基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架,实现智能编程系统的实战教程

9 月 19 日,阿里开源了 Qwen2.5 系列大模型全家桶:除常规的语言模型 Qwen2.5 之外,还发布了专门针对编程的Qwen2.5-Coder模型和数学的 Qwen2.5-Math 模型,并且针对每个模型都提供了不同规模参数版本,包括:

  • Qwen2.5 语音模型: 0.5B, 1.5B, 3B, 7B, 14B, 32B 和 72B
  • Qwen2.5-Coder 编程模型: 1.5B, 7B, 以及即将推出的 32B
  • Qwen2.5-Math 数学模型: 1.5B, 7B 和 72B

Qwen2.5 系列模型性能和推理能力对比,老牛同学不在赘述,我们可以到 Qwen 官网博客查看详细介绍:https://qwenlm.github.io/zh/blog/qwen2.5/

在国内开源大模型中,老牛同学用遥遥领先做为 Qwen2.5 模型系列总结一点也不为过,国内开源大模型能真打的实在是太少了!

老牛同学对Qwen2.5-Coder比较感兴趣,可能是老牛同学专业的原因,非常期待能有一个智能编程的模型或应用,真所谓:码无止境,学无止境!

模型能力比对

今天,老牛同学就基于Qwen2.5-Coder模型,结合CrewAI多智能体框架,实现一个能根据软件需求编写程序代码的系统,同时感受一下Qwen2.5-Coder的能力。因此本文大致分为以下三部分:

  • Qwen2.5-Coder本地部署和简单验证
  • CrewAI多智能体设计、和基于Qwen2.5-Coder的实现代码
  • 最终,验证CrewAI智能体编写的程序

Qwen2.5-Coder 本地部署

通过老牛同学前面的文章可以看到,我们至少有 3 种方式在本地部署和推理大模型,本文就是不在详细介绍其过程了(感兴趣的朋友可以翻看一下老牛同学之前文章)。

为了尽快实现我们的目标,我们将使用Ollama快速在本地部署Qwen2.5-Coder模型;关于 Ollama 的详细介绍和使用教程,可以参考老牛同学之前文章:Ollama 完整教程:本地 LLM 管理、WebUI 对话、Python/Java 客户端 API 应用

我们安装好Ollama程序之后,通过以下一条命令,即可完成大模型的下载和部署:

ollama run qwen2.5-coder:7b

下载和部署成功之后,Ollama默认自带了一个终端对话窗口:

Ollama下载和部署

至此,Qwen2.5-Coder模型本地部署就成功了,接下来我们来实现多智能体代码逻辑~

CrewAI 多智能体设计和实现

CrewAI是一个多智能体框架,关于它的详细介绍和使用教程,可以参考老牛同学之前文章:基于 CrewAI 多智能体框架,手把手构建一个自动化写作应用实战

工欲善其事,必先利其器,我们先准备一下CrewAI的研发环境,我们通过Miniconda管理 Python 虚拟环境,Miniconda的安装和使用可以参考老牛同学之前的文章:大模型应用研发基础环境配置(Miniconda、Python、Jupyter Lab、Ollama 等)

# Python虚拟环境名:CrewAI,版本号:3.10
conda create -n CrewAI python=3.10 -y# 激活虚拟环境
conda activate CrewAI# 安装 CrewAI 框架依赖
pip install crewai

我们的编程智能体为游戏智能编程团队(姑且就叫这个名吧),这个团队由3 个角色组成(即:3 个智能体),他们的工作职责设定如下:

  • 软件工程师:负责根据需求编写程序代码
  • 质量工程师:发现并修复软件工程师的代码 Bug 和错误
  • 首席质量工程师:检测程序完整性,并检测是否符合软件需求

我们通过以下步骤,完成游戏智能编程团队整体逻辑(Python 文件:CrewAI-Game.py),首先我们需要导入程序的均依赖类:

import os
from textwrap import dedent
from crewai import Agent, Task, Crew

【第一步:配置Qwen2.5-Coder大模型】

# 配置模型(qwen2.5-coder:7b)
os.environ["OPENAI_API_BASE"] = 'http://127.0.0.1:11434/v1'
os.environ["OPENAI_MODEL_NAME"] = 'qwen2.5-coder:7b',
os.environ["OPENAI_API_KEY"] = 'EMPTY'

