 官网

from agentscope.tools import OpenAPITool

weather_tool = OpenAPITool(
    name="get_weather",
    endpoint="https://api.openweathermap.org/data/2.5/weather",
    params={"q": "{city}",  # 占位符将被实际城市替换
        "appid": "你的 API_KEY",
        "units": "metric"
    }
)

weather_agent = Agent(tools=[weather_tool],
    system_prompt="你是一个天气助手，只回答天气相关问题"
)

# 模拟用户交互
response = weather_agent.run("上海现在天气如何？")
print(response)
# 可能输出："上海当前气温 22℃，晴，湿度 65%"

实际 API 返回 JSON 数据，可以添加后处理：

@Tool
def parse_weather(data: dict) -> str:
    """提取关键天气信息"""
    return f"{data['name']}当前气温{data['main']['temp']}℃，{data['weather'][0]['description']}"

# 更新工具配置
weather_tool.post_process = parse_weather

检查 API key 是否包含特殊字符（建议复制到纯文本编辑器核对）
确认服务商后台已启用该 API（如 OpenWeather 需激活免费套餐）

添加请求延迟（异步场景推荐）：

import time

@Tool
def safe_request():
    time.sleep(0.5)  # 每次请求间隔 500ms
    # 实际请求代码...

对需要多轮交互的 Agent，建议保存对话历史：

from agentscope import Memory

agent = Agent(tools=[...],
    memory=Memory()  # 自动记录上下文)

Agentscope 可与 LangChain 协同工作，例如结合其文本处理能力：

先用 LangChain 的文本分割器处理长文档
将分块结果传递给 Agentscope 的摘要工具

示例代码框架：

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter()
chunks = splitter.split_text(long_text)

for chunk in chunks:
    summary = await summary_agent.arun(chunk)
    print(summary)

通过本文的实践，你应该已经掌握了 Agentscope 的基础用法。接下来可以尝试：
– 为 Agent 添加更多工具（如翻译、日历管理）
– 探索 Agentscope 的管道 (Pipeline) 功能实现多 Agent 协作
– 结合 Gradio/FastAPI 构建 Web 交互界面

遇到问题时，记得查阅官方文档或 GitHub 社区讨论。Happy coding！

正文完