最近在技术社区里一个名为“喜欢吗我也喜欢”的项目悄然走红。初看这个标题你可能会以为它又是一个娱乐或社交应用。但如果你点进去会发现它其实是一个基于大语言模型LLM的、高度可定制的智能对话与任务执行框架。它之所以能引起开发者的广泛兴趣核心在于它试图解决一个非常具体且普遍的痛点如何让AI Agent智能体的交互过程更自然、更可控并且能深度集成到开发者的工作流中。很多开发者都体验过类似AutoGPT、LangChain这样的工具它们功能强大但有时也让人感到“失控”——你给一个目标它就开始“自由发挥”过程不透明结果难预测调试起来更是困难。“喜欢吗我也喜欢”这个项目从命名上就透露出一种拟人化的亲和力而其设计哲学正是将复杂的Agent执行过程转化为一场结构清晰、步骤可控、状态可见的“对话”。它不是一个黑盒而是一个你可以随时介入、引导、修正的协作伙伴。本文将为你深度解析这个项目。我们不会停留在表面的功能介绍而是会深入探讨它到底解决了什么工程问题与传统Agent框架相比它的核心差异在哪里它的架构是如何设计的如何理解其“对话即任务”的理念如何从零开始搭建和运行一个实例我们将提供完整的代码和配置示例。在实际使用中会遇到哪些“坑”如何优化提示词、管理上下文长度它最适合哪些场景是自动化脚本生成、数据分析还是作为复杂系统的“AI中间件”无论你是想寻找一个更趁手的AI开发工具还是对下一代人机协作界面感兴趣这篇文章都将为你提供一份可落地、可实践的详细指南。1. 这篇文章真正要解决的问题在深入代码之前我们必须先厘清一个根本问题为什么我们需要另一个AI Agent框架现有的工具链已经非常丰富。关键在于“可控性”与“可解释性”的缺失。许多Agent框架的设计目标是“全自动”完成任务这导致过程黑盒化Agent内部进行了多少次思考Chain of Thought调用了哪些工具决策依据是什么开发者很难知晓。纠错成本高一旦Agent“跑偏”很难从中间步骤进行干预往往需要从头开始浪费大量的Token和计算资源。集成困难Agent的复杂工作流难以无缝嵌入到现有的软件系统中其状态管理和生命周期控制是个挑战。“喜欢吗我也喜欢”项目为方便叙述后文我们称其为Liking框架的切入点正在于此。它不追求完全的无监督自动化而是强调“人机协同”和“过程显式化”。它将一个复杂的任务分解为一系列可管理的“对话回合”每个回合都包含清晰的输入、思考、行动和输出。开发者可以像审查日志一样审查每一个回合也可以在任意回合插入指导或修正。因此本文要解决的核心问题是如何利用Liking框架构建一个既强大又可控的AI智能体并将其应用于实际的开发、测试或数据分析场景中。我们将重点关注其架构思想、实操部署以及如何规避常见陷阱。2. 基础概念与核心原理要理解Liking需要先掌握几个核心概念它们共同构成了其“对话即任务”的哲学。2.1 核心概念解析Agent智能体在Liking中Agent是一个具有特定目标、记忆和能力的虚拟实体。它通过与大语言模型LLM交互来理解和执行任务。你可以把它想象成一个拥有专业技能的虚拟员工。Skill技能这是Agent能力的具象化。一个Skill可以是一个简单的函数如计算器、查询天气也可以是一个复杂的流程如生成SQL语句并执行、调用外部API获取数据。Liking框架的核心优势之一就是可以方便地定义和组合Skill。Conversation对话这是Liking最核心的抽象。一个任务的一次完整执行被建模为一场“对话”。这场对话由多个Turn回合组成。Turn回合对话的基本单元。一个典型的Turn包含User Input用户输入用户或系统发出的指令。Agent Thought智能体思考LLM根据当前上下文和可用Skill决定下一步该做什么内部推理。Action行动执行选定的Skill或给出最终回答。Observation观察Action执行后的结果如函数返回值、API响应。Response响应LLM整合Observation生成面向用户的回复。 这个过程会循环直到任务完成。每个Turn的状态都会被完整记录。Memory记忆Agent的“大脑”用于存储对话历史、任务上下文、以及从过往经验中学到的知识。Liking通常采用向量数据库如Chroma, Weaviate来实现长期记忆使Agent能拥有“记忆力”。2.2 工作原理与流程Liking框架的工作流程可以概括为以下步骤下图清晰地展示了这一交互循环flowchart TD A[用户/系统提出请求] -- B[框架组装当前对话上下文] B -- C[LLM进行思考与规划br选择技能或直接回答] C -- D{决策类型} D -- 使用技能 -- E[执行对应的Skill函数/工具] E -- F[获取执行结果 Observation] F -- G[LLM整合结果生成本轮响应] D -- 直接回答 -- G G -- H[保存本轮完整记录brUser, Thought, Action, Observation, Response] H -- I{任务是否完成} I -- 否 -- B I -- 是 -- J[输出最终结果br结束对话]这个循环的核心价值在于每一步都是可观测、可记录的。开发者可以随时查看“思考”内容了解Agent的决策逻辑也可以查看“行动”和“观察”确认工具调用的准确性。这种透明性极大地提升了调试效率和系统可靠性。3. 环境准备与前置条件在开始编码之前请确保你的开发环境满足以下要求。我们将以Python环境为例进行说明。3.1 系统与语言要求操作系统Linux (Ubuntu 20.04) macOS 或 Windows (WSL2推荐)。Python版本 3.8。建议使用3.9或3.10以获得最佳兼容性。包管理工具pip或poetry。本文使用pip。3.2 获取项目代码Liking是一个开源项目你可以从代码托管平台克隆它。# 克隆仓库 (请替换为实际仓库地址此处为示例) git clone https://github.com/your-org/liking.git cd liking3.3 安装核心依赖项目根目录下通常会有requirements.txt或pyproject.toml文件。