04｜扩展：通过多 Agent 协同机制提升分析深度

邢云阳

你好，我是邢云阳。
这节课，我们将进入 Smolagents 脚手架系列的最后一讲，重点探讨 ToolCallingAgent 以及多 Agent 协同机制。掌握了这些高级功能，我们就能进一步提升数据分析报告的深度与全面性。
ToolCallingAgentToolCallingAgent 是一种典型的工具调用型 Agent，其底层基于 ReAct（推理与行动）思想实现。在使用方式上，掌握起来也不难，因为它与我们之前接触的 CodeAgent 基本一致。
让我们通过一个简单的示例代码，为你直观展示它的用法。
from smolagents import ToolCallingAgent, OpenAIModel
model = OpenAIModel(
    model_id="qwen3.7-max",
    api_key="sk-",
    api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    extra_body={"enable_thinking":False},
)
agent = ToolCallingAgent(tools=[], model=model)
agent.run("计算1+2+3...+100的和")
这段代码与上一节课  CodeAgent  的模型配置相比，主要区别在于第 7 行增加了一个  extra_body  参数。
extra_body  是千问（Qwen）官方在 OpenAI 标准 SDK 之外提供的扩展参数，用于传入一些特定的自定义配置。在这个例子中，我们传入了  {"enable_thinking": False}，其作用是关闭模型的深度思考功能。
这个配置至关重要。对于基于 ReAct 模式的 Agent，必须关闭模型的内部深度思考。因为如果开启，模型会优先在内部进行长篇幅的思考，这会与 ReAct 框架本身预设的“思考 - 行动”循环逻辑产生冲突，影响工具调用的正确执行。

公开

同步至部落

取消

完成

0/2000

荧光笔

直线

曲线

笔记

复制

AI

深入了解
翻译
英语
中文简体
法语
德语
日语
韩语
俄语
西班牙语
解释
总结

仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《Harness Agent 脚手架实战课》，新⼈⾸单¥59

立即购买

登录后留言

精选留言

由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。

收起评论