南北阁Nanbeige 4.1-3B应用探索AI智能体Agent的任务规划与执行逻辑设计最近在捣鼓一些AI应用发现一个挺有意思的现象很多大模型虽然能说会道但一遇到需要“动手”解决复杂任务的情况就有点力不从心了。比如你让它“帮我规划一个三天的北京行程”它可能会给你一份漂亮的文字清单但这份清单是静态的。它不会主动去查查那几天的天气怎么样也不会实时看看哪些景点开放、酒店价格如何更别提帮你把日程安排到日历里了。这背后的核心问题是模型缺乏自主“规划”和“执行”的能力。而这正是AI智能体Agent要解决的问题。今天我就想和大家聊聊如何利用南北阁Nanbeige 4.1-3B这样一款轻量但能力不俗的模型来构建一个能真正“干活”的智能体。我们会以一个旅行规划Agent为例看看怎么让AI学会理解目标、拆解任务、调用工具最终把想法变成现实。1. 为什么需要AI智能体从“聊天”到“做事”的跨越你可能已经习惯了和各类AI助手对话问问题、写文案、总结信息。这类交互可以看作是“单次问答”或“内容生成”。但现实世界中的问题往往是复杂的、多步骤的。比如规划旅行它至少涉及信息收集目的地天气、景点开放时间与评价、交通状况、酒店空房与价格。决策制定根据预算、兴趣、时间约束排列优先级做出取舍。计划编排将选定的活动合理地安排到每一天的各个时段。执行与调整预订、生成日程表甚至根据突发情况如景点临时关闭调整计划。一个传统的、基于提示词的对话模型很难一气呵成地、可靠地完成所有这些步骤。它可能会遗漏关键信息或者给出前后矛盾的建议。AI智能体的设计思想就是赋予模型一个“大脑”负责思考和规划和“手脚”负责执行具体操作让它能够像人类一样为了完成一个目标进行多步推理并采取行动。智能体的核心工作流通常是一个循环感知Perceive - 思考Think - 行动Act。感知接收用户指令如“规划北京三日游”和外部环境信息如上一步行动的结果。思考分析当前状态决定下一步该做什么。这包括分解任务、选择工具、规划步骤。行动调用选定的工具如搜索API、计算器、日历接口来执行具体操作。获取行动结果后再次进入“感知”阶段评估是否完成任务若未完成则继续循环。Nanbeige 4.1-3B模型在其中扮演的就是“思考”中枢的角色。它的任务是理解用户意图并生成结构化的、可执行的“行动计划”。2. 构建智能体的核心组件给模型装上“大脑”和“工具”要搭建一个实用的智能体我们需要准备几个关键部分。你可以把它想象成组建一个特种作战小队。2.1 任务规划与分解引擎大脑这是智能体的核心由Nanbeige 4.1-3B模型驱动。它的输入是用户的终极目标输出是一系列可执行的子任务。关键在于模型需要学会“思维链”Chain-of-Thought, CoT推理。什么是思维链简单说就是让模型把它的思考过程“说出来”。不是直接给答案而是展示出“因为A所以B然后C”的逻辑步骤。这对于复杂任务规划至关重要。例如对于目标“规划北京三日游”一个粗糙的思维链可能是用户想规划北京三日游。我需要先确定核心需求时间三天、地点北京。然后规划通常包括确定景点、安排每日行程、考虑食宿交通。因此第一步应该是搜索北京的主要景点和近期评价。第二步是根据景点位置和开放时间将它们分配到三天中。第三步是查询这三天的天气以调整户外活动安排。第四步是查找景点附近的酒店和交通信息。我们通过精心设计的提示词Prompt来引导模型产生这样的思维链。一个基础的规划提示词模板可能长这样planning_prompt_template 你是一个专业的旅行规划助手。请根据用户的目标制定一个详细的、分步骤的执行计划。 用户目标{user_goal} 请按以下格式思考并输出 1. 理解与分析首先分析用户目标的核心要素和潜在需求。 2. 任务分解将大目标分解为若干个清晰、可操作的子任务。 3. 工具匹配为每个子任务建议最合适的工具从可用工具列表中选择。 可用工具列表 - 网络搜索工具可用于查询景点信息、天气、酒店、交通等实时信息。 - 日历工具可用于创建和查看日程安排。 - 地图工具可用于计算地点间距离和交通时间。 - 计算工具可用于进行预算计算。 现在开始你的规划 2.2 工具集手脚智能体不能只“想”不“做”。工具就是它执行任务的手段。每个工具通常对应一个API函数。在我们的旅行规划例子中可能需要以下工具# 模拟的工具函数示例 def search_web(query: str) - str: 模拟网络搜索返回搜索结果摘要。 # 这里实际会调用如SerpAPI、Google Search API等 print(f“[搜索工具] 执行搜索{query}”) return f“关于{query}的模拟搜索结果...” def get_weather(city: str, date: str) - str: 模拟获取天气信息。 print(f“[天气工具] 查询{city}在{date}的天气”) return f“模拟天气数据{city}在{date}晴15-25°C。” def book_hotel(name: str, check_in: str, check_out: str) - str: 模拟酒店预订。 print(f“[酒店工具] 预订{name}入住{check_in}离店{check_out}”) return f“已成功预订{name}。” # 工具注册表方便智能体调用 available_tools { “search”: search_web, “weather”: get_weather, “hotel_booking”: book_hotel, }2.3 执行与调度器指挥中心这个部件负责协调工作。它接收模型生成的“行动计划”即下一步该调用哪个工具、参数是什么然后去工具集里找到对应的函数并执行最后将执行结果反馈给模型进行下一轮决策。这个过程构成了我们前面提到的“思考-行动”循环。3. 实战手把手打造旅行规划智能体下面我们用一个简化的代码示例把上面几个部分串起来看看一个智能体是如何运作的。我们使用Nanbeige 4.1-3B作为规划模型。3.1 第一步引导模型进行任务规划我们首先用强化了思维链的提示词让模型为“规划北京三日游”这个目标制定初步计划。