# 创建并激活虚拟环境 (强烈推荐) python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装依赖 pip install -r requirements.txt如果项目使用poetry则运行pip install poetry poetry install3.4 配置LLM密钥Liking本身不提供LLM需要接入OpenAI、Anthropic或本地部署的Ollama等模型服务。你需要准备相应的API密钥。创建一个名为.env的环境变量文件在项目根目录注意切勿将此文件提交到版本控制系统# .env 文件示例 OPENAI_API_KEYsk-your-openai-api-key-here # 或者使用 Azure OpenAI AZURE_OPENAI_API_KEYyour-azure-key AZURE_OPENAI_ENDPOINThttps://your-resource.openai.azure.com/ # 或者使用 Anthropic Claude ANTHROPIC_API_KEYyour-claude-api-key在代码中框架会通过os.getenv读取这些配置。4. 核心流程拆解构建你的第一个智能体现在让我们动手构建一个简单的智能体。这个智能体的目标是扮演一个“技术文档助手”能够回答关于Python编程的问题并在必要时给出代码示例。4.1 步骤一定义Skill技能Skill是Agent能力的基石。我们首先定义一个简单的“代码格式化”Skill。在项目目录下创建skills/code_formatter.py# skills/code_formatter.py import autopep8 from liking.skill import Skill, skill skill class CodeFormatterSkill(Skill): 一个用于格式化Python代码的技能。 name format_python_code description 格式化一段给定的Python代码使其符合PEP8规范。 def execute(self, code: str) - str: 执行代码格式化。 Args: code (str): 需要格式化的Python代码字符串。 Returns: str: 格式化后的代码字符串。 try: formatted_code autopep8.fix_code(code) return formatted_code except Exception as e: return f代码格式化失败错误信息{str(e)}关键点使用skill装饰器注册。必须继承Skill基类具体类名需根据框架实际定义调整。name和description至关重要LLM会根据这些描述来决定是否以及何时调用此技能。execute方法是技能的核心逻辑。4.2 步骤二配置Agent与Memory接下来我们需要创建一个Agent并为其配备记忆系统。这里我们使用简单的对话记忆和向量记忆。创建agent_config.yaml# configs/agent_config.yaml agent: name: PythonDocAssistant role: 你是一个专业的Python技术文档助手擅长用简洁清晰的语言解释概念并给出实用的代码示例。 model: gpt-4-turbo-preview # 或 claude-3-sonnet-20240229, gpt-3.5-turbo temperature: 0.1 # 较低的温度使输出更稳定、更专注 memory: short_term: type: conversation_buffer # 存储最近的对话历史 max_turns: 10 long_term: type: vector_store # 用于存储和检索长期知识 store_type: chroma # 使用ChromaDB persist_directory: ./data/chroma_db embedding_model: text-embedding-3-small skills: - skills.code_formatter.CodeFormatterSkill # 可以继续添加其他技能如 # - skills.web_search.WebSearchSkill # - skills.calculator.CalculatorSkill4.3 步骤三初始化并运行Agent现在我们编写主程序来启动Agent并进行对话。创建main.py# main.py import asyncio import yaml from pathlib import Path from liking.agent import Agent from liking.memory import VectorMemory, ConversationBufferMemory def load_config(config_path: str): with open(config_path, r) as f: return yaml.safe_load(f) async def main(): # 1. 加载配置 config load_config(configs/agent_config.yaml) # 2. 初始化记忆系统 short_memory ConversationBufferMemory(max_turnsconfig[memory][short_term][max_turns]) long_memory VectorMemory( store_typeconfig[memory][long_term][store_type], persist_dirconfig[memory][long_term][persist_directory], embedding_modelconfig[memory][long_term][embedding_model] ) # 3. 