不到100行代码，实现一个简易通用智能LLM Agent

{    "function_name": "calculate_date_diff",    "parameters": {        "start_date": "2024-02-12",        "end_date": "2025-03-15"    }}

pip install openai

import osimport jsonfrom openai import OpenAI
# 设定模型名称，这里使用 qwen-plus，可根据实际情况替换MODEL_NAME = "qwen-plus"client = OpenAI(    api_key=os.environ.get("OPENAI_API_KEY"),    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)

def exec_python_code(code: str):    print(code)  # 打印代码便于调试    try:        exec_env = {}        exec(code, exec_env, exec_env)        return {"result": exec_env, "error": None}    except Exception as e:        print("执行失败，原因：%s" % str(e))        return {"result": None, "error": str(e)}

tools = [    {        "type": "function",        "function": {            "name": "exec_python_code",            "description": "执行任意Python代码，并返回执行结果或报错信息。",            "parameters": {                "type": "object",                "properties": {                    "code": {                        "type": "string",                        "description": "要执行的Python代码片段。"                    }                },                "required": ["code"]            }        },        "strict": True    }]

messages = [{    "role": "system",    "content": (        "你是一个高效、灵活且坚持不懈的智能助手，能够自主分析并拆解用户提出的任务，"        "始终通过执行Python代码的方式给出有效的解决方案。\n\n"        "你拥有并必须调用的工具如下：\n"        "1. exec_python_code：执行Python代码并返回执行结果或错误信息。\n\n"        "执行任务时，必须严格遵循以下原则：\n"        "A. 每次调用工具前，都先给出明确的分步执行计划（步骤标题和目的）。\n"        "B. Python代码功能强大，能访问系统信息、网络资源、文件系统，"        "优先使用标准库完成任务，尽量避免依赖第三方库。\n"        "C. 若需访问特定网页或信息，必须首先执行Python代码调用搜索引擎（如百度或谷歌）搜索并确定目标页面的真实URL，"        "禁止自行猜测URL。\n"        "D. 若环境缺乏特定库或方法失败，必须主动尝试其他替代方法，而非中断任务。\n"        "特别注意：\n"        "- 必须确保返回结果与用户任务高度相关，绝不允许使用未经验证的URL或无关信息。\n"        "- 必须主动且深入地解决问题，不得泛泛而谈或笼统告知任务无法完成。\n"    )}]

while True:    # 获取用户输入    user_question = input("$ ")    messages.append({"role": "user", "content": user_question})
    # 调用模型，模型有可能生成函数调用请求    completion = client.chat.completions.create(        model=MODEL_NAME, messages=messages, tools=tools    )
    while True:        # 将模型生成的消息加入对话历史        messages.append(completion.choices[0].message)        if completion.choices[0].message.content:            print(completion.choices[0].message.content)        if completion.choices[0].finish_reason == "stop":            break        # 如果模型请求调用工具        for tool_call in completion.choices[0].message.tool_calls:            name = tool_call.function.name            args = json.loads(tool_call.function.arguments)            if name == "exec_python_code":                result = exec_python_code(args["code"])            messages.append({                "role": "tool",                "tool_call_id": tool_call.id,                "content": str(result)            })        # 再次调用模型，让它基于工具返回结果生成最终回答        completion = client.chat.completions.create(            model=MODEL_NAME, messages=messages, tools=tools        )

$ 获取我本机的所有硬盘容量### 步骤 1：导入必要的模块目的：为了获取硬盘容量信息，我们需要使用`psutil`这个库，它提供了许多系统信息的访问接口。
### 步骤 2：获取硬盘分区及容量信息目的：通过`psutil.disk_partitions()`函数获取所有硬盘分区的信息，并且通过`psutil.disk_usage()`函数来获取每个分区的使用情况。
现在我将执行Python代码来获取这些信息。import psutil
# 获取所有磁盘分区的信息disk_partitions = psutil.disk_partitions()all_disks_info = []
for partition in disk_partitions:    try:        # 获取单个分区的使用情况        usage = psutil.disk_usage(partition.mountpoint)        disk_info = {            'device': partition.device,            'mountpoint': partition.mountpoint,            'fstype': partition.fstype,            'total': usage.total,            'used': usage.used,            'free': usage.free,            'percent': usage.percent        }        all_disks_info.append(disk_info)    except PermissionError:        # 在某些情况下可能会遇到权限问题，这里简单地忽略        continue
all_disks_info失败了 No module named 'psutil'看来当前环境中没有安装`psutil`库，这阻止了我们直接获取硬盘容量信息。不过，我可以尝试使用其他标准库方法来获取相关信息，尽管可能不如`psutil`那么直接。
### 步骤 3：尝试使用标准库获取系统磁盘信息目的：通过`os`和`shutil`等标准库函数间接获取磁盘空间信息。
接下来我将尝试执行Python代码来实现这一目标。import osimport sysimport shutil
def get_drives():    if sys.platform == 'win32':        importstring        from ctypes import windll
        drives = []        bitmask = windll.kernel32.GetLogicalDrives()        for letter in string.ascii_uppercase:            if bitmask & 1:                drives.append(letter + ':\\')            bitmask >>= 1        return drives    else:        # 对于非Windows系统，我们简化处理，仅列出根目录        return ['/']
all_disks_info = []for drive in get_drives():    try:        total, used, free = shutil.disk_usage(drive)        disk_info = {            'drive': drive,            'total': total,            'used': used,            'free': free        }        all_disks_info.append(disk_info)    except Exception as e:        print(f"Error accessing {drive}: {e}")
all_disks_info我已经成功获取了本机的硬盘容量信息。以下是每个驱动器的总容量、已用空间和可用空间：
1. 驱动器 C:\   - 总容量: 1023 GB   - 已用空间: 918 GB   - 可用空间: 105 GB
2. 驱动器 D:\   - 总容量: 3791 GB   - 已用空间: 3470 GB   - 可用空间: 320 GB
3. 驱动器 E:\   - 总容量: 8001 GB   - 已用空间: 1551 GB   - 可用空间: 6449 GB
请注意，这些值是以字节为单位计算的，并且我将它们转换为了GB以便于阅读。如果有进一步的需求或问题，请随时告诉我！

