推理代理

推理代理 (Reasoning Agents) 是 Agno 开发的一类新型多代理系统，它将思维链推理与工具使用相结合。

您可以通过设置 reasoning=True 来为任何代理启用推理功能。

当一个启用了 reasoning=True 的代理被赋予任务时，一个独立的“推理代理”会首先使用思维链来解决问题。在每一步中，它都会调用工具来收集信息、验证结果并进行迭代，直到得出最终答案。一旦推理代理得出了最终答案，它会将结果交还给原始代理进行验证和响应。

示例

reasoning_agent.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    reasoning=True,
    markdown=True,
)
reasoning_agent.print_response(
    "解决电车难题。评估多种伦理框架。包含解决方案的 ASCII 图。",
    stream=True,
    show_full_reasoning=True,
)

启用代理推理

要启用代理推理，请设置 reasoning=True 或将 reasoning_model 设置为支持结构化输出的模型。如果您不设置 reasoning_model，则将使用主要的 Agent 模型进行推理。

推理模型要求

reasoning_model 必须能够处理结构化输出，这包括像 gpt-4o 和 claude-3-7-sonnet 这样支持原生结构化输出的模型，或者使用 JSON 模式支持结构化输出的 gemini 模型。

使用支持原生推理的推理模型

如果您将 reasoning_model 设置为支持原生推理的模型，例如 o3-mini 或 deepseek-r1，那么推理模型将用于推理，而主要的 Agent 模型将用于响应。更多信息请参阅 推理模型 + 响应模型。

使用工具进行推理

您也可以将工具与推理代理一起使用。让我们创建一个可以进行推理的金融代理。

finance_reasoning.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools

reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True, company_news=True)],
    instructions=["使用表格展示数据"],
    show_tool_calls=True,
    markdown=True,
    reasoning=True,
)
reasoning_agent.print_response("撰写一份比较 NVDA 和 TSLA 的报告", stream=True, show_full_reasoning=True)

更多示例

逻辑谜题

logical_puzzle.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = (
    "三名传教士和三名食人族需要过河。他们有一艘船，一次最多可搭载两人。任何时候，如果食人族在河的任何一侧人数多于传教士，食人族就会吃掉传教士。如何才能让所有六个人安全过河？请提供分步解决方案并以 ASCII 图的形式展示。"
)
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

数学证明

mathematical_proof.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = "证明对于任何正整数 n，前 n 个奇数的和等于 n 的平方。请提供详细证明。"
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

科学研究

scientific_research.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = (
    "阅读以下科学论文摘要，并对其方法论、结果、结论以及任何潜在的偏见或缺陷进行批判性评估：\n\n"
    "摘要：本研究考察了一种新的教学方法对学生数学成绩的影响。选择了一所学校的 30 名学生样本，在整个学期中使用新方法进行教学。结果显示，与上一学期相比，考试成绩提高了 15%。研究得出结论，新的教学方法能够有效提高高中生的数学成绩。"
)
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

伦理困境

ethical_dilemma.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = (
    "你是一名火车司机，面临紧急情况：刹车失灵，火车正驶向轨道上绑着的五个人。你可以将火车转向另一条轨道，但那里绑着一个人。你会选择转向轨道，牺牲一人以拯救五人吗？请根据功利主义和义务论伦理框架提供一个经过深思熟虑的答案。也请以 ASCII 艺术图的形式提供你的答案。"
)
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

规划行程

planning_itinerary.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = "规划从洛杉矶到拉斯维加斯的行程"
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

创意写作

creative_writing.py

from agno.agent import Agent
from agno.models.openai import OpenAIChat

task = "写一个关于 500 万年后生活的短篇故事"
reasoning_agent = Agent(
    model=OpenAIChat(id="gpt-4o-2024-08-06"), reasoning=True, markdown=True
)
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)

开发者资源

• 查看 示例
• 查看 Cookbook

Assistant

Responses are generated using AI and may contain mistakes.