动态加载技能 skills [] for skill_path in config[skills]: module_name, class_name skill_path.rsplit(., 1) module __import__(module_name, fromlist[class_name]) skill_class getattr(module, class_name) skills.append(skill_class()) # 4. 创建Agent实例 agent Agent( nameconfig[agent][name], roleconfig[agent][role], modelconfig[agent][model], temperatureconfig[agent][temperature], skillsskills, short_term_memoryshort_memory, long_term_memorylong_memory ) # 5. 运行对话循环 print(fAgent {agent.name} 已就绪。输入 quit 或 exit 结束对话。) while True: try: user_input input(\nYou: ) if user_input.lower() in [quit, exit, q]: print(对话结束。) break # 关键调用Agent处理输入获取完整回合 turn await agent.process(user_input) # 打印Agent的响应 print(f\n{agent.name}: {turn.response}) # 可选打印详细的回合信息用于调试 if input(查看详细回合信息(y/N): ).lower() y: print(f\n[DEBUG] 思考过程: {turn.thought}) print(f[DEBUG] 执行动作: {turn.action}) print(f[DEBUG] 动作结果: {turn.observation}) except KeyboardInterrupt: print(\n对话被中断。) break except Exception as e: print(f\n处理请求时出错: {e}) if __name__ __main__: asyncio.run(main())5. 运行结果与效果验证运行上述程序你将进入一个交互式对话界面。让我们测试几个场景。5.1 启动程序python main.py预期输出Agent PythonDocAssistant 已就绪。输入 quit 或 exit 结束对话。 You:5.2 测试基础问答You: 请解释一下Python中的列表推导式。预期Agent响应PythonDocAssistant: 列表推导式是Python中一种简洁、高效地创建新列表的语法。其基本形式为 [expression for item in iterable if condition]。 例如要生成一个包含0到9所有数字平方的列表可以这样写 squares [x**2 for x in range(10)] 这等价于 squares [] for x in range(10): squares.append(x**2) 列表推导式更简洁且通常执行速度更快。5.3 测试Skill调用You: 帮我格式化这段代码def hello():print(Hello, World!)预期Agent响应PythonDocAssistant: 已调用代码格式化技能。格式化后的代码如下 python def hello(): print(Hello, World!)现在它符合PEP 8规范了。此时如果你选择查看详细回合信息(y)可能会看到[DEBUG] 思考过程: 用户提供了一段格式不规范的Python代码。我拥有一个名为format_python_code的技能描述是“格式化一段给定的Python代码使其符合PEP8规范。”。这正好适用于当前请求。我将调用这个技能。 [DEBUG] 执行动作: CallSkill(nameformat_python_code, args{code: def hello():print(Hello, World!)}) [DEBUG] 动作结果: def hello():\n print(Hello, World!)**这就是Liking框架的核心价值体现**整个决策和执行过程完全透明。 ### 5.4 测试上下文记忆You: 我刚才问了你关于列表推导式的问题你能再总结一下它的优点吗**预期Agent响应**PythonDocAssistant: 当然。根据我们之前的对话列表推导式的主要优点有语法简洁用一行代码替代多行的for循环使代码更清晰易读。执行高效由于其实现方式通常比等价的for循环执行速度更快。功能强大可以结合条件判断if子句方便地进行过滤。例如[x for x in range(10) if x % 2 0]可以快速生成一个偶数列表。这表明Agent成功地从短期对话记忆中回忆起了之前的上下文。 ## 6. 常见问题与排查思路 在实际使用Liking或类似框架时你可能会遇到以下问题。下表列出了常见现象、原因及解决方案。 | 问题现象 | 可能原因 | 排查方式 | 解决方案 | | :--- | :--- | :--- | :--- | | **Agent不调用Skill总是直接回答** | 1. Skill的name或description描述不清晰LLM无法匹配。br2. LLM的temperature参数过高导致输出随机性大。br3. 提示词Agent的role中没有鼓励使用工具。 | 1. 检查回合的thought字段看LLM是否识别了Skill但决定不用。br2. 降低temperature值如设为0.1。br3. 在Agent的role描述中明确加入“请充分利用你的技能来解决问题”。 | 优化Skill描述使其更精准、更具操作性。调整模型参数。强化系统提示词。 | | **Skill执行出错或返回异常** | 1. Skill的execute方法内部代码有Bug。br2. 传入的参数类型或格式与预期不符。br3. 依赖的外部服务如API不可用。 | 1. 在Skill的execute方法中添加详细的日志和异常捕获。br2. 检查LLM生成的action中的参数是否正确。br3. 单独测试Skill函数。 | 完善Skill内部的错误处理。在Skill描述中明确参数格式要求。为外部调用添加重试和超时机制。 | | **上下文长度超限导致历史被截断** | 对话轮次过多或单次输入内容过长超过了LLM模型的上下文窗口。 | 监控对话的Token消耗。检查记忆系统的max_turns设置。 | 1. 使用ConversationSummaryMemory替代ConversationBufferMemory定期总结历史。br2. 在long_term_memory中存储重要信息让Agent学会主动查询。br3. 优化提示词让回复更简洁。 | | **向量记忆检索不到相关内容** | 1. 知识没有正确存入向量库。br2. 检索时使用的查询语句与存储的内容语义不匹配。br3. 相似度阈值设置过高。 | 1. 检查向量数据库的持久化目录是否有文件生成。br2. 手动测试向量检索接口看返回结果。br3. 检查嵌入模型embedding model是否正常工作。 | 确保知识灌入流程正确。优化检索查询的表述有时需要让LLM重写查询。调整检索的相似度阈值和返回数量top_k。 | | **Agent陷入循环或无关对话** | 1. 系统提示词role约束力不够。br2. 记忆中存在误导性信息。br3. 任务本身模糊。 | 分析最近几轮的对话历史看话题是如何偏离的。 | 1. 在系统提示词中设定更严格的边界和行为规范。br2. 实现一个“对话状态跟踪”机制在偏离主题时进行纠正。br3. 设计更清晰、可分解的任务目标。 | ## 7. 最佳实践与工程建议 要将Liking框架用于生产环境或严肃项目遵循以下最佳实践至关重要。 ### 7.1 Skill设计原则 * **单一职责**每个Skill应只做一件事并把它做好。避免创建功能臃肿的“超级Skill”。 * **描述精准**name和description是LLM理解和使用Skill的唯一依据。描述应清晰说明功能、输入/输出格式和适用场景。 * **差描述**“处理数据”。 * **好描述**“根据给定的城市名称查询该城市未来三天的天气预报并以JSON格式返回温度、天气状况和日期。” * **健壮性**Skill内部必须进行全面的参数验证和异常处理返回结构化的错误信息避免因单个Skill失败导致整个Agent崩溃。 * **无状态性**尽可能将Skill设计为无状态的纯函数。状态应该由Agent的记忆系统管理。 ### 7.2 提示词工程 * **系统提示词Role是总纲**它定义了Agent的身份、目标和行为边界。花时间精心打磨它。 * **分步骤思考Chain of Thought**在提示词中鼓励LLM“一步一步思考”并显式地考虑可用的Skill。这能提高决策的可靠性和可解释性。 * **提供示例Few-Shot**在复杂的任务中在系统提示词或初始上下文中提供一两个输入输出的示例能显著提升Agent的表现。 ### 7.3 记忆与上下文管理 * **分层记忆策略**结合使用短期缓冲记忆用于保持对话流畅性和长期向量记忆用于存储和检索关键知识。对于超长对话考虑引入摘要记忆。 * **主动记忆**不要依赖LLM自动记住一切。设计机制让Agent主动将重要结论或用户偏好存储到长期记忆中。 * **定期清理**为生产系统设计记忆的清理和归档策略避免存储无限增长导致性能下降。 ### 7.4 监控与评估 * **全链路日志**记录每一个回合的完整信息User, Thought, Action, Observation, Response。这是调试、分析和改进Agent的黄金数据。 * **定义评估指标**根据你的应用场景定义成功指标。例如任务完成率、平均对话轮次、用户满意度评分、Skill调用准确率等。 * **A/B测试**对不同的提示词、模型参数甚至Skill组合进行A/B测试用数据驱动优化。 ### 7.5 安全与权限 * **Skill权限控制**不是所有Skill都应对所有用户或所有场景开放。实现一个权限层根据上下文决定是否启用某个Skill例如删除文件、调用支付接口等高风险操作。 * **输入输出过滤**对用户的输入和Agent的输出进行必要的安全检查防止提示词注入、敏感信息泄露等攻击。 * **设置预算与限流**监控API调用成本和频率设置硬性限制防止意外循环导致巨额费用。 “喜欢吗我也喜欢”这个项目其有趣的名字背后是一套对AI Agent开发范式的严肃思考。它通过“对话即任务”的清晰抽象将黑盒的自动化过程转变为白盒的、可协作的、可调试的交互流程。这对于需要将AI能力稳定、可靠地集成到复杂业务系统中的开发者来说价值巨大。 本文带你从核心理念走到实际部署涵盖了环境搭建、Skill开发、Agent配置、运行调试和最佳实践的全链路。真正的价值不在于运行通一个Demo而在于理解这种“可控Agent”的设计思想并将其应用于解决你自己的实际问题——无论是内部效率工具、智能客服原型还是复杂决策支持系统。 下一步你可以尝试 1. **集成更多技能**为你的Agent添加网络搜索、数据库查询、图表生成等能力。 2. **探索Web界面**基于Liking的核心引擎构建一个图形化的聊天界面提升用户体验。 3. **连接真实数据源**将Agent与你公司的内部知识库、CRM或ERP系统对接打造真正的“企业数字员工”。 4. **研究多Agent协作**如何让多个各司其职的Liking Agent相互对话、协作完成更宏大的任务 这个领域正在快速演进但核心的命题不变如何让强大的人工智能成为人类可靠、透明、高效的合作伙伴。Liking框架提供了一个极具潜力的解题思路。建议收藏本文在实践过程中随时参考。 基于对话式任务执行的AI智能体框架：构建可控可解释的LLM应用
