Qwen2.5 开源的系列模型中，Qwen2.5-Coder 模型的推理能力技压群雄，本文集合 CrewAI 框架，让多智能体自己编写符合我们需求的程序……

9 月 19 日，阿里开源了 Qwen2.5 系列大模型全家桶：除常规的语言模型 Qwen2.5 之外，还发布了专门针对编程的Qwen2.5-Coder模型和数学的 Qwen2.5-Math 模型，并且针对每个模型都提供了不同规模参数版本，包括：

• Qwen2.5 语音模型: 0.5B, 1.5B, 3B, 7B, 14B, 32B 和 72B
• Qwen2.5-Coder 编程模型: 1.5B, 7B, 以及即将推出的 32B
• Qwen2.5-Math 数学模型: 1.5B, 7B 和 72B

Qwen2.5 系列模型性能和推理能力对比，老牛同学不在赘述，我们可以到 Qwen 官网博客查看详细介绍：https://qwenlm.github.io/zh/blog/qwen2.5/

在国内开源大模型中，老牛同学用遥遥领先做为 Qwen2.5 模型系列总结一点也不为过，国内开源大模型能真打的实在是太少了！

老牛同学对Qwen2.5-Coder比较感兴趣，可能是老牛同学专业的原因，非常期待能有一个智能编程的模型或应用，真所谓：码无止境，学无止境！

今天，老牛同学就基于Qwen2.5-Coder模型，结合CrewAI多智能体框架，实现一个能根据软件需求编写程序代码的系统，同时感受一下Qwen2.5-Coder的能力。因此本文大致分为以下三部分：

• Qwen2.5-Coder本地部署和简单验证
• CrewAI多智能体设计、和基于Qwen2.5-Coder的实现代码
• 最终，验证CrewAI智能体编写的程序

Qwen2.5-Coder 本地部署

通过老牛同学前面的文章可以看到，我们至少有 3 种方式在本地部署和推理大模型，本文就是不在详细介绍其过程了（感兴趣的朋友可以翻看一下老牛同学之前文章）。

为了尽快实现我们的目标，我们将使用Ollama快速在本地部署Qwen2.5-Coder模型；关于 Ollama 的详细介绍和使用教程，可以参考老牛同学之前文章：Ollama 完整教程：本地 LLM 管理、WebUI 对话、Python/Java 客户端 API 应用

我们安装好Ollama程序之后，通过以下一条命令，即可完成大模型的下载和部署：

<code>ollama run qwen2.5-coder:7b

下载和部署成功之后，Ollama默认自带了一个终端对话窗口：

至此，Qwen2.5-Coder模型本地部署就成功了，接下来我们来实现多智能体代码逻辑~

CrewAI 多智能体设计和实现

CrewAI是一个多智能体框架，关于它的详细介绍和使用教程，可以参考老牛同学之前文章：基于 CrewAI 多智能体框架，手把手构建一个自动化写作应用实战

工欲善其事，必先利其器，我们先准备一下CrewAI的研发环境，我们通过Miniconda管理 Python 虚拟环境，Miniconda的安装和使用可以参考老牛同学之前的文章：大模型应用研发基础环境配置（Miniconda、Python、Jupyter Lab、Ollama 等）

<code># Python虚拟环境名：CrewAI，版本号：3.10

conda create -n CrewAI python=3.10 -y

# 激活虚拟环境

conda activate CrewAI

# 安装 CrewAI 框架依赖

pip install crewai

我们的编程智能体为游戏智能编程团队（姑且就叫这个名吧），这个团队由3 个角色组成（即：3 个智能体），他们的工作职责设定如下：

• 软件工程师：负责根据需求编写程序代码
• 质量工程师：发现并修复软件工程师的代码 Bug 和错误
• 首席质量工程师：检测程序完整性，并检测是否符合软件需求

我们通过以下步骤，完成游戏智能编程团队整体逻辑（Python 文件：CrewAI-Game.py），首先我们需要导入程序的均依赖类：

import os

from textwrap import dedent

from crewai import Agent, Task, Crew

【第一步：配置Qwen2.5-Coder大模型】

# 配置模型（qwen2.5-coder:7b）

os.environ["OPENAI_API_BASE"] = 'http://127.0.0.1:11434/v1'

os.environ["OPENAI_MODEL_NAME"] = 'qwen2.5-coder:7b',

os.environ["OPENAI_API_KEY"] = 'EMPTY'

【第二步：定义3 个角色（即：3 个智能体）】

3 个智能体分别是：高级软件工程师、高级质量工程师和首席质量工程师

#

# 3个智能体逻辑

#

def senior_engineer_agent():

"""高级软件工程师智能体"""

return Agent(

role='高级软件工程师',code>

goal='根据需求完成软件编程',code>

backstory=dedent('''你是一位国际领先的科技公司的高级软件工程师。

你非常擅长Python编程，并尽自己的最大努力编写功能齐全、运行良好的完美代码。

'''),

allow_delegation=False,

verbose=True

)

def qa_engineer_agent():