【第二步:定义3 个角色(即:3 个智能体)】

3 个智能体分别是:高级软件工程师、高级质量工程师和首席质量工程师

#
# 3个智能体逻辑
#def senior_engineer_agent():"""高级软件工程师智能体"""return Agent(role='高级软件工程师',goal='根据需求完成软件编程',backstory=dedent('''你是一位国际领先的科技公司的高级软件工程师。你非常擅长Python编程,并尽自己的最大努力编写功能齐全、运行良好的完美代码。'''),allow_delegation=False,verbose=True)def qa_engineer_agent():"""高级软件质量工程师智能体"""return Agent(role='高级软件质量工程师',goal='分析程序代码,找出其中的错误,并修复这些错误代码',backstory=dedent('''你是一位检测代码的高级工程师。你对代码细节很敏锐,非常擅长找出代码中的Bug,包括检查是否缺少导入、变量声明、不匹配括号和语法错误等。您还能检查出代码的安全漏洞和逻辑错误。'''),allow_delegation=False,verbose=True)def chief_qa_engineer_agent():"""首席软件质量工程师智能体"""return Agent(role='首席软件质量工程师',goal='确保代码实现了需求',backstory='''你怀疑程序员没有按照需求编写软件,你特别专注于编写高质量的代码。''',allow_delegation=True,verbose=True)

【第三步:定义3 个任务(即:3 个智能体的任务)】

与 3 个智能体对应,每个智能体均对应有 1 个任务:

#
# 3个任务逻辑
#def code_task(agent, game):return Task(description=dedent(f'''你将按照软件需求,使用Python编写程序:软件需求------------{game}'''),expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码,不要输出其他任何内容!',agent=agent)def review_task(agent, game):return Task(description=dedent(f'''你将按照软件需求,进一步使用Python完善给定的程序:软件需求------------{game}根据给定的Python程序代码,检查其中的错误。包括检查逻辑错误语法错误、缺少导入、变量声明、括号不匹配,以及安全漏洞。'''),expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码,不要输出其他任何内容!',agent=agent)def evaluate_task(agent, game):return Task(description=dedent(f'''你将按照软件需求,进一步使用Python完善给定的程序:软件需求------------{game}查看给定的Python程序代码,确保程序代码完整,并且符合软件需求。'''),expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码,不要输出其他任何内容!',agent=agent)

【第四步:定义团队,组织智能体协同执行任务】

CrewAI中,Crew代表团队,它有agentstasks这 2 个核心属性,最终通过kickoff()方法触发执行整个流程:

#
# 团队逻辑
#print('')
game = input('# 您好,我们是游戏智能编程团队,请输入游戏的详细描述:\n\n')
print('')# 智能体
senior_engineer_agent = senior_engineer_agent()
qa_engineer_agent = qa_engineer_agent()
chief_qa_engineer_agent = chief_qa_engineer_agent()# 任务
code_game = code_task(senior_engineer_agent, game)
review_game = review_task(qa_engineer_agent, game)
approve_game = evaluate_task(chief_qa_engineer_agent, game)# 团队
crew = Crew(agents=[senior_engineer_agent,qa_engineer_agent,chief_qa_engineer_agent],tasks=[code_game,review_game,approve_game],verbose=True
)# 执行
game_code = crew.kickoff()

最后,我们拿到 Python 代码之后,希望能保存到本地文件(Python 文件:Game.py):

# 输出
print("\n\n########################")
print("## 游戏代码结果")
print("########################\n")
print(game_code)# 存储代码
filename = 'Game.py'print("\n\n########################\n")
with open(filename, 'w', encoding='utf-8') as file:file.write(game_code)print(f"游戏代码已经存储到文件: {filename}")
print(f'你可以运行游戏:python {filename}')

以上步骤即完成了我们只能编程团队代码,接下就可以执行了:python CrewAI-Game.py

CrewAI 执行过程中,我们看到 3 个智能体执行详细信息:

  • 软件工程师执行过程信息

  • 质量工程师执行过程信息

  • 首席工程师执行过程信息

最后,我们运行本地存储的小游戏程序:python Game.py

因为程序使用到了Pygame包,如果虚拟环境没有的话,需要安装一下:pip install pygame

最终我们运行起来了贪吃蛇游戏:

贪吃蛇游戏

至此,本次我们需求基本完成了,我们通过定义的 3 个智能体和对应的任务,最终智能体与Qwen2.5-Coder交互完成软件需求程序的编写。

程序最终还能跑起来,这也进一步体现了Qwen2.5-Coder模型的语音和代码推理能力!


往期推荐文章:

vLLM CPU 和 GPU 模式署和推理 Qwen2 等大语言模型详细教程

基于 Qwen2/Lllama3 等大模型,部署团队私有化 RAG 知识库系统的详细教程(Docker+AnythingLLM)

使用 Llama3/Qwen2 等开源大模型,部署团队私有化 Code Copilot 和使用教程

基于 Qwen2 大模型微调技术详细教程(LoRA 参数高效微调和 SwanLab 可视化监控)

ChatTTS 长音频合成和本地部署 2 种方式,让你的“儿童绘本”发声的实战教程

MiniCPM-V 2.6 面壁“小钢炮”,多图、视频理解多模态模型,部署和推理实战教程

微信公众号:老牛同学

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/801134.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