最近在技术社区里一个名为“喜欢吗我也喜欢”的项目悄然走红。初看这个标题你可能会以为它又是一个娱乐或社交应用。但如果你点进去会发现它其实是一个基于大语言模型LLM的、高度可定制的智能对话与任务执行框架。它之所以能引起开发者的广泛兴趣核心在于它试图解决一个非常具体且普遍的痛点如何让AI Agent智能体的交互过程更自然、更可控并且能深度集成到开发者的工作流中。很多开发者都体验过类似AutoGPT、LangChain这样的工具它们功能强大但有时也让人感到“失控”——你给一个目标它就开始“自由发挥”过程不透明结果难预测调试起来更是困难。“喜欢吗我也喜欢”这个项目从命名上就透露出一种拟人化的亲和力而其设计哲学正是将复杂的Agent执行过程转化为一场结构清晰、步骤可控、状态可见的“对话”。它不是一个黑盒而是一个你可以随时介入、引导、修正的协作伙伴。本文将为你深度解析这个项目。我们不会停留在表面的功能介绍而是会深入探讨它到底解决了什么工程问题与传统Agent框架相比它的核心差异在哪里它的架构是如何设计的如何理解其“对话即任务”的理念如何从零开始搭建和运行一个实例我们将提供完整的代码和配置示例。在实际使用中会遇到哪些“坑”如何优化提示词、管理上下文长度它最适合哪些场景是自动化脚本生成、数据分析还是作为复杂系统的“AI中间件”无论你是想寻找一个更趁手的AI开发工具还是对下一代人机协作界面感兴趣这篇文章都将为你提供一份可落地、可实践的详细指南。1. 这篇文章真正要解决的问题在深入代码之前我们必须先厘清一个根本问题为什么我们需要另一个AI Agent框架现有的工具链已经非常丰富。关键在于“可控性”与“可解释性”的缺失。许多Agent框架的设计目标是“全自动”完成任务这导致过程黑盒化Agent内部进行了多少次思考Chain of Thought调用了哪些工具决策依据是什么开发者很难知晓。纠错成本高一旦Agent“跑偏”很难从中间步骤进行干预往往需要从头开始浪费大量的Token和计算资源。集成困难Agent的复杂工作流难以无缝嵌入到现有的软件系统中其状态管理和生命周期控制是个挑战。“喜欢吗我也喜欢”项目为方便叙述后文我们称其为Liking框架的切入点正在于此。它不追求完全的无监督自动化而是强调“人机协同”和“过程显式化”。它将一个复杂的任务分解为一系列可管理的“对话回合”每个回合都包含清晰的输入、思考、行动和输出。开发者可以像审查日志一样审查每一个回合也可以在任意回合插入指导或修正。因此本文要解决的核心问题是如何利用Liking框架构建一个既强大又可控的AI智能体并将其应用于实际的开发、测试或数据分析场景中。我们将重点关注其架构思想、实操部署以及如何规避常见陷阱。2. 基础概念与核心原理要理解Liking需要先掌握几个核心概念它们共同构成了其“对话即任务”的哲学。2.1 核心概念解析Agent智能体在Liking中Agent是一个具有特定目标、记忆和能力的虚拟实体。它通过与大语言模型LLM交互来理解和执行任务。你可以把它想象成一个拥有专业技能的虚拟员工。Skill技能这是Agent能力的具象化。一个Skill可以是一个简单的函数如计算器、查询天气也可以是一个复杂的流程如生成SQL语句并执行、调用外部API获取数据。Liking框架的核心优势之一就是可以方便地定义和组合Skill。Conversation对话这是Liking最核心的抽象。一个任务的一次完整执行被建模为一场“对话”。这场对话由多个Turn回合组成。Turn回合对话的基本单元。一个典型的Turn包含User Input用户输入用户或系统发出的指令。Agent Thought智能体思考LLM根据当前上下文和可用Skill决定下一步该做什么内部推理。Action行动执行选定的Skill或给出最终回答。Observation观察Action执行后的结果如函数返回值、API响应。Response响应LLM整合Observation生成面向用户的回复。 这个过程会循环直到任务完成。每个Turn的状态都会被完整记录。Memory记忆Agent的“大脑”用于存储对话历史、任务上下文、以及从过往经验中学到的知识。Liking通常采用向量数据库如Chroma, Weaviate来实现长期记忆使Agent能拥有“记忆力”。2.2 工作原理与流程Liking框架的工作流程可以概括为以下步骤下图清晰地展示了这一交互循环flowchart TD A[用户/系统提出请求] -- B[框架组装当前对话上下文] B -- C[LLM进行思考与规划br选择技能或直接回答] C -- D{决策类型} D -- 使用技能 -- E[执行对应的Skill函数/工具] E -- F[获取执行结果 Observation] F -- G[LLM整合结果生成本轮响应] D -- 直接回答 -- G G -- H[保存本轮完整记录brUser, Thought, Action, Observation, Response] H -- I{任务是否完成} I -- 否 -- B I -- 是 -- J[输出最终结果br结束对话]这个循环的核心价值在于每一步都是可观测、可记录的。开发者可以随时查看“思考”内容了解Agent的决策逻辑也可以查看“行动”和“观察”确认工具调用的准确性。这种透明性极大地提升了调试效率和系统可靠性。3. 环境准备与前置条件在开始编码之前请确保你的开发环境满足以下要求。我们将以Python环境为例进行说明。3.1 系统与语言要求操作系统Linux (Ubuntu 20.04) macOS 或 Windows (WSL2推荐)。Python版本 3.8。建议使用3.9或3.10以获得最佳兼容性。包管理工具pip或poetry。本文使用pip。3.2 获取项目代码Liking是一个开源项目你可以从代码托管平台克隆它。# 克隆仓库 (请替换为实际仓库地址此处为示例) git clone https://github.com/your-org/liking.git cd liking3.3 安装核心依赖项目根目录下通常会有requirements.txt或pyproject.toml文件。