Qwen-Agent是专为开发基于大型语言模型(LLM)应用设计的框架，具备功能调用、代码解释器、多模态处理和记忆能力，支持超长文档处理。开发者可利用其构建能理解自然语言、执行复杂任务的智能代理，适用于客户服务、个人助理、教育等多种场景。文章提供了详细安装指南、配置方法及开发示例，助力开发者快速上手大模型应用开发。

  1. 什么是Qwen-Agent

Qwen-Agent是一个专门设计用于开发基于大型语言模型（LLM）的应用程序的框架。它不仅支持指令遵循、工具使用、规划和记忆能力，还能够处理从8K到100万tokens的文档，超越了传统长上下文模型的限制。这意味着开发者可以利用Qwen-Agent构建出能够理解和生成自然语言、执行复杂任务的智能代理应用。

  1. 核心功能与特点

2.1 功能调用

功能调用是Qwen-Agent的一项基础能力，它允许AI模型在处理任务时主动调用预定义的函数或工具。这一特性使得Qwen-Agent能够与外部工具和API进行互动，从而扩展了AI应用的范围。例如，开发者可以定义一个用于生成图像的工具，当用户请求生成特定内容的图像时，Qwen-Agent可以调用该工具并返回生成的图像链接。

2.2 代码解释器

Qwen-Agent内置了代码解释器工具，能够执行用户提供的代码片段。这为开发者提供了极大的灵活性，使得智能代理不仅能够理解和生成文本，还能够执行实际的操作。例如，在处理图像生成任务时，Qwen-Agent可以先调用图像生成工具生成图像，然后通过代码解释器下载图像并进行进一步的处理，如翻转图像等。

2.3 多模态处理

Qwen-Agent支持多模态输入和输出，能够理解和生成文本、图像等多种类型的数据。这使得开发者可以构建更加丰富和交互式的应用。例如，一个图像理解与文本生成的Agent可以先理解用户提供的图像内容，然后生成与图像相关的文本描述或故事。

2.4 记忆能力

Qwen-Agent具备记忆能力，能够记住之前的对话内容和执行的操作。这使得智能代理能够更好地理解用户的意图，并提供更加连贯和个性化的服务。例如，在与用户进行多轮对话时，Qwen-Agent可以根据之前的对话内容提供更加准确的回答和建议。

  1. 应用场景

Qwen-Agent的灵活性和强大功能使其适用于多种应用场景，包括但不限于：

  • 客户服务：作为聊天机器人，提供24/7的客户咨询服务，处理常见问题和查询。
  • 个人助理：帮助用户管理日程、提醒事项、预订服务等日常任务。
  • 教育和学习：作为虚拟助教，提供个性化学习建议，解答学生问题。
  • 内容创作：辅助写作、编辑和内容生成，包括文章、报告和创意写作。
  • 技术支持：提供技术问题的解决方案，帮助用户解决软件或硬件问题。
  • 数据分析：帮助分析和解释复杂的数据集，提供商业洞察。

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

  1. 开发与使用

4.1 安装

  • 从 PyPI 安装稳定版本：
pip install -U "qwen-agent[rag,code_interpreter,python_executor,gui]"
# 或者，使用 `pip install -U qwen-agent` 来安装最小依赖。
# 可使用双括号指定如下的可选依赖：
#   [gui] 用于提供基于 Gradio 的 GUI 支持；
#   [rag] 用于支持 RAG；
#   [code_interpreter] 用于提供代码解释器相关支持；
#   [python_executor] 用于支持 Qwen2.5-Math 基于工具的推理。
  • 也可以从源码安装最新的开发版本：
git clone https://github.com/QwenLM/Qwen-Agent.git
cd Qwen-Agent
pip install -e ./"[rag,code_interpreter,python_executor]"
# 或者，使用 `pip install -e ./` 安装最小依赖。`

如果需要内置 GUI 支持，可选择性地安装可选依赖：

pip install -U "qwen-agent[gui,rag,code_interpreter]"
# 或者通过源码安装 `pip install -e ./"[gui,rag,code_interpreter]"` `

4.2 准备模型服务

Qwen-Agent支持接入阿里云DashScope（https://help.aliyun.com/zh/dashscope/developer-reference/quick-start）服务提供的Qwen模型服务，也支持通过OpenAI API方式接入开源的Qwen模型服务。

  • 如果希望接入DashScope提供的模型服务，只需配置相应的环境变量DASHSCOPE_API_KEY为您的DashScope API Key。
  • 或者，如果您希望部署并使用您自己的模型服务，请按照Qwen2的README中提供的指导进行操作，以部署一个兼容OpenAI接口协议的API服务。 具体来说，请参阅vLLM（https://github.com/QwenLM/Qwen2?tab=readme-ov-file#vllm）一节了解高并发的GPU部署方式，或者查看Ollama（https://github.com/QwenLM/Qwen2?tab=readme-ov-file#ollama）一节了解本地CPU（+GPU）部署。

4.3 快速开发

框架提供了大模型（LLM，继承自class BaseChatModel，并提供了Function Calling（https://github.com/QwenLM/Qwen-Agent/blob/main/examples/function_calling.py）功能）和工具（Tool，继承自class BaseTool）等原子组件，也提供了智能体（Agent）等高级抽象组件（继承自class Agent）。