import requests import json # 假设Nanbeige 4.1-3B的API端点请根据实际部署情况修改 API_URL “http://your-nanbeige-server/v1/chat/completions” def call_nanbeige_model(messages): 调用Nanbeige模型API。 headers {“Content-Type”: “application/json”} data { “model”: “nanbeige-4.1-3b”, “messages”: messages, “temperature”: 0.1, # 低温度使输出更确定适合规划 “max_tokens”: 1024, } response requests.post(API_URL, headersheaders, datajson.dumps(data)) result response.json() return result[‘choices’][0][‘message’][‘content’] # 构建规划提示词 user_goal “为我规划一个详细的三天北京旅行行程包含景点、住宿和天气考虑。” planning_prompt f 你是一个高级任务规划AI。请针对以下用户目标生成一个逐步执行的计划。在计划中请明确每一步需要调用什么工具。 用户目标{user_goal} 可用工具 1. search(query): 执行网络搜索获取景点信息、开放时间、评价等。 2. weather(city, date): 查询指定城市在指定日期的天气预报。 3. hotel_booking(city, check_in_date, nights): 查询或模拟预订酒店。 请以JSON格式输出你的计划格式如下 {{ “thought”: “你的逐步推理思考过程”, “plan”: [ {{“step”: 1, “action”: “动作描述”, “tool”: “工具名”, “parameters”: {{“参数名”: “参数值”}}}}, {{“step”: 2, “action”: “...”, “tool”: “...”, “parameters”: {{...}}}}, ... ] }} messages [{“role”: “user”, “content”: planning_prompt}] initial_plan call_nanbeige_model(messages) print(“模型生成的初始计划”) print(initial_plan)模型可能会返回如下结构的JSON内容为模拟{ “thought”: “用户需要一份三天的北京行程。首先我需要了解北京有哪些热门景点及其特点这需要搜索。然后为了安排户外活动必须查询未来三天的北京天气。接着根据景点和天气将景点合理分配到三天中。最后为用户推荐或模拟预订一家地理位置方便的酒店。”, “plan”: [ { “step”: 1, “action”: “搜索北京必去景点及最新开放信息”, “tool”: “search”, “parameters”: {“query”: “北京三日游必去景点 2024 开放时间”} }, { “step”: 2, “action”: “查询北京未来三天的天气情况”, “tool”: “weather”, “parameters”: {“city”: “北京”, “date”: “2024-05-20”} }, { “step”: 3, “action”: “根据天气和景点规划第一天行程例如故宫、天安门”, “tool”: “search”, “parameters”: {“query”: “故宫 天安门 游览路线 时间安排”} }, { “step”: 4, “action”: “推荐并模拟预订一家位于市中心的酒店”, “tool”: “hotel_booking”, “parameters”: {“city”: “北京”, “check_in_date”: “2024-05-19”, “nights”: 3} } ] }3.2 第二步执行与循环迭代拿到计划后我们的智能体执行器就开始工作按顺序或在更复杂的Agent中由模型决定顺序调用工具。import re def parse_and_execute_plan(plan_text): 解析模型输出的计划并执行。 # 简化直接提取JSON部分。实际应用中需要更健壮的解析。 try: plan_data json.loads(plan_text) except json.JSONDecodeError: # 如果模型返回的不是纯JSON尝试提取 match re.search(r\{.*\}, plan_text, re.DOTALL) if match: plan_data json.loads(match.group()) else: print(“无法解析计划。”) return [] thought plan_data.get(“thought”, “”) plan plan_data.get(“plan”, []) print(f“思考过程{thought}\n”) execution_results [] for step in plan: step_num step[“step”] action step[“action”] tool_name step[“tool”] params step[“parameters”] print(f“执行步骤 {step_num}: {action}”) print(f“ 调用工具: {tool_name}, 参数: {params}”) # 查找并调用工具 if tool_name in available_tools: tool_func available_tools[tool_name] try: # 根据工具函数签名传递参数 result tool_func(**params) print(f“ 结果: {result[:100]}...”) # 打印部分结果 execution_results.append({“step”: step_num, “result”: result}) except Exception as e: error_msg f“工具{tool_name}执行失败: {e}” print(f“ 错误: {error_msg}”) execution_results.append({“step”: step_num, “error”: error_msg}) else: error_msg f“未知工具: {tool_name}” print(f“ 错误: {error_msg}”) execution_results.append({“step”: step_num, “error”: error_msg}) print(“-” * 40) return execution_results # 执行计划 results parse_and_execute_plan(initial_plan)3.3 第三步让智能体学会“反思”与“调整”基础循环是执行预设计划。