# 创建并激活虚拟环境 (强烈推荐) python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装依赖 pip install -r requirements.txt如果项目使用poetry则运行pip install poetry poetry install3.4 配置LLM密钥Liking本身不提供LLM需要接入OpenAI、Anthropic或本地部署的Ollama等模型服务。你需要准备相应的API密钥。创建一个名为.env的环境变量文件在项目根目录注意切勿将此文件提交到版本控制系统# .env 文件示例 OPENAI_API_KEYsk-your-openai-api-key-here # 或者使用 Azure OpenAI AZURE_OPENAI_API_KEYyour-azure-key AZURE_OPENAI_ENDPOINThttps://your-resource.openai.azure.com/ # 或者使用 Anthropic Claude ANTHROPIC_API_KEYyour-claude-api-key在代码中框架会通过os.getenv读取这些配置。4. 核心流程拆解构建你的第一个智能体现在让我们动手构建一个简单的智能体。这个智能体的目标是扮演一个“技术文档助手”能够回答关于Python编程的问题并在必要时给出代码示例。4.1 步骤一定义Skill技能Skill是Agent能力的基石。我们首先定义一个简单的“代码格式化”Skill。在项目目录下创建skills/code_formatter.py# skills/code_formatter.py import autopep8 from liking.skill import Skill, skill skill class CodeFormatterSkill(Skill): 一个用于格式化Python代码的技能。 name format_python_code description 格式化一段给定的Python代码使其符合PEP8规范。 def execute(self, code: str) - str: 执行代码格式化。 Args: code (str): 需要格式化的Python代码字符串。 Returns: str: 格式化后的代码字符串。 try: formatted_code autopep8.fix_code(code) return formatted_code except Exception as e: return f代码格式化失败错误信息{str(e)}关键点使用skill装饰器注册。必须继承Skill基类具体类名需根据框架实际定义调整。name和description至关重要LLM会根据这些描述来决定是否以及何时调用此技能。execute方法是技能的核心逻辑。4.2 步骤二配置Agent与Memory接下来我们需要创建一个Agent并为其配备记忆系统。这里我们使用简单的对话记忆和向量记忆。创建agent_config.yaml# configs/agent_config.yaml agent: name: PythonDocAssistant role: 你是一个专业的Python技术文档助手擅长用简洁清晰的语言解释概念并给出实用的代码示例。 model: gpt-4-turbo-preview # 或 claude-3-sonnet-20240229, gpt-3.5-turbo temperature: 0.1 # 较低的温度使输出更稳定、更专注 memory: short_term: type: conversation_buffer # 存储最近的对话历史 max_turns: 10 long_term: type: vector_store # 用于存储和检索长期知识 store_type: chroma # 使用ChromaDB persist_directory: ./data/chroma_db embedding_model: text-embedding-3-small skills: - skills.code_formatter.CodeFormatterSkill # 可以继续添加其他技能如 # - skills.web_search.WebSearchSkill # - skills.calculator.CalculatorSkill4.3 步骤三初始化并运行Agent现在我们编写主程序来启动Agent并进行对话。创建main.py# main.py import asyncio import yaml from pathlib import Path from liking.agent import Agent from liking.memory import VectorMemory, ConversationBufferMemory def load_config(config_path: str): with open(config_path, r) as f: return yaml.safe_load(f) async def main(): # 1. 加载配置 config load_config(configs/agent_config.yaml) # 2. 初始化记忆系统 short_memory ConversationBufferMemory(max_turnsconfig[memory][short_term][max_turns]) long_memory VectorMemory( store_typeconfig[memory][long_term][store_type], persist_dirconfig[memory][long_term][persist_directory], embedding_modelconfig[memory][long_term][embedding_model] ) # 3. 