从一堆赛事数据到一份分析报告3 个模块跑通 Upsonic 智能体框架实战【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistantUpsonicGPT-Computer-Assistant是一个用 Python 构建自主 AI 智能体的开源框架——你说一句分析这场比赛智能体自己决定调哪个工具、怎么算、写什么结论。假设你要每周给球队出一份数据分析报告拉原始数据、算指标、解读趋势、组织成文。这件事听起来琐碎但正好覆盖了框架里最核心的三个部件工具、记忆、团队。下面我们就拿这个场景当例子从零把链路跑通。 先拆场景一份分析报告要干哪几件事拆开看周报流程其实就是三步拿数据、算指标智能体需要能调用外部工具比如请求接口、执行一段计算代码多轮追问你看完结论想问为什么它得记得上一轮聊到哪分工协作数据多、报告长时一个智能体容易顾此失彼需要拆给几个角色框架里正好对应三块工具系统、Memory 记忆、Team 多智能体。开工前先装好框架一行命令uv pip install upsonic再在.env里配一个模型 API 密钥比如ANTHROPIC_API_KEY就能开始跑任务了。⚙️ 给智能体装上手用工具拉数据、算指标工具在 Upsonic 里很好理解一个带说明的普通 Python 函数用tool装饰一下智能体就知道它存在、什么情况下该调。工具的实现可以翻 工具源码 看common_tools目录下还内置了搜索、金融数据等现成工具拿来即用。下面这段代码定义了一个算场均得分的工具交给智能体去回答一个具体分析问题from upsonic import Agent, Task from upsonic.tools import tool tool def player_ppg(scores: list[float]) - float: 计算球员场均得分。参数 scores每场比赛得分列表。返回场均分 return sum(scores) / len(scores) agent Agent(modelanthropic/claude-sonnet-4-5, name体育分析助手) task Task(description球员A近5场得分[22, 18, 25, 30, 27]分析他的得分趋势, tools[player_ppg]) agent.print_do(task)终端会打印出智能体的分析过程和结论其中场均分会由工具算出来而不是模型口算。tools参数就像给智能体发的工具箱不传它两手空空传什么它就能用什么想拿到返回值做后处理用do(task)代替print_do(task)即可。工具解决了能力问题但还有个细节你追问时它还记得前面说过什么吗 让智能体记住上一轮给会话装上记忆记忆可以类比成给智能体发一个笔记本每轮对话结束自动记下来下次开工前先翻一遍。Memory支持整段会话、摘要、用户画像几种记法存储后端也可以换——内存适合试跑想跨进程保留就换 SQLite、Postgres 等后端storage目录下都有现成实现接口一致。试试下面的两连问第二个问题依赖第一个问题的结论from upsonic import Agent, Task from upsonic.storage import Memory, InMemoryStorage memory Memory(storageInMemoryStorage(), session_idsports, full_session_memoryTrue) analyst Agent(modelanthropic/claude-sonnet-4-5, name数据分析师, memorymemory) analyst.print_do(Task(分析球员A最近5场的得分趋势)) analyst.print_do(Task(结合前面的结论预判他下一场的状态))预期输出里第二轮回答会直接引用第一轮的趋势判断而不是重新泛泛而谈。到这里单兵作战已经成立但周报真要落地一个人往往顾不过来了——接下来把分工提上日程。 一个人干不完就组一个 TeamTeam把多个智能体编到一起相当于组了一个小项目组。它提供三种模式sequential按顺序接力route由路由智能体分发任务coordinate让一个队长智能体负责拆解和分派比较适合分析这种需要统筹的任务团队模块 里有完整实现。from upsonic import Agent, Team, Task data_agent Agent(modelanthropic/claude-sonnet-4-5, name数据分析师) stat_agent Agent(modelanthropic/claude-sonnet-4-5, name战术分析师) report_agent Agent(modelanthropic/claude-sonnet-4-5, name报告撰写员) team Team(entities[data_agent, stat_agent, report_agent], modecoordinate) team.print_do(Task(完成上周比赛的全面分析并输出报告))队长会先拆解任务、分派给对应智能体最后汇总成一份完整报告打印出来——整个过程你只下发了一句话。链路通了之后还可以再往上走一步让智能体自己去翻文件、跑任务。 进阶玩法让智能体自己翻文件、跑任务框架里还有个AutonomousAgent可以理解为放养模式给它一个工作目录它就能自己读写文件、执行命令且所有操作都被限制在目录内越界路径和危险命令会被直接拦截用来处理扫描版赛事报告这类杂活很合适。from upsonic import AutonomousAgent, Task agent AutonomousAgent(modelanthropic/claude-sonnet-4-5, workspace./match_reports) agent.print_do(Task(解析目录里的所有比赛报告汇总得分并输出一周小结))输出就是一份基于目录里现有数据生成的周度小结。如果报告是扫描版 PDF框架内置的 OCR 模块会先把文件转成图片再识别文本结果可以直接喂给前面的分析流程再配上安全引擎对输入输出做规则过滤这套 AI 体育分析系统就从能跑走向敢用了。把第一段代码先跑起来你的第一个分析智能体就上岗了。【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 从一堆赛事数据到一份分析报告：3 个模块跑通 Upsonic 智能体框架实战
