基于MiniCPM-o-4.5-nvidia-FlagOS构建智能体（Agent）自动化工作流

你是不是也厌倦了每周五下午，对着空白的文档，绞尽脑汁回忆这周到底干了啥？从Git里翻提交记录，去JIRA里找任务状态，再把它们拼凑成一份像样的周报。这个过程枯燥、重复，还容易遗漏。如果有一个“数字助理”能自动帮你完成这一切，那该多好？

今天，我们就来聊聊如何把这种想法变成现实。我们将以MiniCPM-o-4.5-nvidia-FlagOS这个强大的模型作为核心“大脑”，亲手搭建一个能理解目标、规划步骤、并调用工具（比如搜索、读写文件）的智能体（Agent）。我们将用一个非常实际的场景——自动化周报生成——来贯穿整个过程，看看这个Agent如何自动收集你的Git提交和JIRA任务，并生成一份结构清晰的工作报告。

1. 为什么需要智能体？从“工具人”到“协作者”

在深入技术细节之前，我们先聊聊“智能体”到底是什么。你可以把它想象成一个升级版的“自动化脚本”。传统的脚本，你告诉它第一步做什么、第二步做什么，它只会机械地执行。而智能体，你只需要告诉它一个目标，比如“生成我本周的工作周报”，它自己会去思考：“要完成这个目标，我需要哪些信息？我有哪些工具可以用？我应该按什么步骤来？”

这个“思考”和“规划”的能力，正是像MiniCPM-o-4.5-nvidia-FlagOS这样的大语言模型所赋予的。它让程序从一个被动的“工具人”，变成了一个能主动解决问题的“协作者”。对于周报生成这个场景，智能体的工作流大致是这样的：

  1. 理解目标：你下达指令“生成周报”。
  2. 规划步骤：它自己推理出需要“获取Git提交记录”和“获取JIRA任务列表”。
  3. 执行工具：调用对应的API或命令行工具去获取数据。
  4. 分析整合：理解获取到的原始数据，提取关键信息（如功能点、Bug修复）。
  5. 生成报告：按照预设的格式，组织语言，生成最终的周报文档。

整个过程，你只需要发起一个请求，剩下的都交给智能体。接下来，我们就一步步实现它。

2. 环境准备与核心“大脑”部署

工欲善其事，必先利其器。我们首先需要准备好运行智能体的环境。

2.1 基础环境要求

确保你的机器满足以下条件，这是流畅运行模型的基石：

  • 操作系统：推荐 Ubuntu 20.04/22.04 LTS 或兼容的Linux发行版。
  • 显卡：由于我们使用 nvidia 版本的镜像，需要一张NVIDIA显卡，并安装好对应的驱动。显存建议8GB以上，以获得更好的体验。
  • 容器环境：需要安装 Docker 和 NVIDIA Container Toolkit。这能让我们以容器化的方式轻松部署模型，避免复杂的依赖问题。

2.2 一键拉取并启动智能体“大脑”

MiniCPM-o-4.5-nvidia-FlagOS镜像已经集成了模型和基础的运行环境。部署非常简单，只需要一条命令：

docker run -it --gpus all \
  -p 7860:7860 \
  -v /path/to/your/workspace:/app/workspace \
  --name my_agent \
  registry.cn-hangzhou.aliyuncs.com/your_mirror/mini-cpm-o-4.5-nvidia-flagos:latest

对这条命令做个简单解释：

  • --gpus all：让容器能使用宿主机的所有GPU。
  • -p 7860:7860：将容器内部的7860端口（通常是Web UI端口）映射到宿主机，方便我们通过浏览器访问。
  • -v /path/to/your/workspace:/app/workspace：这是关键一步。它把本地的一个目录挂载到容器内的 /app/workspace。后续我们写的Agent代码、工具脚本，以及生成的周报，都可以放在这个共享目录里，方便管理。
  • --name my_agent：给容器起个名字，方便管理。