动态加载技能 skills [] for skill_path in config[skills]: module_name, class_name skill_path.rsplit(., 1) module __import__(module_name, fromlist[class_name]) skill_class getattr(module, class_name) skills.append(skill_class()) # 4. 创建Agent实例 agent Agent( nameconfig[agent][name], roleconfig[agent][role], modelconfig[agent][model], temperatureconfig[agent][temperature], skillsskills, short_term_memoryshort_memory, long_term_memorylong_memory ) # 5. 运行对话循环 print(fAgent {agent.name} 已就绪。输入 quit 或 exit 结束对话。) while True: try: user_input input(\nYou: ) if user_input.lower() in [quit, exit, q]: print(对话结束。) break # 关键调用Agent处理输入获取完整回合 turn await agent.process(user_input) # 打印Agent的响应 print(f\n{agent.name}: {turn.response}) # 可选打印详细的回合信息用于调试 if input(查看详细回合信息(y/N): ).lower() y: print(f\n[DEBUG] 思考过程: {turn.thought}) print(f[DEBUG] 执行动作: {turn.action}) print(f[DEBUG] 动作结果: {turn.observation}) except KeyboardInterrupt: print(\n对话被中断。) break except Exception as e: print(f\n处理请求时出错: {e}) if __name__ __main__: asyncio.run(main())5. 运行结果与效果验证运行上述程序你将进入一个交互式对话界面。让我们测试几个场景。5.1 启动程序python main.py预期输出Agent PythonDocAssistant 已就绪。输入 quit 或 exit 结束对话。 You:5.2 测试基础问答You: 请解释一下Python中的列表推导式。预期Agent响应PythonDocAssistant: 列表推导式是Python中一种简洁、高效地创建新列表的语法。其基本形式为 [expression for item in iterable if condition]。 例如要生成一个包含0到9所有数字平方的列表可以这样写 squares [x**2 for x in range(10)] 这等价于 squares [] for x in range(10): squares.append(x**2) 列表推导式更简洁且通常执行速度更快。5.3 测试Skill调用You: 帮我格式化这段代码def hello():print(Hello, World!)预期Agent响应PythonDocAssistant: 已调用代码格式化技能。格式化后的代码如下 python def hello(): print(Hello, World!)现在它符合PEP 8规范了。此时如果你选择查看详细回合信息(y)可能会看到[DEBUG] 思考过程: 用户提供了一段格式不规范的Python代码。我拥有一个名为format_python_code的技能描述是“格式化一段给定的Python代码使其符合PEP8规范。”。这正好适用于当前请求。我将调用这个技能。 [DEBUG] 执行动作: CallSkill(nameformat_python_code, args{code: def hello():print(Hello, World!)}) [DEBUG] 动作结果: def hello():\n print(Hello, World!)**这就是Liking框架的核心价值体现**整个决策和执行过程完全透明。 ### 5.4 测试上下文记忆You: 我刚才问了你关于列表推导式的问题你能再总结一下它的优点吗**预期Agent响应**PythonDocAssistant: 当然。根据我们之前的对话列表推导式的主要优点有语法简洁用一行代码替代多行的for循环使代码更清晰易读。执行高效由于其实现方式通常比等价的for循环执行速度更快。功能强大可以结合条件判断if子句方便地进行过滤。例如[x for x in range(10) if x % 2 0]可以快速生成一个偶数列表。这表明Agent成功地从短期对话记忆中回忆起了之前的上下文。 ## 6. 常见问题与排查思路 在实际使用Liking或类似框架时你可能会遇到以下问题。下表列出了常见现象、原因及解决方案。 | 问题现象 | 可能原因 | 排查方式 | 解决方案 | | :--- | :--- | :--- | :--- | | **Agent不调用Skill总是直接回答** | 1. Skill的name或description描述不清晰LLM无法匹配。br2. LLM的temperature参数过高导致输出随机性大。br3. 提示词Agent的role中没有鼓励使用工具。 | 1. 检查回合的thought字段看LLM是否识别了Skill但决定不用。br2. 降低temperature值如设为0.1。br3. 在Agent的role描述中明确加入“请充分利用你的技能来解决问题”。 | 优化Skill描述使其更精准、更具操作性。调整模型参数。