OpenAI Swarm + Ollama实战:打造本地新闻聚合系统
一步步教你用Openai Swarm框架编排AI代理,使用本地模型Llama实现新闻自动化处理
- defagi
- 2 min read
本文将详细介绍如何利用开源AI模型Llama 3.2、代理编排框架Swarm以及DuckDuckGo搜索引擎,搭建一个完全本地化的AI新闻聚合系统。适合想要入门AI应用开发的开发者阅读。 类似Swarm的ai agent开发框架还有langchain/langgraph/autogen。
技术栈
- Ollama: 本地部署的大语言模型运行时 Ollama官方文档
- Llama 3.2: 高性能开源AI模型 Llama 2介绍
- Openai Swarm: AI代理编排与管理框架 Openai Swarm GitHub
- DuckDuckGo: 保护隐私的搜索引擎API DuckDuckGo搜索API文档
为什么选择构建本地AI agent系统?
随着AI技术的快速发展,在本地机器上运行复杂的AI系统已经成为可能。相比云端AI服务,本地部署具有以下优势:
- 数据隐私安全: 所有数据处理都在本地完成,避免敏感信息泄露
- 低延迟响应: 无需网络传输,响应速度更快
- 成本可控: 无需支付API调用费用
- 完全自主: 可以自由定制和修改系统行为
系统架构设计
本系统采用双代理协作的架构设计:
graph LR A[用户输入] --> B[新闻助手] B --> C[DuckDuckGo搜索] C --> D[编辑助手] D --> E[最终输出]
新闻助手职责
- 接收用户查询主题
- 调用DuckDuckGo API搜索相关新闻
- 初步过滤无关内容
编辑助手职责
- 整合多篇新闻内容
- 提炼关键信息
- 生成结构化摘要
详细实现步骤
1. 环境配置
首先需要安装必要的依赖包:
# 拉取Llama 3.2模型
ollama pull llama3.2
# 设置环境变量
export OPENAI_MODEL_NAME=llama3.2
export OPENAI_BASE_URL=http://localhost:11434/v1
export OPENAI_API_KEY=any
# 安装Python依赖
pip install git+https://github.com/openai/swarm.git duckduckgo-search
2. 核心代码实现
from duckduckgo_search import DDGS
from swarm import Swarm, Agent
from datetime import datetime
current_date = datetime.now().strftime("%Y-%m")
# 初始化 Swarm 客户端
client = Swarm()
# 1. 创建互联网搜索工具
def get_news_articles(topic):
print(f"正在为 {topic} 进行 DuckDuckGo 新闻搜索...")
# DuckDuckGo 搜索
ddg_api = DDGS()
results = ddg_api.text(f"{topic} {current_date}", max_results=5)
if results:
news_results = "\n\n".join([f"标题: {result['title']}\n网址: {result['href']}\n描述: {result['body']}" for result in results])
return news_results
else:
return f"未能找到关于 {topic} 的新闻结果。"
# 2. 创建 AI 代理
def transfer_to_editor_assistant(raw_news):
print("将文章传递给编辑助手...")
return editor_agent.run({"role": "system", "content": raw_news})
# 新闻代理以获取新闻
news_agent = Agent(
model="llama3.2",
name="新闻助手",
instructions="您提供有关给定主题的最新新闻文章,使用 DuckDuckGo 搜索。",
functions=[get_news_articles],
)
# 编辑代理以编辑新闻
editor_agent = Agent(
model="llama3.2",
name="编辑助手",
instructions="您审阅并最终确定新闻文章以供发布。",
)
# 3. 创建工作流程
def run_news_workflow(topic):
print("运行新闻代理工作流程...")
# 第一步: 获取新闻
news_response = client.run(
agent=news_agent,
messages=[{"role": "user", "content": f"获取关于 {topic} 在 {current_date} 的新闻"}],
)
raw_news = news_response.messages[-1]["content"]
print(f"获取的新闻: {raw_news}")
# 第二步: 将新闻传递给编辑进行最终审查
edited_news_response = client.run(
agent=editor_agent,
messages=[{"role": "system", "content": raw_news}],
)
print(f"{edited_news_response.messages[-1]['content']}")
# 运行给定主题的新闻工作流程示例
run_news_workflow("药物发现中的 AI")
使用示例
以下是一个实际运行示例:
# 搜索AI制药相关新闻
result = run_news_workflow("AI制药技术最新进展")
print(result)
输出示例:
Running news Agent workflow...
Running DuckDuckGo news search for AI in Drug Discovery...
Fetched news: Here's a formatted answer based on the news articles:
**药物发现中的人工智能:革命性的转变**
人工智能(AI)在药物发现中的作用标志着制药领域的革命性转变。AI利用复杂的算法进行自主决策,从数据分析中增强人类能力,而不是取代它们。
**挑战与局限性**
尽管有着令人期待的进展,但在该领域中仍然存在挑战和局限性。论文《AI在药物发现中的作用》探讨了这些问题,强调了高质量数据的必要性、伦理问题的解决以及对基于AI的方法局限性的认识。
**AI在药物发现中的应用**
AI有潜力在药物发现、设计和研究药物间相互作用中发挥关键作用。AI在药物发现中的应用包括:
* 多靶点药理学:AI可以预测化合物对多种疾病的有效性。
* 化学合成:AI可以优化化学合成过程,以实现更快和更高效的生产。
* 药物重定位:AI可以识别现有药物的新用途。
* 预测药物特性:AI可以预测化合物的效力、毒性和物理化学特性。
**药物发现中AI的未来**
随着AI的不断发展,预计将对制药行业产生重大影响。AI的成功应用将依赖于高质量数据的可用性、伦理问题的解决以及对基于AI的方法局限性的认识