"""高级软件质量工程师智能体"""

return Agent(

role='高级软件质量工程师',code>

goal='分析程序代码，找出其中的错误，并修复这些错误代码',code>

backstory=dedent('''你是一位检测代码的高级工程师。

你对代码细节很敏锐，非常擅长找出代码中的Bug，包括检查是否缺少导入、变量声明、不匹配括号和语法错误等。

您还能检查出代码的安全漏洞和逻辑错误。

'''),

allow_delegation=False,

verbose=True

)

def chief_qa_engineer_agent():

"""首席软件质量工程师智能体"""

return Agent(

role='首席软件质量工程师',code>

goal='确保代码实现了需求',code>

backstory='''你怀疑程序员没有按照需求编写软件，你特别专注于编写高质量的代码。''',code>

allow_delegation=True,

verbose=True

)

【第三步：定义3 个任务（即：3 个智能体的任务）】

与 3 个智能体对应，每个智能体均对应有 1 个任务：

#

# 3个任务逻辑

#

def code_task(agent, game):

return Task(description=dedent(f'''你将按照软件需求，使用Python编写程序:

软件需求

------------

{game}

'''),

expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',code>

agent=agent

)

def review_task(agent, game):

return Task(description=dedent(f'''你将按照软件需求，进一步使用Python完善给定的程序:

软件需求

------------

{game}

根据给定的Python程序代码，检查其中的错误。包括检查逻辑错误语法错误、缺少导入、变量声明、括号不匹配，以及安全漏洞。

'''),

expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',code>

agent=agent

)

def evaluate_task(agent, game):

return Task(description=dedent(f'''你将按照软件需求，进一步使用Python完善给定的程序:

软件需求

------------

{game}

查看给定的Python程序代码，确保程序代码完整，并且符合软件需求。

'''),

expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',code>

agent=agent

)

【第四步：定义团队，组织智能体协同执行任务】

CrewAI中，Crew代表团队，它有agents和tasks这 2 个核心属性，最终通过kickoff()方法触发执行整个流程：

#

# 团队逻辑

#

print('')

game = input('# 您好，我们是游戏智能编程团队，请输入游戏的详细描述：\n\n')

print('')

# 智能体

senior_engineer_agent = senior_engineer_agent()

qa_engineer_agent = qa_engineer_agent()

chief_qa_engineer_agent = chief_qa_engineer_agent()

# 任务

code_game = code_task(senior_engineer_agent, game)

review_game = review_task(qa_engineer_agent, game)

approve_game = evaluate_task(chief_qa_engineer_agent, game)

# 团队

crew = Crew(

agents=[

senior_engineer_agent,

qa_engineer_agent,

chief_qa_engineer_agent

],

tasks=[

code_game,

review_game,

approve_game

],

verbose=True

)

# 执行

game_code = crew.kickoff()

最后，我们拿到 Python 代码之后，希望能保存到本地文件（Python 文件：Game.py）：

# 输出

print("\n\n########################")

print("## 游戏代码结果")

print("########################\n")

print(game_code)

# 存储代码

filename = 'Game.py'

print("\n\n########################\n")

with open(filename, 'w', encoding='utf-8') as file:code>

file.write(game_code)

print(f"游戏代码已经存储到文件： {filename}")

print(f'你可以运行游戏：python {filename}')

以上步骤即完成了我们只能编程团队代码，接下就可以执行了：python CrewAI-Game.py

CrewAI 执行过程中，我们看到 3 个智能体执行详细信息：

• 软件工程师执行过程信息

  

• 质量工程师执行过程信息

  

• 首席工程师执行过程信息

  

最后，我们运行本地存储的小游戏程序：<code>python Game.py

因为程序使用到了Pygame包，如果虚拟环境没有的话，需要安装一下：pip install pygame

最终我们运行起来了贪吃蛇游戏：

至此，本次我们需求基本完成了，我们通过定义的 3 个智能体和对应的任务，最终智能体与Qwen2.5-Coder交互完成软件需求程序的编写。

程序最终还能跑起来，这也进一步体现了Qwen2.5-Coder模型的语音和代码推理能力！

往期推荐文章：

vLLM CPU 和 GPU 模式署和推理 Qwen2 等大语言模型详细教程

基于 Qwen2/Lllama3 等大模型，部署团队私有化 RAG 知识库系统的详细教程（Docker+AnythingLLM）

使用 Llama3/Qwen2 等开源大模型，部署团队私有化 Code Copilot 和使用教程

基于 Qwen2 大模型微调技术详细教程（LoRA 参数高效微调和 SwanLab 可视化监控）

ChatTTS 长音频合成和本地部署 2 种方式，让你的“儿童绘本”发声的实战教程

MiniCPM-V 2.6 面壁“小钢炮”，多图、视频理解多模态模型，部署和推理实战教程