当前位置：首页 > news >正文

Cosmos-Reason1-7B智能体（Agent）开发入门：构建你的第一个AI助手

news 2026/8/26 11:58:58

Cosmos-Reason1-7B智能体（Agent）开发入门：构建你的第一个AI助手

你是不是也好奇，那些能帮你查天气、订行程、甚至写代码的AI助手，到底是怎么做出来的？感觉它们背后有一套复杂的逻辑，离我们普通人很远。

其实没那么神秘。今天，我就带你用Cosmos-Reason1-7B这个模型，从零开始动手搭建一个你自己的AI智能体。我们不做复杂的理论铺垫，直接上手，目标就是让你在半小时内，看到一个能理解你意图、调用工具、并给出建议的“天气出行小助手”活过来。

整个过程就像搭积木，我们会一块一块地拼起来：先让模型学会“思考”和“规划”，再教它使用“工具”（比如查天气），最后让它学会“记忆”对话历史。听起来是不是挺有意思？那咱们就开始吧。

1. 动手之前：先认识你的“积木块”

在开始敲代码之前，咱们得先搞清楚几个核心概念。别担心，我用大白话给你解释，保证一听就懂。

智能体（Agent）是什么？你可以把它想象成一个有“脑子”、有“手”、还有“记事本”的虚拟助手。

脑子（模型）：就是Cosmos-Reason1-7B，它负责理解你说的话，思考该怎么做。
手（工具）：比如一个查询天气的接口、一个计算器，Agent可以用这些“手”去执行具体操作。
记事本（记忆）：用来记住你们之前的对话，这样它就不会问重复的问题，回答也更连贯。

我们这次要做的，就是教会这个“脑子”如何指挥“手”去干活，并且把重要的东西记在“记事本”上。

为什么选Cosmos-Reason1-7B？简单说，它特别擅长“推理”和“规划”。普通的聊天模型可能只会接着你的话往下说，但Cosmos-Reason1-7B能像人一样，先在心里把任务拆解成几步：“用户要出行建议？那我得先知道他要去哪、什么时候去。好，第一步，问他目的地。第二步，查那里的天气。第三步，根据天气给建议。” 这种“分步骤思考”的能力，正是构建智能体的核心。

2. 环境准备：给你的助手安个家

我们得先找个地方把模型跑起来。这里我推荐使用星图GPU平台，它预置了环境，我们不用操心复杂的安装和配置，能快速进入正题。

2.1 获取模型与基础环境

首先，你需要有一个可以运行模型的Python环境（3.8以上版本），并且安装一些必要的库。

打开你的终端或命令行，执行下面的命令：

# 安装核心的模型加载和对话库 pip install transformers torch # 安装一个帮助我们构建Agent的轻量级框架，这里以LangChain为例，因为它生态丰富，例子多 pip install langchain langchain-community # 安装requests库，用于后面调用天气API pip install requests

接下来，我们需要获取Cosmos-Reason1-7B模型。你可以在ModelScope或Hugging Face等模型社区找到它。这里假设我们从ModelScope加载：

from transformers import AutoTokenizer, AutoModelForCausalLM model_name = "AI-ModelScope/Cosmos-Reason1-7B" tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True, torch_dtype=torch.float16, device_map="auto")

这段代码会把模型和分词器下载到本地。torch.float16表示用半精度加载，节省显存；device_map=“auto”会自动把模型分配到可用的GPU上。

2.2 快速验证模型

环境搭好了，我们先跟模型打个招呼，确保它能正常工作。

def simple_chat(prompt): inputs = tokenizer(prompt, return_tensors="pt").to(model.device) outputs = model.generate(**inputs, max_new_tokens=200) response = tokenizer.decode(outputs[0], skip_special_tokens=True) # 只截取模型生成的部分，去掉我们的提问 return response[len(prompt):] test_prompt = "你好，请介绍一下你自己。" print(simple_chat(test_prompt))

如果运行后能看到一段连贯的自我介绍，恭喜你，模型的“脑子”已经准备就绪了！

3. 核心实战：打造天气出行助手

现在进入最有趣的部分——赋予这个“脑子”行动能力。我们将分三步走：造工具、定规则、串流程。

3.1 第一步：制造“工具手”

工具就是Agent能调用的外部函数。我们先造一个最简单的——模拟查询天气。

import requests import json def get_weather(city: str) -> str: """ 模拟获取城市天气信息。 参数: city: 城市名，例如“北京” 返回: 一个描述天气的字符串 """ # 这里为了演示，我们模拟一个返回结果。 # 在实际应用中，你可以替换成真正的天气API，比如和风天气、OpenWeatherMap等。 weather_data = { "北京": "晴朗，温度25℃，微风，紫外线强度中等，适合户外活动。", "上海": "多云，温度28℃，东南风3级，湿度较高，建议携带雨具。", "广州": "雷阵雨，温度30℃，南风4级，有短时强降水，出行请注意安全。", "深圳": "阵雨转多云，温度29℃，湿度大，体感闷热。" } if city in weather_data: return f"{city}的天气情况是：{weather_data[city]}" else: return f"抱歉，暂时没有{city}的天气信息。" # 测试一下工具 print(get_weather("北京"))