从一堆赛事数据到一份分析报告3 个模块跑通 Upsonic 智能体框架实战【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistantUpsonicGPT-Computer-Assistant是一个用 Python 构建自主 AI 智能体的开源框架——你说一句分析这场比赛智能体自己决定调哪个工具、怎么算、写什么结论。假设你要每周给球队出一份数据分析报告拉原始数据、算指标、解读趋势、组织成文。这件事听起来琐碎但正好覆盖了框架里最核心的三个部件工具、记忆、团队。下面我们就拿这个场景当例子从零把链路跑通。 先拆场景一份分析报告要干哪几件事拆开看周报流程其实就是三步拿数据、算指标智能体需要能调用外部工具比如请求接口、执行一段计算代码多轮追问你看完结论想问为什么它得记得上一轮聊到哪分工协作数据多、报告长时一个智能体容易顾此失彼需要拆给几个角色框架里正好对应三块工具系统、Memory 记忆、Team 多智能体。开工前先装好框架一行命令uv pip install upsonic再在.env里配一个模型 API 密钥比如ANTHROPIC_API_KEY就能开始跑任务了。⚙️ 给智能体装上手用工具拉数据、算指标工具在 Upsonic 里很好理解一个带说明的普通 Python 函数用tool装饰一下智能体就知道它存在、什么情况下该调。工具的实现可以翻 工具源码 看common_tools目录下还内置了搜索、金融数据等现成工具拿来即用。下面这段代码定义了一个算场均得分的工具交给智能体去回答一个具体分析问题from upsonic import Agent, Task from upsonic.tools import tool tool def player_ppg(scores: list[float]) - float: 计算球员场均得分。参数 scores每场比赛得分列表。返回场均分 return sum(scores) / len(scores) agent Agent(modelanthropic/claude-sonnet-4-5, name体育分析助手) task Task(description球员A近5场得分[22, 18, 25, 30, 27]分析他的得分趋势, tools[player_ppg]) agent.print_do(task)终端会打印出智能体的分析过程和结论其中场均分会由工具算出来而不是模型口算。tools参数就像给智能体发的工具箱不传它两手空空传什么它就能用什么想拿到返回值做后处理用do(task)代替print_do(task)即可。工具解决了能力问题但还有个细节你追问时它还记得前面说过什么吗 让智能体记住上一轮给会话装上记忆记忆可以类比成给智能体发一个笔记本每轮对话结束自动记下来下次开工前先翻一遍。Memory支持整段会话、摘要、用户画像几种记法存储后端也可以换——内存适合试跑想跨进程保留就换 SQLite、Postgres 等后端storage目录下都有现成实现接口一致。试试下面的两连问第二个问题依赖第一个问题的结论from upsonic import Agent, Task from upsonic.storage import Memory, InMemoryStorage memory Memory(storageInMemoryStorage(), session_idsports, full_session_memoryTrue) analyst Agent(modelanthropic/claude-sonnet-4-5, name数据分析师, memorymemory) analyst.print_do(Task(分析球员A最近5场的得分趋势)) analyst.print_do(Task(结合前面的结论预判他下一场的状态))预期输出里第二轮回答会直接引用第一轮的趋势判断而不是重新泛泛而谈。到这里单兵作战已经成立但周报真要落地一个人往往顾不过来了——接下来把分工提上日程。 一个人干不完就组一个 TeamTeam把多个智能体编到一起相当于组了一个小项目组。它提供三种模式sequential按顺序接力route由路由智能体分发任务coordinate让一个队长智能体负责拆解和分派比较适合分析这种需要统筹的任务团队模块 里有完整实现。from upsonic import Agent, Team, Task data_agent Agent(modelanthropic/claude-sonnet-4-5, name数据分析师) stat_agent Agent(modelanthropic/claude-sonnet-4-5, name战术分析师) report_agent Agent(modelanthropic/claude-sonnet-4-5, name报告撰写员) team Team(entities[data_agent, stat_agent, report_agent], modecoordinate) team.print_do(Task(完成上周比赛的全面分析并输出报告))队长会先拆解任务、分派给对应智能体最后汇总成一份完整报告打印出来——整个过程你只下发了一句话。链路通了之后还可以再往上走一步让智能体自己去翻文件、跑任务。 进阶玩法让智能体自己翻文件、跑任务框架里还有个AutonomousAgent可以理解为放养模式给它一个工作目录它就能自己读写文件、执行命令且所有操作都被限制在目录内越界路径和危险命令会被直接拦截用来处理扫描版赛事报告这类杂活很合适。from upsonic import AutonomousAgent, Task agent AutonomousAgent(modelanthropic/claude-sonnet-4-5, workspace./match_reports) agent.print_do(Task(解析目录里的所有比赛报告汇总得分并输出一周小结))输出就是一份基于目录里现有数据生成的周度小结。如果报告是扫描版 PDF框架内置的 OCR 模块会先把文件转成图片再识别文本结果可以直接喂给前面的分析流程再配上安全引擎对输入输出做规则过滤这套 AI 体育分析系统就从能跑走向敢用了。把第一段代码先跑起来你的第一个分析智能体就上岗了。【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考