但高级的智能体应该能根据执行结果动态调整计划。这就需要我们将执行结果反馈给模型让它决定下一步。def run_agent_loop(user_goal, max_steps10): 运行智能体的核心循环。 conversation_history [ {“role”: “system”, “content”: “你是一个旅行规划智能体。请根据目标制定计划并根据工具执行结果决定下一步行动。始终以JSON格式回复。”}, {“role”: “user”, “content”: user_goal} ] for step in range(max_steps): # 1. 模型思考下一步 print(f“\n 第 {step1} 轮思考 ) response call_nanbeige_model(conversation_history) print(f“模型回复{response}”) # 解析模型响应期望它包含“action”和“tool_call” # 这里简化处理假设模型总是返回一个工具调用请求 try: model_decision json.loads(response) tool_to_use model_decision.get(“tool”) tool_params model_decision.get(“parameters”, {}) if tool_to_use “finish”: print(“智能体认为任务已完成。”) break # 2. 执行工具 if tool_to_use in available_tools: tool_result available_tools[tool_to_use](**tool_params) print(f“工具执行结果{tool_result}”) # 3. 将结果加入历史供模型下一轮参考 conversation_history.append({“role”: “assistant”, “content”: response}) conversation_history.append({“role”: “user”, “content”: f“工具‘{tool_to_use}’的执行结果是{tool_result}。请分析并决定下一步。”}) else: print(f“错误请求了未知工具 {tool_to_use}”) break except json.JSONDecodeError: print(“错误模型未返回有效的JSON指令。”) break print(“\n智能体运行结束。”) # 启动智能体 run_agent_loop(“帮我规划一下明天上海一日游重点看看外滩和博物馆。”)在这个循环中模型不再是生成一个固定计划而是每轮都根据当前所有信息用户目标历史对话工具执行结果来决定下一个最佳动作。这更接近真正的自主智能体。4. 关键技巧如何设计更好的提示词让Agent更“聪明”要让Nanbeige 4.1-3B这样的模型在智能体中表现良好提示词设计是关键。除了基本的指令还有几个进阶技巧少样本学习Few-Shot Learning在提示词中提供几个例子教模型如何输出你期望的格式。prompt_with_examples 你是一个规划AI。请根据目标决定调用哪个工具。 可用工具search, weather, calculator。 例子1 用户明天北京天气怎么样 助理{{“tool”: “weather”, “parameters”: {{“city”: “北京”, “date”: “明天”}}}} 例子2 用户计算一下从北京到上海的高铁票价总和。 助理{{“tool”: “calculator”, “parameters”: {{“expression”: “553*2”}}}} #假设单程553元 现在请回答 用户{user_input} 助理 强化格式要求明确要求输出JSON等结构化格式并严格规定键名这能极大提高后续程序解析的成功率。分阶段提示对于极其复杂的任务可以设计多轮提示。第一轮让模型做高层规划第二轮根据规划结果生成具体的工具调用指令。设定边界与反思提示词中要告诉模型工具的局限性并鼓励它在得到工具结果后进行“反思”比如“根据搜索结果你认为这个景点适合安排在行程中吗为什么”5. 总结与展望通过上面的探索我们可以看到利用像南北阁Nanbeige 4.1-3B这样的模型来构建AI智能体已经不再是纸上谈兵。它核心的价值在于将模型的强大语言理解和推理能力与外部工具的执行能力结合起来从而能够处理那些需要多步骤、动态交互的真实世界任务。实际做下来感觉最关键的还是提示词的设计和任务分解的逻辑。模型就像一个经验丰富但需要明确指令的实习生你需要通过清晰的提示思维链、少样本、结构化输出来引导它一步步思考。而工具集的设计则决定了这个智能体能力的边界。目前这个旅行规划Agent还比较基础但框架是通用的。你可以很容易地替换工具把它变成一个智能客服Agent集成产品数据库、订单查询API、数据分析Agent集成SQL查询、图表生成或是个人办公助手集成邮件、日历、文档处理。当然现在的实现还有很多可以优化的地方比如错误处理、长期记忆、多智能体协作等。但起点已经足够令人兴奋。随着模型能力的持续提升和开发工具的完善未来每个人都有可能拥有一个高度个性化、能真正理解并执行复杂指令的AI助手。如果你对AI应用开发感兴趣不妨从搭建一个简单的智能体开始亲自体验一下让AI“动手做事”的乐趣。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。