原文出处：Hugging Face Agents Course · units/zh-CN/unit2/llama-index/agents.mdx 原作者：Hugging Face · 许可证：Apache-2.0 License 本篇为课程官方中文译文（Hugging Face 社区翻译），诸葛AI学院仅做格式整理（去除图片与交互组件），版权归原作者所有。

在 LlamaIndex 中使用智能体

还记得我们之前那位得力的管家智能体 Alfred 吗？现在他要迎来重大升级了！在了解了 LlamaIndex 中的工具后，我们可以赋予 Alfred 新的能力来更好地服务我们。

不过在继续之前，让我们先回顾一下智能体（如 Alfred）的核心机制。在第一单元中我们学习到：

智能体是一个利用 AI 模型与环境交互以实现用户定义目标的系统。它通过结合推理、规划和动作执行（通常通过外部工具）来完成各种任务。

LlamaIndex 支持三种主要类型的推理智能体：

函数调用智能体 - 适用于支持调用特定函数的 AI 模型
ReAct 智能体 - 适用于具有聊天或文本完成能力的 AI 模型，擅长处理复杂推理任务
高级自定义智能体 - 使用更复杂的方法处理高阶任务和工作流

有关高级智能体的更多信息，请访问 BaseWorkflowAgent

初始化智能体

您可以通过这个 Notebook 跟随代码实践（使用 Google Colab 运行）。

创建智能体时，我们首先需要为其提供定义其能力的功能/工具集合。让我们看看如何使用基础工具创建智能体。当前实现中，智能体会自动使用函数调用 API（如果可用），或标准的 ReAct 智能体循环。

支持工具/函数 API 的 LLM 是相对较新的技术，它们通过避免特定提示工程、允许 LLM 根据提供的模式创建工具调用，提供了强大的工具调用能力。

ReAct 智能体同样擅长复杂推理任务，可与任何具备聊天或文本完成能力的 LLM 配合使用。这类智能体的响应更详细，会展示其决策背后的推理过程。

```python from llama_index.llms.huggingface_api import HuggingFaceInferenceAPI from llama_index.core.agent.workflow import AgentWorkflow from llama_index.core.tools import FunctionTool

定义示例工具--类型注释、函数名和 docstrings 都包含在解析的模式中！

def multiply(a: int, b: int) -> int: """Multiplies two integers and returns the resulting integer""" return a * b

初始化 llm

llm = HuggingFaceInferenceAPI(model_name="Qwen/Qwen2.5-Coder-32B-Instruct")

初始化 agent

agent = AgentWorkflow.from_tools_or_functions( [FunctionTool.from_defaults(multiply)], llm=llm ) ```

智能体默认是无状态的，如需记忆过往交互，需显式使用 Context 对象。这在需要记忆历史交互的场景中非常有用，例如：需要跨消息保持上下文的聊天机器人，或需要追踪长期任务进度的任务管理器。

```python

stateless

response = await agent.run("What is 2 times 2?")

remembering state

from llama_index.core.workflow import Context

ctx = Context(agent)

response = await agent.run("My name is Bob.", ctx=ctx) response = await agent.run("What was my name again?", ctx=ctx) ```

您会注意到 LlamaIndex 中的智能体采用异步模式（使用 Python 的 await 操作符）。如果您是 Python 异步编程的新手，或需要复习相关知识，请参考官方异步编程指南。

现在我们已经掌握基础知识，接下来让我们探索如何为智能体赋予更复杂的工具能力。

使用 QueryEngineTools 创建 RAG 智能体

智能体增强检索（Agentic RAG） 是通过智能体实现数据问答的强大范式。我们可以为 Alfred 配备多种工具来辅助问题解答。但不同于传统 RAG 直接基于文档回答问题，Alfred 能够自主决定是否使用其他工具或流程来响应查询。

将 QueryEngine 封装为智能体工具非常简单。在此过程中，我们需要定义工具名称和描述，这些元数据将帮助 LLM 正确选择和使用工具。以下示例演示如何基于组件章节创建的 QueryEngine 加载 QueryEngineTool：

```python from llama_index.core.tools import QueryEngineTool

query_engine = index.as_query_engine(llm=llm, similarity_top_k=3) # as shown in the previous section

query_engine_tool = QueryEngineTool.from_defaults( query_engine=query_engine, name="name", description="a specific description", return_direct=False, ) query_engine_agent = AgentWorkflow.from_tools_or_functions( [query_engine_tool], llm=llm, system_prompt="You are a helpful assistant that has access to a database containing persona descriptions. " ) ```

创建多智能体系统

AgentWorkflow 类原生支持多智能体系统。通过为每个智能体分配名称和描述，系统可维护单一活跃会话主体，同时允许智能体之间进行任务交接。

通过精准定义每个智能体的职责边界，我们能够有效提升系统响应消息时的整体准确性。

LlamaIndex 中的智能体也可直接作为其他智能体的工具，这种设计支持构建复杂的定制化场景：

```python from llama_index.core.agent.workflow import ( AgentWorkflow, FunctionAgent, ReActAgent, )

Define some tools

def add(a: int, b: int) -> int: """Add two numbers.""" return a + b

def subtract(a: int, b: int) -> int: """Subtract two numbers.""" return a - b

创建智能体配置

注意：我们可以在此使用 FunctionAgent 或 ReActAgent。

FunctionAgent 适用于具有函数调用 API 的 LLM。

ReActAgent 适用于任何 LLM。

calculator_agent = ReActAgent( name="calculator", description="Performs basic arithmetic operations", system_prompt="You are a calculator assistant. Use your tools for any math operation.", tools=[add, subtract], llm=llm, )

query_agent = ReActAgent( name="info_lookup", description="Looks up information about XYZ", system_prompt="Use your tool to query a RAG system to answer information about XYZ", tools=[query_engine_tool], llm=llm )

创建并运行工作流程

agent = AgentWorkflow( agents=[calculator_agent, query_agent], root_agent="calculator" )

运行系统

response = await agent.run(user_msg="Can you add 5 and 3?") ```

还没学够吗？在《AgentWorkflow 基本介绍》或《Agent 学习指南》中，您可以了解到更多关于流媒体、上下文序列化和人在环路中的信息！

现在我们已经掌握了 LlamaIndex 中智能体和工具的基础知识，接下来让我们探索如何利用 LlamaIndex 来创建可配置、易管理的工作流！