以下示例演示了如何增加自定义工具，并快速开发一个带有设定、知识库和工具使用能力的智能体：

import pprint
import urllib.parse
import json5
from qwen_agent.agents import Assistant
from qwen_agent.tools.base import BaseTool, register_tool

# 步骤 1（可选）：添加一个名为 `my_image_gen` 的自定义工具。
@register_tool('my_image_gen')
class MyImageGen(BaseTool):
	# `description` 用于告诉智能体该工具的功能。
	description = 'AI 绘画（图像生成）服务，输入文本描述，返回基于文本信息绘制的图像 URL。
	# `parameters` 告诉智能体该工具有哪些输入参数。
	parameters = [{
	'name': 'prompt',
	'type': 'string',
	'description': '期望的图像内容的详细描述',
	'required': True
	}]

def call(self, params: str, **kwargs) -> str:
	# `params` 是由 LLM 智能体生成的参数。
	prompt = json5.loads(params)['prompt']
	prompt = urllib.parse.quote(prompt)
	return json5.dumps(
		{'image_url': f'https://image.pollinations.ai/prompt/{prompt}'},
		ensure_ascii=False)

# 步骤 2：配置您所使用的 LLM。
llm_cfg = {
	# 使用 DashScope 提供的模型服务：
	'model': 'qwen-max',
	'model_server': 'dashscope',
	# 'api_key': 'YOUR_DASHSCOPE_API_KEY',
	# 如果这里没有设置 'api_key'，它将读取 `DASHSCOPE_API_KEY` 环境变量。
	# 使用与 OpenAI API 兼容的模型服务，例如 vLLM 或 Ollama：
	# 'model': 'Qwen2-7B-Chat',
	# 'model_server': 'http://localhost:8000/v1',  # base_url，也称为 api_base
	# 'api_key': 'EMPTY',
	
	# （可选） LLM 的超参数：
	'generate_cfg': {
			'top_p': 0.8
		}
}

# 步骤 3：创建一个智能体。这里我们以 `Assistant` 智能体为例，它能够使用工具并读取文件。
system_instruction = '''你是一个乐于助人的AI助手。
在收到用户的请求后，你应该：
- 首先绘制一幅图像，得到图像的url，
- 然后运行代码`request.get`以下载该图像的url，
- 最后从给定的文档中选择一个图像操作进行图像处理。
用 `plt.show()` 展示图像。
你总是用中文回复用户。'''
tools = ['my_image_gen', 'code_interpreter']  # `code_interpreter` 是框架自带的工具，用于执行代码。
files = ['./examples/resource/doc.pdf']  # 给智能体一个 PDF 文件阅读。
bot = Assistant(llm=llm_cfg,
			system_message=system_instruction,
			function_list=tools,
			files=files)

# 步骤 4：作为聊天机器人运行智能体。
messages = []  # 这里储存聊天历史。
while True:
	# 例如，输入请求 "绘制一只狗并将其旋转 90 度"。
	query = input('用户请求: ')
	# 将用户请求添加到聊天历史。
	messages.append({'role': 'user', 'content': query})
	response = []
	for response in bot.run(messages=messages):
	# 流式输出。
	print('机器人回应:')
	pprint.pprint(response, indent=2)
	# 将机器人的回应添加到聊天历史。
	messages.extend(response)

除了使用框架自带的智能体实现（如class Assistant），您也可以通过继承class Agent来自行开发您的智能体实现。

框架还提供了便捷的GUI接口，支持为Agent快速部署Gradio Demo。 例如上面的例子中，可以使用以下代码快速启动Gradio Demo：

from qwen_agent.gui import WebUI
WebUI(bot).run()  # bot is the agent defined in the above code, we do not repeat the definition here for saving space.
  1. 动态
  • 2024年12月3日，Qwen-Agent升级了GUI至Gradio 5基于的版本，需要注意的是，GUI要求Python 3.10或更高版本。
  • 2024年9月18日，Qwen-Agent添加了Qwen2.5-Math Demo，展示了Qwen2.5-Math的工具集成推理能力。需要注意的是，Python执行器没有沙箱保护，仅用于本地测试，不适合生产使用。
  1. 小结

Qwen-Agent以其强大的功能和灵活的开发方式，为智能代理应用的开发提供了一个全新的平台。无论是企业还是个人开发者，都可以利用Qwen-Agent构建出满足各种需求的智能应用。

关于Qwen-agent，以下是目前已经在github中提及，但笔者还没探究的技术点，后面会继续完善

  • 如何让AI基于超长文档进行问答
  • BrowserQwen（一款基于 Qwen-Agent 构建的浏览器助手）是怎么做出来的

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

在这里插入图片描述

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

图片

【AI 大模型面试真题（102 道）】

图片

【LLMs 面试真题（97 道）】

图片

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

img

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

  • 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
  • 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
  • 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

  • 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

    • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
    • 拥有多项中美发明专利。
    • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

  • 目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

  • 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

  • 包含丰富的视频教程与实战项目案例，强调动手实践能力。

  • 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

    在这里插入图片描述在这里插入图片描述在这里插入图片描述

抓住机遇，开启你的AI学习之旅！

在这里插入图片描述

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

2025 网络安全就业指南：国家 200 万缺口下，锁定内网渗透 / AI 安全紧缺岗，附国家认证适配清单！

avatar 2048 AI社区
cover

任务6：hdfs操作、web操作、java代码操作（Hadoop部署10.29）

avatar 2048 AI社区
cover

【Html模板】

avatar 2048 AI社区