基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架，实现智能编程系统的实战教程

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编程模型: 1.5B, 7B, 以及即将推出的 32BQwen2.5-Math 数学

Python_金钱豹

1324人浏览 · 2024-09-23 20:18:03

Python_金钱豹 · 2024-09-23 20:18:03 发布

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！

模型能力比对

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

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：

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：

Ollama下载和部署

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

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

# 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',`		`goal='根据需求完成软件编程',`		`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',`		`goal='分析程序代码，找出其中的错误，并修复这些错误代码',`		`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',`		`goal='确保代码实现了需求',`		`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。''',`		`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！',`		`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！',`		`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！',`		`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:`    `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：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：

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！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

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，故此将并将重要的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