CSP-S 初赛游记

乱游OI 生涯的最后一个赛季了,尽量记录一下吧。 前两天得知衡水今年没什么人参加,只有本部一个考,也省的到处跑了。 考前一天得知就在机房楼考,这下子成原生土著了,布局比教室都熟。晚上布置了考场。 考前上午体活,打了会羽毛球后回宿舍吃泡面,为啥热水水流这么大,应该…

docker阶段03 docker容器内hosts文件, DNS, 查docker空间占用, 部署自动化运维平台spug, 查看docker run启动参数命令

容器内部的hosts文件 容器会自动将容器的ID加入自已的/etc/hosts文件中,并解析成容器的IP 范例: 修改容器的 hosts文件[root@ubuntu1804 ~]#docker run -it --rm --add-host www.wangxiaochun.com:6.6.6.6 --add-host www.wang.org:8.8.8.8 busybox / # cat /etc/hosts 127.…

视频号直播自动循环发评论-自动回复评论 - 浏览器插件

功能介绍 浏览器插件源码开放,可以随意二次开发,无时间限制,无账号限制,无电脑限制 实现原理,纯浏览器插件实现,监控浏览器界面元素变动,获取直播间或者直播中控后台的评论文本,匹配回复关键词或调用AI接口,再利用js模拟输入和点击等操作 支持以下中控台或直播间地址,…

了解如何在 lt;lines (Modulojs) 中创建 API 支持的 Zelda BOTW 怪物画廊 Web 组件

模数教程回来了!大家好!暑假结束后,我带着 modulo 教程回来了。我正在制作更多教程 - 请继续关注。也就是说,如果您对我的下一个主题有任何特别的想法,请务必在评论中告诉我!我的上一篇教程是关于 api 驱动的 pokmon dance party 组件的超级快速且有趣的“仅 html,无 js…

Cortex-A7 MPCore 架构

Cortex-A7 MPCore 架构 1)Cortex-A7 MPCore 简介 Cortex-A7 MPcore 处理器支持 1~4 核,通常是和 Cortex-A15 组成 big.LITTLE 架构的,Cortex-A15 作为大核负责高性能运算,比如玩游戏啥的, Cortex-A7 负责普通应用,因为 CortexA7 省电。 Cortex-A7 本身性能也不弱,不要…

Zlmedia搭建简记

进入新公司之后,发现他们的视频播放使用的是ZlmediaKit这个工具,自己尝试使用了一下发现很好用,于是在自己机器上搭建了一个服务玩玩。 因为没有在线的摄像头,所以这里采用的是ffmpeg推送mp4文件作为视频流输入,推送到zlmedia服务,再利用zlmedia本身所带的拉流服务,最终…

C 风格字符串函数

▲《C++ Primer》 P109 我们无法保证 c_str 函数返回的数组一直有效,事实上,如果后续的操作改变了 string 的值就可能让之前返回的数组失去效用。 WARNING: 如果执行完 c_str() 函数后程序想一直都能使用其返回的数组,最好将该数组重新拷贝一份。

基于IDF的ESP32S3-LVGL DEMO移植

简介 ESP32-32出色的性价比,较好的性能与内存空间,可以好利用来完成GUI显示库的加载 LVGL LVGL是一款比较流行的致力于MCU与MPU创建漂亮UI的嵌入式图形库,免费且开源。 硬件 硬件采用的是正点原子的ESP32-S3 屏幕使用的是SPI通信方式,配合IO口控制(RST,A0),来实现LCD屏幕…

nginx: 按ip地址限流

一,以固定的速度提供服务 语法: 例子 limit_req_zone $binary_remote_addr zone=test:10m rate=2r/s;server { location / { limit_req zone=test; }} 语法: imit_req_zone 用于设置限流和共享内存区域的参数,格式为: limit_req_zone key zone rate。 key: 定…

Free5GC源码研究(2) - 单个NF的软件架构

前文我们总览了free5gc的总体软件架构。整一个free5gc系统又由几个NF(Network Function)组成,所以本文继续深入研究单个NF的软件架构。要研究NF的软件架构,最直接的方式是找一个简单的NF来回观摩。free5gc/ausf算是比较简单的一个,然而我发现了一个更简单的NF,叫做andy89…

一,初始 MyBatis-Plus

一,初始 MyBatis-Plus @目录一,初始 MyBatis-Plus1. MyBatis-Plus 的概述2. 入门配置第一个 MyBatis-Plus 案例3. 补充说明:3.1 通用 Mapper 接口介绍3.1.1 Mapper 接口的 “增删改查”3.1.1.1 查询所有记录3.1.1.2 插入一条数据3.1.1.3 删除一条数据3.1.1.4 更新一条数据3.…

[神经网络与深度学习笔记]LDA降维

LDA降维 LinearDiscriminant Analysis 线性判别分析,是一种有监督的线性降维算法。与PCA保持数据信息不同,LDA的目标是将原始数据投影到低维空间,尽量使同一类的数据聚集,不同类的数据尽可能分散 步骤:计算类内散度矩阵\(S_b\) 计算类间散度矩阵\(S_w\) 计算矩阵\(S_w^{-1…