基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架，实现智能编程系统的实战教程
9 月 19 日，阿里开源了 Qwen2.5 系列大模型全家桶：除常规的语言模型 Qwen2.5 之外，还发布了专门针对编程的Qwen2.5-Coder模型和数学的 Qwen2.5-Math 模型，并且针对每个模型都提供了不同规模参数版本，包括：
- Qwen2.5 语音模型: 0.5B, 1.5B, 3B, 7B, 14B, 32B 和 72B
- Qwen2.5-Coder 编程模型: 1.5B, 7B, 以及即将推出的 32B
- Qwen2.5-Math 数学模型: 1.5B, 7B 和 72B
Qwen2.5 系列模型性能和推理能力对比，这里不在赘述，我们可以到 Qwen 官网博客查看详细介绍：
在国内开源大模型中，作者用遥遥领先做为 Qwen2.5 模型系列总结一点也不为过，国内开源大模型能真打的实在是太少了！
最近对Qwen2.5-Coder比较感兴趣，可能是专业的原因，非常期待能有一个智能编程的模型或应用，真所谓：码无止境，学无止境！
今天，就基于Qwen2.5-Coder模型，结合CrewAI多智能体框架，实现一个能根据软件需求编写程序代码的系统，同时感受一下Qwen2.5-Coder的能力。因此本文大致分为以下三部分：
- Qwen2.5-Coder本地部署和简单验证
- CrewAI多智能体设计、和基于Qwen2.5-Coder的实现代码
- 最终，验证CrewAI智能体编写的程序
Qwen2.5-Coder 本地部署
通过前面的文章可以看到，我们至少有 3 种方式在本地部署和推理大模型，本文就是不在详细介绍其过程了。
为了尽快实现我们的目标，我们将使用Ollama快速在本地部署Qwen2.5-Coder模型；关于 Ollama 的详细介绍和使用教程，可以参考之前文章：Ollama 完整教程：本地 LLM 管理、WebUI 对话、Python/Java 客户端 API 应用
我们安装好Ollama程序之后，通过以下一条命令，即可完成大模型的下载和部署：
ollama run qwen2.5-coder:7b
下载和部署成功之后，Ollama默认自带了一个终端对话窗口：
至此，Qwen2.5-Coder模型本地部署就成功了，接下来我们来实现多智能体代码逻辑~
CrewAI 多智能体设计和实现
CrewAI是一个多智能体框架
工欲善其事，必先利其器，我们先准备一下CrewAI的研发环境，我们通过Miniconda管理 Python 虚拟环境
# Python虚拟环境名：CrewAI，版本号：3.10
conda create -n CrewAI python=3.10 -y
# 激活虚拟环境
conda activate CrewAI
# 安装 CrewAI 框架依赖
pip install crewai
我们的编程智能体为游戏智能编程团队（姑且就叫这个名吧），这个团队由3 个角色组成（即：3 个智能体），他们的工作职责设定如下：
- 软件工程师：负责根据需求编写程序代码
- 质量工程师：发现并修复软件工程师的代码 Bug 和错误
- 首席质量工程师：检测程序完整性，并检测是否符合软件需求
我们通过以下步骤，完成游戏智能编程团队整体逻辑（Python 文件：CrewAI-Game.py），首先我们需要导入程序的均依赖类：
import os
from textwrap import dedent
from crewai import Agent, Task, Crew
【第一步：配置Qwen2.5-Coder大模型】
# 配置模型（qwen2.5-coder:7b）
os.environ["OPENAI_API_BASE"] = 'http://127.0.0.1:11434/v1'
os.environ["OPENAI_MODEL_NAME"] = 'qwen2.5-coder:7b',
os.environ["OPENAI_API_KEY"] = 'EMPTY'
【第二步：定义3 个角色（即：3 个智能体）】
3 个智能体分别是：高级软件工程师、高级质量工程师和首席质量工程师
#
# 3个智能体逻辑
#
def senior_engineer_agent():
"""高级软件工程师智能体"""
return Agent(
role='高级软件工程师',
goal='根据需求完成软件编程',
backstory=dedent('''你是一位国际领先的科技公司的高级软件工程师。
你非常擅长Python编程，并尽自己的最大努力编写功能齐全、运行良好的完美代码。
'''),
allow_delegation=False,
verbose=True
)
def qa_engineer_agent():
"""高级软件质量工程师智能体"""
return Agent(
role='高级软件质量工程师',
goal='分析程序代码，找出其中的错误，并修复这些错误代码',
backstory=dedent('''你是一位检测代码的高级工程师。
你对代码细节很敏锐，非常擅长找出代码中的Bug，包括检查是否缺少导入、变量声明、不匹配括号和语法错误等。
您还能检查出代码的安全漏洞和逻辑错误。
'''),
allow_delegation=False,
verbose=True
)
def chief_qa_engineer_agent():
"""首席软件质量工程师智能体"""
