一、环境准备

1.1 安装框架

# 全功能安装（RAG/代码解释器/GUI支持）pip install -U "qwen-agent[rag,code_interpreter,python_executor,gui]"
# 简约安装版本pip install -U qwen-agent

1.2 模型服务配置

方法 1：官方服务
export DASHSCOPE_API_KEY='your-api-key'
方法 2：本地部署（vLLM 示例）
from vllm import LLM, SamplingParams
llm = LLM(model="Qwen2-7B-Chat")

二、核心功能开发

2.1 工具定义与使用

from qwen_agent.tools.base import BaseTool, register_toolimport json5
@register_tool('calculate')class Calculator(BaseTool):    description = '基础运算计算器'    parameters = [{'name': 'formula', 'type': 'string'}]        def call(self, params: str) -> float:        return eval(json5.loads(params)['formula'])
# 调用示例calc = Calculator()print(calc.call('{"formula": "(3 + 5) * 2"}'))  # 输出 16.0

2.2 记忆功能实现

from qwen_agent.agents import Assistant
class HistoryAssistant(Assistant):    def _postprocess_messages(self, messages):        return messages[-10:]  # 保留最近5轮对话
assistant = HistoryAssistant(llm={'model': 'qwen-max'})

三、完整示例开发

3.1 城市信息查询助手

from qwen_agent.agents import Assistantfrom qwen_agent.tools import BaseTool, register_toolimport requestsimport json5
@register_tool('city_info')class CityInfoTool(BaseTool):    description = "城市基础信息查询"    parameters = [{'name': 'name', 'type': 'string'}]        def call(self, params):        city = json5.loads(params)['name']        response = requests.get(f"https://api.example.com/cities/{city}")        return response.json()
# 配置助手assistant = Assistant(    llm={'model': 'qwen-max'},    function_list=['city_info','code_interpreter'],    system_message="你是一个城市百科助手")
# 测试查询response = assistant.run([{'role': 'user', 'content': '上海有多少个行政区?'}])print(response[-1]['content'])

执行流程：

  1. 用户输入自然语言问题
  2. 模型解析需调用 city_info 工具
  3. 工具通过 API 获取结构化数据
  4. 模型转译数据为自然语言回答

3.2 图像处理流程（集成代码解释器）

import urllibfrom qwen_agent.agents import Assistant
assistant = Assistant(    function_list=['code_interpreter'],    system_message="图像处理专家")
def process_image(prompt):    messages = [{'role':'user', 'content': prompt}]    for resp in assistant.run(messages):        if 'function_call' in resp:            code = resp['function_call']['arguments']            exec(code)  # 示例简化执行    return resp[-1]['content']
process_image('将https://example.com/image.jpg的水平宽度扩大1.5倍')

四、进阶开发技巧

4.1 RAG 文档问答实现

from qwen_agent import retrieve
# 构建知识库retrieve.build_index('documents/')
class DocQA(Assistant):    def _preprocess(self, query):        contexts = retrieve.search(query)        return f"根据文档：{contexts}\n回答：{query}"
qa = DocQA(llm={'model': 'qwen-max-longcontext'})

4.2 可视化界面集成

from qwen_agent.gui import WebUI
WebUI(assistant).launch(server_name='0.0.0.0', server_port=7860)

五、典型应用场景

5.1 客户服务机器人

class CustomerService(Assistant):    def __init__(self):        super().__init__(            system_message="你是XX公司客服，回答范围限于产品功能和订单查询",            function_list=[product_lookup, order_status]        )        def _validate_query(self, query):        if '价格' in query:            return "具体产品价格请访问官网查询"        return super()._validate_query(query)

5.2 数据分析助手

@register_tool('data_analysis')class DataAnalyzer:    def call(self, params):        df = pd.read_csv(params['file'])        return df.describe().to_markdown()
assistant = Assistant(function_list=['data_analysis', 'code_interpreter'])

六、技术要点总结

  • 工具生态系统
    支持自定义工具注册机制，灵活扩展功能
  • 动态流程控制
    支持工具调用链、条件分支、循环处理等复杂逻辑
  • 性能优化建议
    ✅ RAG 缓存机制提升高频查询响应
    ✅ 量化压缩降低部署资源消耗
    ✅ 设置执行超时保障系统稳定性

七、调试与优化

# 开启调试模式assistant = Assistant(verbose=True)
# 性能监控from qwen_agent.monitor import perf_counter
@perf_counterdef critical_function():    pass

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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。

在这里插入图片描述

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

在这里插入图片描述

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

在这里插入图片描述

适合人群

  • 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
  • IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
  • IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
  • 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
    在这里插入图片描述

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

在这里插入图片描述

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。 在这里插入图片描述

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。
在这里插入图片描述

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。 在这里插入图片描述

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路
在这里插入图片描述

一对一学习规划，职业生涯指导

  • 真实商业项目实训
  • 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

在这里插入图片描述
大厂绿色直通车，冲击行业高薪岗位
在这里插入图片描述

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# python # 开发语言 # 百度 # 人工智能 # 产品经理 # 自然语言处理
Logo
武汉城市开发者社区

为武汉地区的开发者提供学习、交流和合作的平台。社区聚集了众多技术爱好者和专业人士，涵盖了多个领域，包括人工智能、大数据、云计算、区块链等。社区定期举办技术分享、培训和活动，为开发者提供更多的学习和交流机会。

更多推荐

cover

程序员必看！什么是 RAG？为什么学大模型一定要懂它？

avatar 武汉城市开发者社区
cover

让你真正能摸鱼的AI Agent，是如何通过“自主思考”做重构工作流的数字员工的？

avatar 武汉城市开发者社区
cover

大模型落地分层技术体系LLM＜RAG＜AI Agent＜Training

avatar 武汉城市开发者社区