强化系统提示词。 | | **Skill执行出错或返回异常** | 1. Skill的execute方法内部代码有Bug。br2. 传入的参数类型或格式与预期不符。br3. 依赖的外部服务如API不可用。 | 1. 在Skill的execute方法中添加详细的日志和异常捕获。br2. 检查LLM生成的action中的参数是否正确。br3. 单独测试Skill函数。 | 完善Skill内部的错误处理。在Skill描述中明确参数格式要求。为外部调用添加重试和超时机制。 | | **上下文长度超限导致历史被截断** | 对话轮次过多或单次输入内容过长超过了LLM模型的上下文窗口。 | 监控对话的Token消耗。检查记忆系统的max_turns设置。 | 1. 使用ConversationSummaryMemory替代ConversationBufferMemory定期总结历史。br2. 在long_term_memory中存储重要信息让Agent学会主动查询。br3. 优化提示词让回复更简洁。 | | **向量记忆检索不到相关内容** | 1. 知识没有正确存入向量库。br2. 检索时使用的查询语句与存储的内容语义不匹配。br3. 相似度阈值设置过高。 | 1. 检查向量数据库的持久化目录是否有文件生成。br2. 手动测试向量检索接口看返回结果。br3. 检查嵌入模型embedding model是否正常工作。 | 确保知识灌入流程正确。优化检索查询的表述有时需要让LLM重写查询。调整检索的相似度阈值和返回数量top_k。 | | **Agent陷入循环或无关对话** | 1. 系统提示词role约束力不够。br2. 记忆中存在误导性信息。br3. 任务本身模糊。 | 分析最近几轮的对话历史看话题是如何偏离的。 | 1. 在系统提示词中设定更严格的边界和行为规范。br2. 实现一个“对话状态跟踪”机制在偏离主题时进行纠正。br3. 设计更清晰、可分解的任务目标。 | ## 7. 最佳实践与工程建议 要将Liking框架用于生产环境或严肃项目遵循以下最佳实践至关重要。 ### 7.1 Skill设计原则 * **单一职责**每个Skill应只做一件事并把它做好。避免创建功能臃肿的“超级Skill”。 * **描述精准**name和description是LLM理解和使用Skill的唯一依据。描述应清晰说明功能、输入/输出格式和适用场景。 * **差描述**“处理数据”。 * **好描述**“根据给定的城市名称查询该城市未来三天的天气预报并以JSON格式返回温度、天气状况和日期。” * **健壮性**Skill内部必须进行全面的参数验证和异常处理返回结构化的错误信息避免因单个Skill失败导致整个Agent崩溃。 * **无状态性**尽可能将Skill设计为无状态的纯函数。状态应该由Agent的记忆系统管理。 ### 7.2 提示词工程 * **系统提示词Role是总纲**它定义了Agent的身份、目标和行为边界。花时间精心打磨它。 * **分步骤思考Chain of Thought**在提示词中鼓励LLM“一步一步思考”并显式地考虑可用的Skill。这能提高决策的可靠性和可解释性。 * **提供示例Few-Shot**在复杂的任务中在系统提示词或初始上下文中提供一两个输入输出的示例能显著提升Agent的表现。 ### 7.3 记忆与上下文管理 * **分层记忆策略**结合使用短期缓冲记忆用于保持对话流畅性和长期向量记忆用于存储和检索关键知识。对于超长对话考虑引入摘要记忆。 * **主动记忆**不要依赖LLM自动记住一切。设计机制让Agent主动将重要结论或用户偏好存储到长期记忆中。 * **定期清理**为生产系统设计记忆的清理和归档策略避免存储无限增长导致性能下降。 ### 7.4 监控与评估 * **全链路日志**记录每一个回合的完整信息User, Thought, Action, Observation, Response。这是调试、分析和改进Agent的黄金数据。 * **定义评估指标**根据你的应用场景定义成功指标。例如任务完成率、平均对话轮次、用户满意度评分、Skill调用准确率等。 * **A/B测试**对不同的提示词、模型参数甚至Skill组合进行A/B测试用数据驱动优化。 ### 7.5 安全与权限 * **Skill权限控制**不是所有Skill都应对所有用户或所有场景开放。实现一个权限层根据上下文决定是否启用某个Skill例如删除文件、调用支付接口等高风险操作。 * **输入输出过滤**对用户的输入和Agent的输出进行必要的安全检查防止提示词注入、敏感信息泄露等攻击。 * **设置预算与限流**监控API调用成本和频率设置硬性限制防止意外循环导致巨额费用。 “喜欢吗我也喜欢”这个项目其有趣的名字背后是一套对AI Agent开发范式的严肃思考。它通过“对话即任务”的清晰抽象将黑盒的自动化过程转变为白盒的、可协作的、可调试的交互流程。这对于需要将AI能力稳定、可靠地集成到复杂业务系统中的开发者来说价值巨大。 本文带你从核心理念走到实际部署涵盖了环境搭建、Skill开发、Agent配置、运行调试和最佳实践的全链路。真正的价值不在于运行通一个Demo而在于理解这种“可控Agent”的设计思想并将其应用于解决你自己的实际问题——无论是内部效率工具、智能客服原型还是复杂决策支持系统。 下一步你可以尝试 1. **集成更多技能**为你的Agent添加网络搜索、数据库查询、图表生成等能力。 2. **探索Web界面**基于Liking的核心引擎构建一个图形化的聊天界面提升用户体验。 3. **连接真实数据源**将Agent与你公司的内部知识库、CRM或ERP系统对接打造真正的“企业数字员工”。 4. **研究多Agent协作**如何让多个各司其职的Liking Agent相互对话、协作完成更宏大的任务 这个领域正在快速演进但核心的命题不变如何让强大的人工智能成为人类可靠、透明、高效的合作伙伴。Liking框架提供了一个极具潜力的解题思路。建议收藏本文在实践过程中随时参考。