别再说AI取代你！手搓o1版思维链智能体，你也能成为AI时代的弄潮儿！ (附超详细教程)

那些看似“无所不能”的大模型，本质上只是强大的语言工具，缺少真正的“思考”能力。一个简单的对话，展示普通大模型和思维链智能体在解决复杂问题时的差异，前者直接给出错误答案，后者一步步推理，最终给出正确答案。让我们一起，手搓智能体，迎接AI时代的新挑战！接下来，我们将手把手教你如何编写代码，构建属于你自己的思维链智能体。我们将从零开始，用最简单易懂的方式，让你也能拥有一个属于自己的“思考型”智能体。你

lizhijianwill

1158人浏览 · 2025-01-19 08:11:00

lizhijianwill · 2025-01-19 08:11:00 发布

【引言】

你是否焦虑过，未来AI会取代自己的工作？别慌，与其被动等待，不如主动出击！今天，我将带你踏入AI的神秘世界，手搓一个具备“思考能力”的智能体，让你从AI的“被使用者”华丽转身为“掌控者”！ 这不是科幻电影，而是触手可及的现实。

1. AI时代，你真的了解AI吗？

你以为ChatGPT就是AI的全部？那就大错特错了！那些看似“无所不能”的大模型，本质上只是强大的语言工具，缺少真正的“思考”能力。它们更像是鹦鹉学舌，而非真正的智能。 我们今天要做的，就是突破这个瓶颈，构建一个具备思维链（Chain of Thought）能力的智能体，让AI不再是“复读机”，而是真正的“思考者”。

2. 焦虑？恐惧？不如行动！手搓你的专属AI！

你可能觉得代码遥不可及，觉得AI是高不可攀的技术。但我要告诉你，这篇教程将颠覆你的认知！ 我们将从零开始，用最简单易懂的方式，让你也能拥有一个属于自己的“思考型”智能体。

我们的目标是什么？

打破AI的神秘感: 不再仰望，而是掌握AI的核心技术。
提升职场竞争力: 在AI时代，懂得利用AI工具的人，才能脱颖而出。
满足好奇心: 亲手打造AI，体验科技带来的乐趣。

3. 从0开始，手搓你的思维链智能体：

核心代码全公开，无需高深编程基础！

接下来，我们将手把手教你如何编写代码，构建属于你自己的思维链智能体。别担心，即使你是编程小白，也能轻松上手。

准备工作：

环境配置: 安装Python 和必要的库（openai, dotenv, llama-index 等）。
获取API Key: 你需要在智谱AI平台申请API Key（别怕，教程会教你）。
创建 .env 文件: 填写你的API Key，保护隐私。

核心代码（完整代码如下，请复制粘贴）：

代码需要使用智谱ai的apikey，什么？你没有，快点下面的链接注册吧，限时赠送2000万tokens

链接：https://www.bigmodel.cn/invite?icode=SAztz%2BUqPqrsFdep498Qc%2F2gad6AKpjZefIo3dVEQyA%3D

import os
from dotenv import load_dotenv
import json
import re

# 加载环境变量
load_dotenv()
# 从环境变量中读取api_key
api_key = os.getenv('ZISHU_API_KEY1')
if not api_key:
    raise ValueError("环境变量 ZISHU_API_KEY1 未设置或为空，请检查 .env 文件！")    
base_url = "https://open.bigmodel.cn/api/paas/v4/"
chat_model = "glm-4-flash"
emb_model = "embedding-3"
from openai import OpenAI
from pydantic import Field  # 导入Field，用于Pydantic模型中定义字段的元数据
from llama_index.core.llms import (
    CustomLLM,
    CompletionResponse,
    LLMMetadata,
)
from llama_index.core.embeddings import BaseEmbedding
from llama_index.core.llms.callbacks import llm_completion_callback
from typing import List, Any, Generator
# 定义OurLLM类，继承自CustomLLM基类
class OurLLM(CustomLLM):
    api_key: str = Field(default=api_key)
    base_url: str = Field(default=base_url)
    model_name: str = Field(default=chat_model)
    client: OpenAI = Field(default=None, exclude=True)  # 显式声明 client 字段

    def __init__(self, api_key: str, base_url: str, model_name: str = chat_model, **data: Any):
        super().__init__(**data)
        self.api_key = api_key
        self.base_url = base_url
        self.model_name = model_name
        self.client = OpenAI(api_key=self.api_key, base_url=self.base_url)  # 使用传入的api_key和base_url初始化 client 实例

    @property
    def metadata(self) -> LLMMetadata:
        """Get LLM metadata."""
        return LLMMetadata(
            model_name=self.model_name,
        )

    @llm_completion_callback()
    def complete(self, prompt: str, **kwargs: Any) -> CompletionResponse:
        response = self.client.chat.completions.create(model=self.model_name, messages=[{"role": "user", "content": prompt}])
        if hasattr(response, 'choices') and len(response.choices) > 0:
            response_text = response.choices[0].message.content
            return CompletionResponse(text=response_text)
        else:
            raise Exception(f"Unexpected response format: {response}")

    @llm_completion_callback()
    def stream_complete(
        self, prompt: str, **kwargs: Any
    ) -> Generator[CompletionResponse, None, None]:
        response = self.client.chat.completions.create(
            model=self.model_name,
            messages=[{"role": "user", "content": prompt}],
            stream=True
        )

        try:
            for chunk in response:
                chunk_message = chunk.choices[0].delta
                if not chunk_message.content:
                    continue
                content = chunk_message.content
                yield CompletionResponse(text=content, delta=content)

        except Exception as e:
            raise Exception(f"Unexpected response format: {e}")

llm = OurLLM(api_key=api_key, base_url=base_url, model_name=chat_model)
response = llm.stream_complete("你是谁？")
print('res:',response)
# for chunk in response:
#    print(chunk, end="", flush=True)
import sys
import os

sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), "..", "..")))

from llama_index.core.agent import ReActAgent
from llama_index.core.tools import FunctionTool


def multiply(a: float, b: float) -> float:
    """Multiply two numbers and returns the product"""
    return a * b


def add(a: float, b: float) -> float:
    """Add two numbers and returns the sum"""
    return a + b


def main():

    multiply_tool = FunctionTool.from_defaults(fn=multiply)
    add_tool = FunctionTool.from_defaults(fn=add)

    # 创建ReActAgent实例
    agent = ReActAgent.from_tools([multiply_tool, add_tool], llm=llm, verbose=True)

    response = agent.chat("20+（2*4）等于多少？使用工具计算每一步")

    print(response)


if __name__ == "__main__":
    main()

代码详解：