AutoGen 天气智能体实战指南三个 Agent 接力完成多地天气汇总【免费下载链接】autogenA programming framework for agentic AI项目地址: https://gitcode.com/GitHub_Trending/au/autogen出差前夜行程表上排着北京、上海、深圳三站带不带伞取决于每一站未来三天会不会下雨。手动挨个打开天气 App 切城市切完还得在脑子里做一遍并集。农业合作社的负责人也有类似日常每天早晨一份覆盖多个种植点的气象汇总是当天排灌决策的输入。这类多地点、多条件、要结论的查询用 AutoGen 搭一个天气预报智能体就能自动化。AutoGen 天气智能体是什么一分钟速览AutoGen 天气智能体是基于微软 AutoGen 多智能体框架构建的天气查询应用把一次查询拆给路由、取数、分析三类智能体接力处理。它解决的是一个很具体的问题用户用自然语言提出跨城市、跨时段的天气需求系统自动并发取数并给出可执行的结论比如北京站带伞深圳不用。工作原理三个智能体如何分工协作流程可以想象成三个人值班。第一个 Agent 负责听懂问题从北京、上海、深圳未来三天里拆出城市列表和要的时间段。第二个 Agent 负责跑腿对每个城市并发请求气象接口把原始响应统一转成结构化数据。第三个 Agent 负责下结论汇总各城市数据找出会下雨的城市输出哪站带伞、哪站不用加一份明细。这里有个小坑取数环节不要让 LLM 手写 HTTP 请求。把请求包成一个工具函数交给 Agent 调用返回结果稳定得多。快速上手AutoGen 天气智能体怎么装装两个包就够agentchat 提供 Agent 和工具调用autogen-ext 提供模型客户端。pip install -U autogen-agentchat autogen-ext[openai]下面这段是接入的最小骨架工具函数内部对气象接口的请求按自己选定的数据源实现即可import asyncio from autogen_agentchat.agents import AssistantAgent from autogen_ext.models.openai import OpenAIChatCompletionClient client OpenAIChatCompletionClient(modelgpt-4o) # API key 从环境变量读取 async def get_weather(city: str) - str: 查询城市天气返回温度、天气现象、降水概率。 # 请求气象接口如 open-meteo把结果格式化成文本 ... agent AssistantAgent( nameweather, model_clientclient, tools[get_weather], system_message先用工具逐个查询城市天气再汇总说明哪几站需要带伞。, ) result asyncio.run(agent.run(task北京、上海、深圳未来三天天气给出带伞建议)) print(result)进阶技巧让天气智能体更好用的三个改法⚡ 给取数工具加一层短 TTL 缓存比如 5 分钟。多轮追问同一城市时不再重复打接口商业气象 API 的调用量也降下来了。 数据源可以随时换。把工具函数里的请求地址和字段解析换成另一个气象服务即可Agent 侧代码一行不用动。 想每天自动播报加个定时任务每天早 8 点跑一次同样的 task把输出推到值班群里。常见问题搭气象智能体容易卡住的点需要准备哪些 API Key模型侧需要一个 LLM 的 keyOpenAI或任意兼容 OpenAI 协议的端点。天气数据侧open-meteo 这类免费源不用 key接商业气象 API 时才要再注册一个。能否换成其他模型可以。把客户端换成 Azure OpenAI 或 Ollama 本地模型的对应实现即可工具调用方式不变。查询结果有延迟怎么办延迟主要来自多城市取数和 LLM 生成两段。给取数加缓存、换响应更快的模型或让输出先逐城市流式返回体感会好很多。这个案例给自建 Agent 的启发这套拆法本身比天气场景更有复用价值把理解问题—拿数据—下结论分给三个角色各自职责单一、可独立替换。换成库存、舆情、行情查询骨架原样成立。【免费下载链接】autogenA programming framework for agentic AI项目地址: https://gitcode.com/GitHub_Trending/au/autogen创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考