Harness 与 Agent 工程 · Agent架构与协作 · 2025-09-29

LlamaIndex 开发多智能体 Agents 入门基础

从单智能体到多智能体:LlamaIndex带你解锁复杂场景下的AI协作开发。

核心内容:

  1. 多智能体系统的核心优势与应用场景
  2. LlamaIndex多智能体开发的关键步骤详解
  3. 工具定义与函数调用的实战代码示例

当场景复杂、涉及多模块功能时,单智能体难以满足需求,此时需构建多智能体系统:为特定领域任务创建专门智能体,让每个智能体各司其职,共同解决复杂问题。后续将逐步拆解其开发要点。

接下来,我们将逐步拆解 LlamaIndex 多智能体的开发流程,帮助大家系统掌握从需求分析到落地实现的完整方法。

开发步骤如下:

1、安装与环境

导包所需的包。

pip install -U llama-index llama-index-llms-openai

2、选择 LLM 与全局设置

muxue_model_loader.py文件代码:

from llama_index.llms.openai import OpenAIfrom llama_index.core import Settingsllm = OpenAI(model="gpt-4o-mini") # 可换任意支持函数调用的模型Settings.llm = llm # 让后续 Agent/Workflow 继承该 LLM

3、定义工具(Tools)

在 LlamaIndex 里,“工具”是智能体的手脚;最常用包装是 FunctionTool。LlamaIndex 将任意 Python 函数包装成工具,供 Agent 决策调用;这是 FunctionAgent 模式的基础。

fun_coll.py代码如下:

from llama_index.core.tools import FunctionTool# 定义一些简单的工具函数def multiply(a: float, b: float) -> float: """两个数相乘""" print(f"fun_coll- multiply 中的参数:a={a}, b={b}") return a * bdef add(a: float, b: float) -> float: """两个数相加""" print(f"fun_coll- add 中的参数:a={a}, b={b}") return a + bdef divide(a: float, b: float) -> float: """两个数相除,除数不能为零""" if b == 0: raise ValueError("除数不能为零") return a / bdef get_weather(city: str) -> str: """获取指定城市的天气信息(模拟)""" weather_data = { "北京": "晴天,温度25°C", "上海": "多云,温度28°C", "广州": "雨天,温度30°C" } print(f"fun_coll- get_weather 中的参数:city={city}") return weather_data.get(city, f"抱歉,没有{city}的天气信息")def search(query: str) -> str: """模拟搜索功能,根据查询词返回结果""" search_results = { "Python": "Python是一种高级编程语言", "AI": "AI指人工智能", "LlamaIndex": "LlamaIndex是一个用于构建LLM应用的框架" } ret= search_results.get(query, f"未找到关于 '{query}' 的结果") print(f"fun_coll- search 中的返回值:{ret}") return ret# 创建工具实例multiply_tool = FunctionTool.from_defaults(fn=multiply)add_tool = FunctionTool.from_defaults(fn=add)divide_tool = FunctionTool.from_defaults(fn=divide)weather_tool = FunctionTool.from_defaults(fn=get_weather)search_tool = FunctionTool.from_defaults(fn=search)

4、专门的Agent父类

在多智能体架构中,由于存在多个功能各异的 Agent,直接管理和调用会面临逻辑分散、重复编码等问题。因此,定义一个统一的父类 Agent是关键一步:它能为所有子 Agent 提供标准化的基础框架(如通用初始化方法、核心任务接口等),既减少重复开发,也让后续对多个 Agent 的调用、监控和协同管理更高效统一。

from llama_index.core.agent.workflow import FunctionAgentclass SpecialistAgent: """专业Agent基类""" def __init__(self, name: str, specialty: str, tools, system_prompt: str): self.name = name self.specialty = specialty self.agent = FunctionAgent( tools=tools, # llm=model_loaders.llm, # 使用model_loaders中的llm system_prompt=system_prompt, verbose=True ) async def handle_query(self, query: str): """处理查询""" print(f"[{self.name}] 处理查询: {query}") response = await self.agent.run(query) return str(response)

代码分析:

5、多智能体管理

创建一个多智能体的管理类,创建一个“协调器”代理,这个协调器本身不直接回答问题,而是像一个项目经理,负责将用户的请求(query)分派给最合适的“专家”代理来处理。

from llama_index.core.tools import FunctionToolfrom llama_index.core.agent.workflow import FunctionAgentfrom specialist_agent import SpecialistAgentclass MultiAgentSystem: """多代理系统""" def __init__(self): self.agents = {} self.coordinator = None def add_agent(self, agent: SpecialistAgent): """添加代理""" self.agents[agent.name] = agent def create_coordinator(self): """创建协调器代理""" # 创建代理调用工具 def call_agent(agent_name: str, query: str) -> str: """调用指定的代理处理查询""" if agent_name in self.agents: # 注意:这里需要异步执行,但在同步函数中无法直接await # 我们将返回一个标记,表示需要调用哪个代理 print(f"call_agent 中的返回值:CALL_AGENT:{agent_name}:{query}") return f"CALL_AGENT:{agent_name}:{query}" else: print(f"call_agent 错误:找不到名为 '{agent_name}' 的代理") return f"错误:找不到名为 '{agent_name}' 的代理" agent_caller_tool = FunctionTool.from_defaults(fn=call_agent) # 创建代理选择工具 def select_agent(query: str) -> str: """根据查询选择最合适的代理""" ret="" # 这里可以实现更复杂的代理选择逻辑 if "计算" in query or "数学" in query: ret= "math_agent" elif "天气" in query: ret= "weather_agent" elif "搜索"…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/llamaindex/2025092949702.html