执行命令后，镜像会自动下载并启动。当你在终端看到服务启动成功的日志时，就可以打开浏览器，访问 http://你的服务器IP:7860，你应该能看到模型的交互界面。

3. 构建周报生成智能体：从规划到执行

现在，我们的“大脑”已经在线了。接下来，我们要为它赋予“手脚”和“工作记忆”，让它能真正干活。

3.1 设计智能体的工作流与工具

我们的周报生成Agent需要完成一系列任务，因此我们需要为它规划好工作流，并准备相应的工具函数。

首先，我们在本地工作目录（即上面Docker命令中挂载的 /path/to/your/workspace）创建一个Python脚本，比如叫 weekly_report_agent.py。这个脚本将包含Agent的核心逻辑。

第一步，定义工具。 工具是Agent与外界交互的手段。我们先定义两个最核心的工具：

# weekly_report_agent.py
import subprocess
import json
import requests
from datetime import datetime, timedelta

def get_git_commits_since_last_week(author_name, repo_path="."):
    """
    工具函数：获取当前git仓库从上周五到现在的提交记录。
    参数：
        author_name: 你的Git用户名
        repo_path: Git仓库路径，默认为当前目录
    返回：提交信息的列表
    """
    # 计算上周五的日期
    today = datetime.now()
    last_friday = today - timedelta(days=(today.weekday() + 3) % 7)
    since_date = last_friday.strftime("%Y-%m-%d")

    cmd = [
        "git", "-C", repo_path, "log",
        f"--since={since_date}",
        f"--author={author_name}",
        "--oneline",
        "--no-merges"
    ]
    try:
        result = subprocess.run(cmd, capture_output=True, text=True, check=True)
        commits = result.stdout.strip().split('\n') if result.stdout else []
        return commits
    except subprocess.CalledProcessError as e:
        return [f"Error fetching git commits: {e.stderr}"]

def get_jira_tasks_last_week(jira_email, jira_api_token, jira_domain, jql_query):
    """
    工具函数：通过JIRA REST API获取上周相关的任务。
    参数：
        jira_email: 你的JIRA邮箱
        jira_api_token: JIRA API令牌（需提前在JIRA账户设置中生成）
        jira_domain: 你的JIRA域名，如 your-company.atlassian.net
        jql_query: JQL查询语句，例如 'assignee = currentUser() AND updated >= -7d'
    返回：任务列表
    """
    auth = (jira_email, jira_api_token)
    url = f"https://{jira_domain}/rest/api/3/search"
    headers = {"Accept": "application/json"}
    params = {"jql": jql_query, "maxResults": 50}

    try:
        response = requests.get(url, headers=headers, params=params, auth=auth)
        response.raise_for_status()
        data = response.json()
        tasks = []
        for issue in data.get('issues', []):
            key = issue['key']
            summary = issue['fields']['summary']
            status = issue['fields']['status']['name']
            tasks.append(f"{key}: {summary} [{status}]")
        return tasks
    except requests.exceptions.RequestException as e:
        return [f"Error fetching JIRA tasks: {e}"]

这两个函数就是Agent的“手”。一个能执行Git命令抓取代码提交，另一个能调用JIRA API获取任务信息。注意，你需要将 jira_api_token 等敏感信息通过环境变量或配置文件来管理，不要硬编码在代码中。

3.2 连接“大脑”：让模型理解并使用工具

有了工具，下一步是让MiniCPM-o模型知道这些工具的存在，并学会在合适的时机调用它们。这通常通过“函数调用”（Function Calling）能力来实现。我们需要按照模型要求的格式，描述我们的工具。

