简介

DB-GPT提供了一套数据Agent开发的能力，可以开发非常复杂的生产级数据智能体应用。详细介绍

快速开始

DB-GPT采用了非常灵活的分层设计，Agent部分可以作为一个独立的模块单独使用。

Agent API: 通过Python代码构建Agent应用，只需要按转dbgpt Python包。

pip install "dbgpt[agent]"

应用层API：通过DB-GPT项目来构建Agent，同时可以使用其他模块的能力。

当你需要单独使用Agent API时，可以通过Agent模块提供的API能力，通过少量的代码快速构建智能体应用，同时也很容易将其部署到生产环境。

安装

首先，需要安装dbgpt包，可以通过如下的命令进行安装

pip install "dbgpt[agent]>=0.5.9rc0"

同时需要安装openai SDK，可以通过下面的命令进行安装

pip install openai

编写一个计算Agent

大模型是Agent的”大脑”, 在本案例当中，我们使用OpenAI作为基础模型，当然你也可以使用DB-GPT中支持的任何一种模型，无论是本地部署模式，还是代理模式。无论是单机部署，还是集群部署。

import os
from dbgpt.model.proxy import OpenAILLMClient
llm_client = OpenAILLMClient(
    model_alias="gpt-3.5-turbo", # or other models, eg. "gpt-4o"
    api_base=os.getenv("OPENAI_API_BASE"),
    api_key=os.getenv("OPENAI_API_KEY"),
)

然后，可以创建Agent的上下文和Memory

from dbgpt.agent import AgentContext, AgentMemory
# language="zh" for Chinese
context: AgentContext = AgentContext(
    conv_id="test123", language="en", temperature=0.5, max_new_tokens=2048
) 
# Create an agent memory, default memory is ShortTermMemory
agent_memory: AgentMemory = AgentMemory()

Memory存储从环境中感知到的信息，并利用记录的记忆来促进后续的行动。默认的存储方式是ShortTermMemory 既短期记忆，仅仅保留最近k轮的对话记录。当然，也可以使用其他的记忆方式，比如长期记忆LongTermMemory、感知记忆 SensoryMemory或者混合记忆HybridMemory, 在后续的文档中，我们也会进行详细的介绍。

现在就可以编写完整的Agent助手了

import asyncio
from dbgpt.agent import LLMConfig, UserProxyAgent
from dbgpt.agent.expand.code_assistant_agent import CodeAssistantAgent
async def main():
    # Create a code assistant agent
    coder = (
        await CodeAssistantAgent()
        .bind(context)
        .bind(LLMConfig(llm_client=llm_client))
        .bind(agent_memory)
        .build()
    )
    # Create a user proxy agent
    user_proxy = await UserProxyAgent().bind(context).bind(agent_memory).build()
    # Initiate a chat with the user proxy agent
    await user_proxy.initiate_chat(
        recipient=coder,
        reviewer=user_proxy,
        message="Calculate the result of 321 * 123",
    )
    # Obtain conversation history messages between agents
    print(await agent_memory.gpts_memory.one_chat_completions("test123"))
if __name__ == "__main__":
    asyncio.run(main())

运行代码，你可以看到如下的输出

--------------------------------------------------------------------------------
User (to Turing)-[]:
"Calculate the result of 321 * 123"
--------------------------------------------------------------------------------
un_stream ai response: ```python
# filename: calculate_multiplication.py
result = 321 * 123
print(result)

EXECUTING CODE BLOCK 0 (inferred language is python)… execute_code was called without specifying a value for use_docker. Since the python docker package is not available, code will be run natively. Note: this fallback behavior is subject to change un_stream ai response: True

Turing (to User)-[gpt-3.5-turbo]:

“python\n# filename: calculate_multiplication.py\n\nresult = 321 * 123\nprint(result)\n“

Turing Review info: Pass(None) Turing Action report: execution succeeded,

39483

[{"name": "Calculate the result of 321 * 123", "num": 1, "status": "complete", "agent": "Human", "markdown": "```agent-messages\n[{\"sender\": \"CodeEngineer\", \"receiver\": \"Human\", \"model\": \"gpt-3.5-turbo\", \"markdown\": \"```vis-code\\n{\\\"exit_success\\\": true, \\\"language\\\": \\\"python\\\", \\\"code\\\": [[\\\"python\\\", \\\"# filename: calculate_multiplication.py\\\\n\\\\nresult = 321 * 123\\\\nprint(result)\\\"]], \\\"log\\\": \\\"\\\\n39483\\\\n\\\"}\\n```\"}]\n```"}]

```

在DB-GPT当中，为了实现更高的性能，绝大多数接口都是异步的。因此，我们以异步的方式编写构建所有代码。在开发中，您可以使用asyncio.run(main())来运行Agent

如下图所示，是代码运行的示意图。

快速开始 - 图1

在上述代码中，我们创建了一个代码助手智能体 CodeAssistantAgent和一个UserProxyAgent智能体，其中UserProxyAgent是一个用户代理智能体，它是一个管理Agent，可以发起与其他智能体的对话，并且可以查看其他智能体的反馈。

CodeAssistantAgent是一个代码助手智能体，可以生成代码来解决实际的用户问题，在本Case中，它会生成Python代码来计算 321 * 123的结果，然后代码会通过CodeAction进行执行，最后审核通过后，结果会返回给用户。

最后，我们打印了智能体之间的对话记录。

What’s Next

如何在DB-GPT智能体中，使用工具
如何通过DB-GPT智能体连接数据源
如何使用DB-GPT智能体的计划模块
如何使用DB-GPT智能体的记忆模块
如何自定义一个DB-GPT智能体
如何将DB-GPT智能体与AWEL(智能体工作流编排)集成
如何将智能体部署到生产环境