笔者在学了Qwen-Agent相关的内容后，觉得其未来可能会改变人们与信息化系统的交互方式，目前基本是GUI交互方式，这种交互的专业性较强，有一定的学习门槛。特别是当一个信息化系统做的越来越复杂的时候——比如to B的系统，对于用户来讲，使用起来就不太方便，可能只是想要查一个简单的数据呢。那如果是这种场景，能不能直接通过自然语言对话的方式来满足需求呢？

在看了Qwen-Agent的内容和其它一些相关课程后，笔者觉得可以试着先尝试做做，目前可能还不太成熟，但是先跟踪一下技术的前沿发展，保持不掉队。

一、Qwen-Agent自带的天气预报助手

笔者主要看了Qwen-Agent自身提供的天气预报助手assistant_weather_bot，它是一个具有查询天气和画图能力的智能体，分别由查询天气的工具amap_weather和画图工具image_gen来提供相应的能力。

当笔者提问“北京的天气怎么样？”时，它会提取“北京”这个地名，并将其作为location参数传递给工具amap_weather，此工具会将地名转换为地区编码字段adcode，随后调用高德查询天气的相应接口并传参adcode，高德接口返回weather和temperature字段，由工具拼接为自然语言后返回给assistant_weather_bot。

接下来再将上述返回的信息，作为参数传递给画图工具image_gen，由该工具生成图片，并将链接地址返回。

以上实现逻辑比较简单，源码可在github上下载——Qwen-Agent源码下载。

二、自定义开发课程助手（智能体）

笔者首先对课程助手进行定义，指定本地的大模型配置信息，定义system_prompt和调用的工具等。详细代码如下：

import os

from qwen_agent.agents import Assistant

def init_agent_service():

llm_cfg = {

# 读者需要将以下代码修改为自己的本地配置

'model': '/opt/models/Qwen2-7B-Instruct',

'model_server': 'http://192.168.70.190:8000/v1', # api_base

'api_key': 'EMPTY',

}

system = '你叫MOMO，是AI课堂的助手。你只回答跟AI大模型有关的问题，不相关的问题不要回答。每次回答问题前，你要拆解问题并输出每一步的思考过程。'

bot = Assistant(

llm=llm_cfg,

name='AI课堂助手',code>

description='你是AI课堂的助手，对学生的提问进行解答。',code>

system_message=system,

function_list=["course_tool"],

)

return bot

读者在执行此代码前，注意先安装qwen_agent工具包。

从上述代码可以看到，笔者定义了一个course_tool的工具，当用户进行提问时，它会去从course_tool中寻找答案。以下来看看笔者的助手定义。

import os

from typing import Dict, Optional, Union

from database import MySQLConnectionPool

from qwen_agent.tools.base import BaseTool, register_tool

import json

from decimal import Decimal

from datetime import timedelta, date

@register_tool('course_tool')

class CourseTool(BaseTool):

description = '课程助手'

parameters = [{

'name': 'sql_text',

'type': 'string',

'description': "SQL查询语句提取信息，来回答用户的问题。"

"SQL语句需要基于以下数据库模式来编写:"

"CREATE TABLE Courses ("

"id INT AUTO_INCREMENT PRIMARY KEY,"

"course_date DATE NOT NULL,"

"start_time TIME NOT NULL,"

"end_time TIME NOT NULL,"

"course_name VARCHAR(255) NOT NULL,"

"instructor_id VARCHAR(255) NOT NULL COMMENT '指导老师id') COMMENT = '课程表';"

"CREATE TABLE Instructor ("

"instructor_id int(11) NOT NULL COMMENT '指导老师id',"

"instructor_name varchar(255) COMMENT '指导老师姓名',"

") COMMENT '指导老师信息表';"

"Courses表与Instructor表通过字段instructor_id来关联；"

"用户不会直接输入id值，所以不要直接用id值来查询；"

"该查询应该以纯文本形式返回，而不是JSON格式。"

"该查询只能包含MySQL支持的语法。",

'required': True

}]

笔者定义了两张表，一张是课程表Courses，一张是指导老师信息表Instructor，并在数据库中提前创建并录入了数据（见下图中的数据）。两张表之间通过字段instructor_id来关联，笔者将这两张表的schema作为参数sql_text的描述知识写入供大模型进行学习。

在这样完成定义后，用户提的问题将被转换为Mysql语法的sql语句传递给CourseTool类的call方法，以下是call方法的实现。

<code> def call(self, params: Union[str, dict], **kwargs) -> str:

params = self._verify_json_format_args(params)

# 创建数据库连接

conn = MySQLConnectionPool()

records = conn.select_all(params['sql_text'], None)

for record in records:

for key, value in record.items():

if isinstance(value, Decimal):

record[key] = str(value)

elif isinstance(value, timedelta):

# 将 timedelta 对象转换为总秒数的浮点数

record[key] = value.total_seconds()

elif isinstance(value, date):

record[key] = value.isoformat()

return records

call方法的实现比较简单，主要逻辑就是将转换出来的sql语句执行，并返回执行结果，另外对无法转换为json字符串的数据提前进行格式转换。

三、自然语言交互式问答体验