# 继续在 weekly_report_agent.py 中
# 定义工具的描述，用于告诉模型这些工具能做什么
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_git_commits_since_last_week",
            "description": "获取指定作者从上周五至今的Git提交记录（单行格式）。",
            "parameters": {
                "type": "object",
                "properties": {
                    "author_name": {"type": "string", "description": "Git提交者的用户名"},
                    "repo_path": {"type": "string", "description": "Git仓库的路径，默认是当前目录", "default": "."}
                },
                "required": ["author_name"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_jira_tasks_last_week",
            "description": "通过JIRA API获取上周与当前用户相关的任务列表。",
            "parameters": {
                "type": "object",
                "properties": {
                    "jira_email": {"type": "string", "description": "JIRA账户邮箱"},
                    "jira_api_token": {"type": "string", "description": "JIRA API访问令牌"},
                    "jira_domain": {"type": "string", "description": "JIRA实例域名"},
                    "jql_query": {"type": "string", "description": "JQL查询语句，用于过滤任务"}
                },
                "required": ["jira_email", "jira_api_token", "jira_domain", "jql_query"]
            }
        }
    }
]

# 模拟一个与模型对话的流程（实际中需调用模型的API）
def run_agent_workflow(user_query):
    """
    模拟智能体的核心工作流程。
    1. 将用户查询和工具描述发送给模型。
    2. 模型回复可能包含工具调用请求。
    3. 执行被请求的工具。
    4. 将工具执行结果返回给模型，让其生成最终回答。
    """
    # 这里是一个简化的逻辑演示。实际调用FlagOS API时，需要构造对应的请求体。
    print(f"用户指令: {user_query}")
    print("智能体思考：要生成周报，我需要先获取Git提交和JIRA任务数据。")

    # 假设模型分析后，决定并行调用两个工具
    print("智能体行动：调用工具 get_git_commits_since_last_week 和 get_jira_tasks_last_week...")

    # 执行工具（这里用模拟数据代替真实API调用）
    git_commits = get_git_commits_since_last_week(author_name="YourName")
    jira_tasks = get_jira_tasks_last_week(
        jira_email="your-email@example.com",
        jira_api_token="YOUR_API_TOKEN", # 请从环境变量读取
        jira_domain="your-domain.atlassian.net",
        jql_query="assignee = currentUser() AND updated >= -7d ORDER BY status"
    )

    print(f"工具执行结果 - Git提交: {git_commits[:3]}...") # 打印前3条
    print(f"工具执行结果 - JIRA任务: {jira_tasks[:3]}...")

    # 将原始数据整理后，再次交给模型进行总结和撰写
    raw_data = {
        "git_commits": git_commits,
        "jira_tasks": jira_tasks
    }
    print("智能体思考：数据已收集完毕，现在开始分析和撰写周报正文...")
    # 此处应调用模型的API，将raw_data作为上下文传入，并提示其生成周报。
    # final_report = call_model_api(prompt_with_data)
    final_report = "[此处是模型生成的周报内容]"
    return final_report

3.3 组装与运行：见证自动化时刻

最后，我们写一个主函数来触发整个流程，并将结果保存下来。

# 继续在 weekly_report_agent.py 中
if __name__ == "__main__":
    # 用户指令
    user_request = "请帮我生成一份本周的工作周报，需要包含代码贡献和任务进展。"

    print("="*50)
    print("开始执行周报生成智能体...")
    print("="*50)

    # 运行智能体工作流
    report = run_agent_workflow(user_request)

    # 保存生成的周报
    report_filename = f"weekly_report_{datetime.now().strftime('%Y%m%d')}.md"
    with open(report_filename, 'w', encoding='utf-8') as f:
        f.write(report)

    print("="*50)
    print(f"周报生成完成！已保存至: {report_filename}")
    print("="*50)
    print("生成的周报预览：")
    print("-"*30)
    print(report[:500] + "...") # 打印前500字符预览

运行这个脚本 (python weekly_report_agent.py)，你就能在终端看到智能体“思考”、“调用工具”、“生成报告”的整个过程，并最终在本地得到一个Markdown格式的周报文件。