运行一下，你会看到输出了“北京的天气情况是：...”。看，第一只“手”做好了。

3.2 第二步：编写“思考指南”

我们需要告诉模型，什么时候该思考，什么时候该用工具。这通过编写“提示词”来实现。提示词就像给模型的工作说明书。

from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain.llms import HuggingFacePipeline from transformers import pipeline # 首先，将我们的模型包装成LangChain能用的格式 hf_pipeline = pipeline( "text-generation", model=model, tokenizer=tokenizer, max_new_tokens=200, temperature=0.1, # 温度调低，让输出更确定、更可靠 ) llm = HuggingFacePipeline(pipeline=hf_pipeline) # 定义核心的Agent提示词模板 agent_prompt_template = """ 你是一个乐于助人的出行助手。你的任务是理解用户的需求，并通过使用工具来获取信息，最终给出贴心的建议。 你可以使用的工具： 1. `get_weather(city: str)`：查询指定城市的天气详情。 请严格按照以下格式思考和回应： 思考：我需要先理解用户想做什么，然后决定是否需要使用工具，以及使用哪个工具。 行动：如果需要使用工具，就在这里写出工具调用，格式为 `工具名: 参数`。例如：`get_weather: 北京`。如果不需要工具，就写 `无`。 观察：这是工具返回的结果，或者你对当前情况的分析。 最终答案：在获得所有必要信息后，给用户一个完整、友好的回答。 现在，开始对话： 用户：{user_input} 历史对话：{chat_history} 思考：{agent_scratchpad} """ PROMPT = PromptTemplate( input_variables=["user_input", "chat_history", "agent_scratchpad"], template=agent_prompt_template ) # 创建一个链，将提示词和模型结合起来 agent_chain = LLMChain(llm=llm, prompt=PROMPT)

这段代码是核心中的核心。我们定义了一个严格的“思考-行动-观察”格式，强迫模型按照这个逻辑来工作。agent_scratchpad这个变量就是用来记录它每一步的思考和工具返回结果的。

3.3 第三步：组装并运行你的Agent

现在，我们把工具、提示词和记忆系统组装起来，并写一个主循环让它跑起来。

from langchain.memory import ConversationBufferMemory # 初始化记忆，让Agent能记住对话历史 memory = ConversationBufferMemory(memory_key="chat_history", input_key="user_input") # 一个简单的工具调用解析和执行函数 def parse_and_execute_action(action_str): if action_str.strip() == "无": return "无需使用工具。" if action_str.startswith("get_weather:"): city = action_str.split(":")[1].strip() return get_weather(city) else: return f"未知的行动指令: {action_str}" # 主对话函数 def run_agent_conversation(): print("天气出行助手已启动！输入‘退出’来结束对话。") chat_history = "" while True: user_input = input("\n你：") if user_input.lower() in ["退出", "exit", "quit"]: print("助手：再见！祝你旅途愉快！") break # 初始化思考过程 scratchpad = "思考：" max_steps = 5 # 防止无限循环 final_answer = None for step in range(max_steps): # 生成模型响应（包含思考和行动） full_response = agent_chain.run({ "user_input": user_input, "chat_history": chat_history, "agent_scratchpad": scratchpad }) # 解析响应，提取“行动”部分 lines = full_response.split('\n') action = None for line in lines: if line.startswith('行动：'): action = line[3:].strip() # 去掉“行动：” break # 执行工具调用，获取观察结果 observation = parse_and_execute_action(action) scratchpad += f"\n{full_response}\n观察：{observation}" # 检查响应中是否有“最终答案” for line in lines: if line.startswith('最终答案：'): final_answer = line[5:].strip() # 去掉“最终答案：” break if final_answer: print(f"助手：{final_answer}") # 将本轮对话存入历史 memory.save_context({"user_input": user_input}, {"output": final_answer}) chat_history = memory.load_memory_variables({})["chat_history"] break if not final_answer: print("助手：我好像有点混乱了，我们重新开始吧。") # 运行助手 if __name__ == "__main__": run_agent_conversation()

保存并运行这个完整的脚本。你会看到一个命令行交互界面。试着输入：“我明天想去北京，天气怎么样？” 看看你的Agent是如何一步步思考、调用天气工具，并最终给你建议的。

4. 效果初探与优化方向

运行起来后，你可能会发现它有时候能完美工作，有时候又会“犯傻”。这很正常，我们的第一个版本还很基础。这里有几个你马上可以尝试的优化点：

增强工具能力：把模拟天气函数换成真实的天气API，让它提供更精确的温度、湿度、风速、未来几小时预报等信息。
改进提示词：在提示词里加入更多例子，教模型在不同场景下该如何反应。比如用户说“北京和上海哪个天气好？”，你应该教它分别查询两个城市再比较。
增加更多工具：比如加入一个suggest_activity(weather)工具，根据天气情况（晴朗、下雨）推荐室内或室外活动。
使用更成熟的框架：我们上面用的是一个非常简化的自制循环。在实际项目中，我强烈建议使用 LangChain 或 LlamaIndex 等框架内置的AgentExecutor，它们已经帮你处理好了复杂的循环、错误处理和工具调用逻辑，更稳定也更强大。