【课件资料】AutoGen接入DeepSeek V3

公开课内容节选自《大模型与Agent开发》完整版付费课程！

公开课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《大模型与Agent开发实战课》：

《大模型与Agent开发实战课》为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

公开课直播特惠，全年最低价！低至 5 折！扫码咨询课程信息哦👇

我们通过一个对话示例来理解各个参数的作用及意义。这里我们接入DeepSeek v3 模型测试。

DeepSeek v3账号注册与API获取

DeepSeek官网：https://www.deepseek.com/

新用户注册即赠送10元额度，约500万token额度（如果发现没有赠送额度，那就是官方停止了活动。）

对比GPT4o价格，约降低90%以上：输入价格为GPT4o的6%，输出价格为GPT4o的3%。

而且其API调用不限速：

最关键的是，调用风格和OpenAI完全一致：Function calling、Json Output等功能完全相同：

import os

from autogen import ConversableAgent

定义可接入大模型的配置列表：

llm_config = {
    "config_list": [
        {
            "model": "gpt-4o",
            "api_key": os.environ.get("OPENAI_API_KEY"),
            "tags": ["openai"]
        },
        {
            "model": "qwen2.5:32b",
            "base_url": "http://192.168.110.131:11434/v1/",   # 注意：如果使用Ollama模型，请先启动模型服务，在替换为自己的实际访问地址
            "price": [0.00, 0.00],
            "tags": ["ollama"]
        },
        {
            "model": "qwen2.5-coder:32b",
            "base_url": "http://192.168.110.131:11434/v1/",  # 注意：如果使用Ollama模型，请先启动模型服务，在替换为自己的实际访问地址
            "price": [0.00, 0.00],
            "tags": ["ollama-coder"]
        },
        {
            "model": "deepseek-chat",
            "api_key":"sk-7328ed07b5c647eb93c935e1c361c0da",   # 这里替换成自己的key
            "base_url": "https://api.deepseek.com",
            "price": [0.00, 0.00],
            "tags": ["deepseek"]
        }
    ]
}

通过tags过滤选择的模型，这里我们使用deepseek 的 deepseek-chat模型作为代理模型。

import autogen

# 过滤出包含 'ollama' 标签的模型配置
filter_model = {"tags": ["deepseek"]}

config_model = autogen.filter_config(
    config_list=llm_config["config_list"], 
    filter_dict=filter_model)

我们希望通过两个智能体（Agent 1 和 Agent 2）的对话，协作回答一个问题。因此定义出两个ConversableAgent实例。

# 定义了一个agent 1
agent1 = ConversableAgent(
    "agent1",
    llm_config={
        "cache_seed": None,  # 禁用缓存
        "config_list": config_model},  # 这里使用 config_model
)

agent2 = ConversableAgent(
    "agent2",
    llm_config={
        "cache_seed": None,  # 禁用缓存
        "config_list": config_model},  # 这里使用 config_model
)

1.1 message 参数解析

initiate_chat参数必须指定的两个参数是recipient和message，前者表示消息的接收者，也就是要与谁对话，后者表示对话的初始消息，即多轮对话提出的问题。同时，需要注意的是：在这种双智能体或多智能体对话场景中，必须考虑对话的终止条件，否则会导致对话陷入无休止的循环。 最简单的一个参数是max_turns，通过限制对话的最大轮数（turns）来控制对话的长度，每一轮对话包括一个发起者和一个响应者的完整交互。因此代码如下图所示：

# 启动一个对话
response = agent1.initiate_chat(
    recipient=agent2,
    message="什么是黑洞？你能用通俗的语言解释吗？",
    max_turns=2
)

print(response)  # 输出对话的响应

其中，要发送给接收方的初始消息message必须提供，如果不提供，initiate_chat方法中定义的逻辑会调用 input() 来获取输入，比如：

# 启动一个对话
response = agent1.initiate_chat(
    recipient=agent2,
    max_turns=2
)

print(response)  # 输出对话的响应

除此以外，message如果是字典或者字符串，则可以直接作为初始消息使用，如果是字典，可以包含：

content: 消息内容，可以为 None。
tool_calls": 包含函数名称和参数的字典列表。
role": 消息的角色，可以是 "assistant", "user", 或 "function"。
name": 通常不需要，除非角色是 "function"，用于指示函数名称。
context": 消息的上下文，将传递给 OpenAIWrapper.create。

公开课内容节选自《大模型与Agent开发》完整版付费课程！

公开课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《大模型与Agent开发实战课》：

《大模型与Agent开发实战课》为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

公开课直播特惠，全年最低价！低至 5 折！扫码咨询课程信息哦👇

1.1 message 参数解析​

1.1 message 参数解析