4. 效果展示与场景延伸

通过上面的步骤，我们已经构建了一个能自动运行的原型。那么，它的实际效果如何呢？

4.1 一个真实的周报生成案例

假设我（作者名为“Dev”）本周有3次Git提交，处理了JIRA上的2个任务。运行Agent后，它可能会生成如下内容的周报：

# 本周工作周报 (2024-XX-XX)

## 一、本周工作概述
本周主要专注于「用户中心模块」的功能优化与问题修复，共提交3个代码更新，推进并完成了2项JIRA任务。

## 二、代码贡献详情
1.  **feat(user-profile): 新增头像上传裁剪功能** (Commit: a1b2c3d)
    *   实现了前端裁剪组件与后端上传接口。
    *   支持JPG/PNG格式，限制大小在2MB以内。

2.  **fix(auth-api): 修复第三方登录状态丢失问题** (Commit: e4f5g6h)
    *   定位到Redis会话缓存键名冲突问题。
    *   重构了缓存键生成逻辑，问题已解决。

3.  **docs(api): 更新用户模块接口文档** (Commit: i7j8k9l)
    *   补充了新增的头像上传接口说明。
    *   修正了部分过期参数描述。

## 三、任务进展跟踪
- **PROJ-123**: 【进行中】用户个人主页性能优化。已完成数据库查询分析，正在重构慢查询语句。
- **PROJ-456**: 【已完成】解决登录后跳转404错误。原因为路由配置错误，已于周三部署修复。

## 四、下周计划
1.  完成PROJ-123的性能优化并部署测试。
2.  开始调研「消息推送系统」的技术选型。

可以看到，Agent不仅罗列了数据，还对提交信息进行了概括和分类（如 feat、fix、docs），将JIRA任务状态与描述整合，并生成了结构化的总结和计划。这远比简单的数据拼接要实用得多。

4.2 还能做什么？扩展你的智能体

周报生成只是一个起点。基于同样的框架，你可以轻松扩展出更多自动化智能体：

  • 自动化测试分析员：让Agent在CI/CD流水线结束后，自动获取测试报告，分析失败用例，并尝试推断可能的原因，甚至直接创建Bug工单。
  • 智能客服工单分类器：连接帮助台系统，让Agent实时阅读新进的客服工单，根据内容自动分类（如“技术问题”、“账单咨询”、“功能建议”），并分配给相应的处理小组。
  • 内部知识库助手：为Agent接入公司内部的文档、Confluence页面，当同事询问某个技术方案或流程时，Agent能自动搜索相关文档，并提炼出要点进行回答。
  • 会议纪要生成器：接入录音转录工具，在会议结束后，自动将录音转为文字，并让Agent提炼会议要点、待办事项，生成标准的会议纪要邮件草稿。

关键在于：为你的智能体装备新的“工具”（API接口、命令行脚本），并清晰地描述这些工具的功能。剩下的规划和推理工作，就可以放心地交给MiniCPM-o这样的“大脑”来处理。

5. 总结

回过头来看，我们利用MiniCPM-o-4.5-nvidia-FlagOS构建智能体的过程，其实是一个清晰的“赋能”过程：我们将结构化的工具能力赋予模型，模型则回馈给我们强大的非结构化问题理解和任务规划能力。这种结合，让自动化脚本从“死板”变得“灵活”，从“执行固定流程”升级到“应对模糊目标”。

这次以周报生成为例的实践，麻雀虽小，五脏俱全。你不仅学会了如何部署模型、定义工具、构建工作流，更重要的是，掌握了一种用大模型驱动自动化解决复杂任务的新思路。在实际操作中，你可能会遇到工具调用格式调整、模型提示词优化、错误处理增强等细节问题，但这都是工程实践中的常态。多调试、多迭代，你的智能体会变得越来越聪明、可靠。

不妨就从你手头最重复、最繁琐的那项工作开始，思考一下：“哪些步骤可以工具化？最终目标是什么？” 然后，试着用今天的方法，打造一个专属于你的智能体助手吧。

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。

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

Windows部署OpenClaw：PowerShell安装、自定义模型与远程访问实测

avatar AI Agent技术社区
cover

深入理解 AI Agent · MEMORY #02：记忆的工程机制

avatar AI Agent技术社区
cover

DeepSeek V4 Pro正式版上线：AI Agent能力跃升背后的行业趋势

avatar AI Agent技术社区