hello agents 学习

本博客仅为个人学习记录与理解分享，非商业用途，所有代码与文档版权归原项目及其贡献者所有。github开源项目

一、FirstAgentTest——简化版ReAct

1.执行路线

2.重点理解

2.1 system_prompt

系统提示词非常重要，输出格式要求与后续编写代码判断是否调用工具，调用哪个工具，是否结束任务息息相关；

AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手。你的任务是分析用户的请求，并使用可用工具一步步地解决问题。

# 可用工具:
- `get_weather(city: str)`: 查询指定城市的实时天气。
- `get_attraction(city: str, weather: str)`: 根据城市和天气搜索推荐的旅游景点。

# 输出格式要求:
你的每次回复必须严格遵循以下格式，包含一对Thought和Action：

Thought: [你的思考过程和下一步计划]
Action: [你要执行的具体行动]

Action的格式必须是以下之一：
1. 调用工具：function_name(arg_name="arg_value")
2. 结束任务：Finish[最终答案]

# 重要提示:
- 每次只输出一对Thought-Action
- Action必须在同一行，不要换行
- 当收集到足够信息可以回答用户问题时，必须使用 Action: Finish[最终答案] 格式结束

请开始吧！
"""

2.2 user_prompt

用户提示词要按步骤写清晰：第一步：先查询天气，第二步：再根据天气推荐景点；

user_prompt = "你好，请帮我查询一下今天武汉的天气，然后根据天气推荐一个合适的旅游景点。"

2.3 prompt_history

• prompt_history是使用列表.append()方法来实现短期记忆的，后续长期记忆要通过向量数据库 + 嵌入检索（RAG）实现；
• 注意，prompt_history要存大模型自己的输出，这里有Thought，指导后面怎么做；还要存工具输出结果，逐步完善答案。

prompt_history.append(llm_output) # 添加大模型输出的结果

prompt_history.append(observation_str) # 添加工具调用的返回结果

2.4 输出结果

• 从Thought可以看出LLM将目标拆解为可执行的子任务的规划过程。
• 要存llm_output（Thought、Action），原因（qwen3-max说的）：“ReAct 论文显示，加入 Thought 可使复杂任务准确率提升 30%+”。
• 每次循环只会执行一个工具，两个的工具使用有一个顺序关系。
  

二、赛博小镇

1.配置问题

• 在config.py文件中加上下面两行，加载所有配置，这样LLM（仅限当前config.py文件）、qdrant、neo4j都可以读到.env文件中的配置。

"""配置文件"""

import os
from typing import Optional

"""加上这两行"""
from dotenv import load_dotenv
load_dotenv()

class Settings:
    """应用配置"""

• 代码中有两处是无参调用LLM的：self.llm = HelloAgentsLLM()，因为HelloAgentsLLM源码无参情况下会优先查询是否属于openai的模型，不会优先读取环境变量LLM_API_KEY等，而我的openai环境变量配置的还是百炼平台的（直接删或者修改都要重启电脑才生效），所以决定直接将所有无参调用的地方都改为有参的。需要修改的有两处：batch_generator.py和agents.py初始化代码处。

batch_generator.py

from config import settings

class NPCBatchGenerator:
    """批量生成NPC对话的生成器
    
    核心思路: 一次LLM调用生成所有NPC的对话,降低API成本和延迟
    """
    
    def __init__(self):
        """初始化批量生成器"""
        print("🎨 正在初始化批量对话生成器...")
        
        try:
            # 显式传参
            llm_config = {
                "model": settings.LLM_MODEL_ID,
                "api_key": settings.LLM_API_KEY,
                "base_url": settings.LLM_BASE_URL,
                "provider": "modelscope"
            }
            self.llm = HelloAgentsLLM(**llm_config)

agents.py

from config import settings
class NPCAgentManager:
    """NPC Agent管理器 - 支持记忆功能"""

    def __init__(self):
        """初始化所有NPC Agent"""
        print("🤖 正在初始化NPC Agent系统...")

        try:
            llm_config = {
                "model": settings.LLM_MODEL_ID,
                "api_key": settings.LLM_API_KEY,
                "base_url": settings.LLM_BASE_URL,
                "provider": "modelscope"
            }
            self.llm = HelloAgentsLLM(**llm_config)

• 嵌入模型选择local，先要安装sentence-transformers工具库，再在python中下载all-MiniLM-L6-v2嵌入模型。

pip install sentence-transformers

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')

• 注意：main.py启动时，all-MiniLM-L6-v2嵌入模型会自动向https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2/resolve/main/processor_config.json发送检查更新，要把它关了，在.env文件中添加TRANSFORMERS_OFFLINE=1配置。

TRANSFORMERS_OFFLINE=1 # 跳过所有网络检查步骤，添加此行
EMBED_MODEL_TYPE="local"

解决完这些配置，就可以正常运行了

02:56:49 - 💬 对话开始: 王五 <-> 玩家
02:56:49 - ============================================================
02:56:49 - 📝 玩家消息: 你好啊
02:56:49 - 💖 当前好感度: 50.0/100 (友好)
Batches: 100%|███████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:00<00:00,  3.81it/s]
02:56:50 - 🧠 检索到0条相关记忆
02:56:50 - 🤖 正在生成回复...
02:57:14 - 💬 王五回复: 你好呀！我刚把最后一处细节打磨好，来这儿小憩。这杯咖啡的香气刚好，要一起坐会儿吗？
02:57:14 - 📊 正在分析好感度变化...
02:57:28 - 📈 好感度变化: 50.0 -> 52.0 (+2.0)
02:57:28 -   原因: 友好问候
02:57:28 -   情感: positive
  💾 对话已保存到王五的记忆中
02:57:28 -   💾 对话已保存到王五的记忆中
02:57:28 - ============================================================
02:57:28 - ✅ 对话完成

2.执行路线