以下内容均来自个人笔记并重新梳理，如有错误欢迎指正！
基本介绍
易用、灵活、高效 符合工程开发直觉的开发语法，让开发者专注在业务表达，屏蔽无关思考 用 GPT-3.5+ 级别的低价模型平替原本只能用 GPT-4 完成的工作，成本立减 99% 支持各类主流模型随意切换，不冲击业务逻辑，帮助开发者提升模型输出控制能力 代码级编排复杂工作流，构建复杂 AI 应用场景
让开发者专注在业务开发上，单次请求由 Agent 对象代理，多轮请求编排由 Workflow 完成，并提供了简单顺畅的语法，业务开发的时候，思路极其顺滑 模型调用新增模型适配、Agent 对象新增指令、存储方法新增数据存储类型，都通过插件完成 通过框架内部的架构设计，将模型适配、插件增强和业务表达三个层次完全解耦，任何一层的变动都不会严重冲击其他层，确保业务逻辑层表达的稳定性 文档丰富，社区热情，开发团队 On Call 及时，并乐于分享方法论 为 AI 应用开发者降低开发门槛，提供高效、顺滑的开发体验
安装方法
Agently 的安装极其简单，只需要在终端命令行中执行以下命令，等待 Python 包安装完成即可。
pip install -U Agently🔔 pip 版本需要满足一定要求，若遇到安装问题请先升级 pip 版本🔔 升级命令：python3 -m pip install --upgrade pip输出信息：Successfully installed pip-24.2
使用方法（示例）
1、生成内容
import Agently'''创建 Agent 实例'''agent = (Agently.create_agent().set_settings("current_model", "ZhipuAI").set_settings("model.ZhipuAI.auth", { "api_key": "your_api_key" }))'''基础请求示例'''result = (agent.input("为我输出5个单词和3个句子").instruct("输出语言", "中文").output({"单词": [("str", )],"句子": ("list", ),}).start())print(result)# 输出如下：{'单词': ['书籍', '音乐', '快乐', '创新', '和平'], '句子': ['我喜欢阅读各种各样的书籍。', '音乐是我生活中不可或缺的部分。', '快乐是一种心态，也是一种选择。']}
可以看到，在创建 Agent 实例时笔者指定语言模型为 ZhipuAI（智谱清言），并提供可用的 API KEY，然后通过 Agent 实例发出基础请求以调用智谱清言 API 的能力，最终自动生成所需内容（即以中文输出 5 个单词、3 个句子）。
智谱清言 API KEY 获取地址：
https://open.bigmodel.cn/usercenter/apikeys
import Agentlyagent_factory = Agently.AgentFactory()agent_factory\.set_settings("current_model", "ZhipuAI")\.set_settings("model.ZhipuAI.auth", { "api_key": "your_api_key" })agent = agent_factory.create_agent()agent.active_session()while True:user_input = input("[用户]: ")if user_input == "#exit":print("Bye")breakprint("[AGENT]: ", end="")agent\.input(user_input)\.on_delta(lambda data: print(data, end=""))\.start()print("")
3、分析日志
import Agently, osagent_factory = Agently.AgentFactory()agent_factory\.set_settings("current_model", "ZhipuAI")\.set_settings("model.ZhipuAI.auth", { "api_key": "xxx" })agent = agent_factory.create_agent()agent.active_session()os.system("kubectl describe no > /data/gitlab/node.log")with open('/data/gitlab/node.log', 'r') as f:user_input = f.read() + '\n分析以上信息中是否存在异常，若存在异常请给出解决方案'print("[AGENT]: ", end="")agent\.input(user_input)\.on_delta(lambda data: print(data, end=""))\.start()print("\n")
以上脚本可以结合 Crontab 计划任务，定期获取 Kubernetes 集群的节点详情写入日志文件，然后由 Agent 代理调用智谱清言 API 分析日志信息是否存在异常，并给出解决方案。后续还可以通过发送邮件等方式进行告警，有效缩短运维人员分析日志、解决问题的时间。
书籍推荐