return Agent(
role='首席软件质量工程师',
goal='确保代码实现了需求',
backstory='''你怀疑程序员没有按照需求编写软件，你特别专注于编写高质量的代码。''',
allow_delegation=True,
verbose=True
)
【第三步：定义3 个任务（即：3 个智能体的任务）】
与 3 个智能体对应，每个智能体均对应有 1 个任务：
#
# 3个任务逻辑
#
def code_task(agent, game):
return Task(description=dedent(f'''你将按照软件需求，使用Python编写程序:
软件需求
------------
{game}
'''),
expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',
agent=agent
)
def review_task(agent, game):
return Task(description=dedent(f'''你将按照软件需求，进一步使用Python完善给定的程序:
软件需求
------------
{game}
根据给定的Python程序代码，检查其中的错误。包括检查逻辑错误语法错误、缺少导入、变量声明、括号不匹配，以及安全漏洞。
'''),
expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',
agent=agent
)
def evaluate_task(agent, game):
return Task(description=dedent(f'''你将按照软件需求，进一步使用Python完善给定的程序:
软件需求
------------
{game}
查看给定的Python程序代码，确保程序代码完整，并且符合软件需求。
'''),
expected_output='你的输出是完整的Python代码, 特别注意只需要输出Python代码，不要输出其他任何内容！',
agent=agent
)
【第四步：定义团队，组织智能体协同执行任务】
CrewAI中，Crew代表团队，它有agents和tasks这 2 个核心属性，最终通过kickoff()方法触发执行整个流程：
#
# 团队逻辑
#
print('')
game = input('# 您好，我们是游戏智能编程团队，请输入游戏的详细描述：\n\n')
print('')
# 智能体
senior_engineer_agent = senior_engineer_agent()
qa_engineer_agent = qa_engineer_agent()
chief_qa_engineer_agent = chief_qa_engineer_agent()
# 任务
code_game = code_task(senior_engineer_agent, game)
review_game = review_task(qa_engineer_agent, game)
approve_game = evaluate_task(chief_qa_engineer_agent, game)
# 团队
crew = Crew(
agents=[
senior_engineer_agent,
qa_engineer_agent,
chief_qa_engineer_agent
],
tasks=[
code_game,
review_game,
approve_game
],
verbose=True
)
# 执行
game_code = crew.kickoff()
最后，我们拿到 Python 代码之后，希望能保存到本地文件（Python 文件：Game.py）：
# 输出
print("\n\n########################")
print("## 游戏代码结果")
print("########################\n")
print(game_code)
# 存储代码
filename = 'Game.py'
print("\n\n########################\n")
with open(filename, 'w', encoding='utf-8') as file:
file.write(game_code)
print(f"游戏代码已经存储到文件： {filename}")
print(f'你可以运行游戏：python {filename}')
以上步骤即完成了我们只能编程团队代码，接下就可以执行了：python CrewAI-Game.py
CrewAI 执行过程中，我们看到 3 个智能体执行详细信息：
软件工程师执行过程信息
质量工程师执行过程信息
首席工程师执行过程信息
最后，我们运行本地存储的小游戏程序：python Game.py
因为程序使用到了Pygame包，如果虚拟环境没有的话，需要安装一下：pip install pygame
最终我们运行起来了贪吃蛇游戏：
至此，本次我们需求基本完成了，我们通过定义的 3 个智能体和对应的任务，最终智能体与Qwen2.5-Coder交互完成软件需求程序的编写。
程序最终还能跑起来，这也进一步体现了Qwen2.5-Coder模型的语音和代码推理能力！
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