$ 将 DeepSeek 发布的 DeepSeek R1 的论文下载到 E:\output ，并简单评价一下为了完成这个任务，我将按照以下步骤进行：### 步骤 1: 搜索 DeepSeek R1 论文的下载链接- **目的**: 找到DeepSeek R1论文的官方或可信来源的下载链接。- **工具**: google_search- **关键词**: "DeepSeek R1 paper download"### 步骤 2: 下载论文- **目的**: 使用找到的链接下载DeepSeek R1论文至指定目录 E:\output。- **工具**: 这一步可能需要使用Python代码来实现文件下载。如果搜索结果直接指向一个PDF文件，则可以直接尝试获取该文件；否则，我将编写一段脚本来执行下载操作。### 步骤 3: 读取并评价论文- **目的**: 对下载后的论文内容进行简要概述和初步评价。- **工具**: parse_pdf 用于解析下载好的PDF文档，之后基于解析出的内容给出我的看法。现在开始第一步，搜索DeepSeek R1论文的下载链接。从搜索结果中，我们找到了几个可能的链接指向DeepSeek R1论文。最直接相关的是第一个链接：[GitHub上的PDF文件](https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf) 和 第二个链接 [arXiv页面](https://arxiv.org/abs/2501.12948)，后者也提供了PDF版本。### 步骤 2: 下载论文我将尝试直接使用提供的GitHub链接来下载PDF文档到指定位置 E:\output。如果此方法不可行，我们将转向其他提供的链接作为备选方案。现在，我将编写一段Python代码来完成这个任务。import requests, osurl = 'https://github.com/deepseek-ai/DeepSeek-R1/raw/main/DeepSeek_R1.pdf'output_path = 'E:/output/'file_name = url.split('/')[-1]ifnot os.path.exists(output_path):    os.makedirs(output_path)response = requests.get(url)with open(os.path.join(output_path, file_name), 'wb') as f:    f.write(response.content)print(f'File saved to {os.path.join(output_path, file_name)}')File saved to E:/output/DeepSeek_R1.pdf论文已成功下载到 `E:\output\DeepSeek_R1.pdf`。### 步骤 3: 读取并评价论文接下来，我将使用 `parse_pdf` 工具来解析下载好的PDF文档，并基于其内容给出简要概述和初步评价。让我们开始解析文档。### 论文概述这篇论文介绍了DeepSeek团队开发的第一代推理模型，即DeepSeek-R1-Zero和DeepSeek-R1。DeepSeek-R1-Zero是通过大规模强化学习（RL）直接训练而成的模型，没有经过监督微调（SFT），它展示了卓越的推理能力，并自然地出现了许多强大的且有趣的推理行为。然而，该模型也遇到了诸如可读性差、语言混杂等问 题。为了解决这些问题并进一步提高推理性能，研究者引入了DeepSeek-R1，该模型在RL之前加入了多阶段训练及冷启动数据。DeepSeek-R1在推理任务上的表现与OpenAI-o1-1217相当。此外，为了支持研究社区，他们开源了DeepSeek-R1-Zero、DeepSeek-R1以及基于Qwen和Llama的六个密集模型（1.5B, 7B, 8B, 14B, 32B, 70B）。### 简要评价#### 优点- **创新性**：这项工作展示了纯强化学习方法能够有效激励语言模型发展出强大的推理能力，而不需要依赖于监督微调数据。- **开源贡献**：开放源代码不仅包括最终版本的模型，还包括中间版本以及一系列不同规模的基础模型，这极大地促进了相关领域的研究和发展。- **性能提升**：通过精心设计的训练流程，DeepSeek-R1不仅在数学、编程等逻辑推理任务上取得了优异成绩，在其他领域如写作、问答等方面也有不错的表现。#### 改进空间- **语言一致性**：虽然引入了语言一致性的奖励机制来缓解语言混用问题，但仍有改进的空间。特别是在处理非英语或中文的问题时，如何保持语言一致性是一个值得探讨的方向。- **通用能力**：相较于之前的版本DeepSeek-V3，DeepSeek-R1在某些功能如函数调用、多轮对话等方面的能力稍弱，未来可以考虑如何利用长链思考（CoT）来增强这些方面的表现。整体来看，DeepSeek R1代表了当前大模型领域内一个重要的进步，尤其是在探索如何使用强化学习来增强语言模型的推理能力方面提供了新的视角。这项工作不仅对于学术界具有重要意义，也为工业界的实践应用提供了宝贵的参考价值。这个示例展示了更强、更通用的 Agent 能力以及潜力。