点击此处下载数据集，密码0048
English
在AutoPlan1推出之前，市场上的智能代理（Agents）大多功能较为基础，面对复杂的问题处理能力有限。
这些早期的Agents缺乏处理复杂逻辑或执行长序列任务的能力，或者即便能够尝试解决，其解决方案的准确性也常常不尽如人意。
核心目的 ：AutoPlan1旨在克服上述局限性，通过开发出能够胜任特定领域内更复杂工作的高级Agents。技术进步 ：
引入了先进的算法和技术框架，显著提升了Agents在处理细分领域复杂任务时的表现。
提高了Agent系统的稳定性以及解决问题的准确度。
成功地从仅能执行简单任务的初级Agents过渡到了具备强大处理能力的高级Agents。
尽管AutoPlan1成功地提高了Agents应对复杂场景的能力，但这一过程中也暴露出了一些新的问题。
构建这类复杂Agent的成本较高，尤其是涉及到大量人工标注的数据准备阶段。
对于那些需要快速部署新类型Agent的应用场景来说，高昂的数据成本成为了阻碍因素之一。
核心目标 ：AutoPlan2项目致力于降低新Agent的创建门槛，特别是针对那些要求迅速上线且性能稳定的场合。关键技术点 ：
冷启动优化 ：开发了一套机制使得即使是初次接触某一领域的Agent也能基于现有知识库快速形成初步服务能力。成本控制 ：通过自动化工具减少对人工干预的需求，在保证至少90%服务准确性的同时，力求将复杂Agent的数据准备成本控制在总成本的10%以内。兼容性增强 ：确保即使是为简单任务设计的Agent也能无缝接入更加复杂的系统中使用，无需额外调整。
以下数据为500条中随意挑选，未经任何人工修改或者挑选。 Question1:
确认我方直升机的最大作战范围内是否包含敌方的指挥中心位置。
Plan:
1.使用knowledge_graph获取直升机的续航里程A。
2.使用map_search获取敌方指挥中心的坐标B。
3.使用distance_calculation计算我方直升机和敌方指挥中心的距离C。
4.对比续航里程A和距离C，确认是否在作战范围内。
React_data:
Thought: 首先，我需要使用knowledge_graph来获取直升机的续航里程。
Action: knowledge_graph
Action Input: {\"weapon_query\": \"直升机\", \"attribute\": \"续航\"}\nObservation: 直升机的续航是:500km
Thought: 现在我知道了直升机的续航里程是500km，接下来我需要使用map_search来获取敌方指挥中心的坐标。
Action: map_search\nAction Input: {\"lauch\": \"敌指挥中心\"}
Observation: {'我方直升机': [100, 80], '敌直升机': [170, 45], '我方指挥所': [0, 2], '敌坦克': [20, 13], '我方火箭炮': [100, 120], '我方发射阵地1': [50, 70], '我方发射阵地2': [150, 170], '敌指挥中心': [70, 35], '敌反坦克导弹': [50, 100], '我方坦克': [32, 21]}
Thought: 我已经获取到了敌方指挥中心的坐标是[70, 35]，接下来我需要使用distance_calculation来计算我方直升机和敌方指挥中心的距离。
Action: distance_calculation\nAction Input: {\"weapon_query\": \"{\\\"我方直升机\\\":[100,80]}\", \"map_dict\": \"{\\\"敌指挥中心\\\":[70,35]}\"}\nObservation: 以下是所有单位与{'我方直升机': [100, 80]}的距离:{'敌指挥中心': '54.1km'}
Thought: 我已经得到了我方直升机和敌方指挥中心的距离是54.1km，现在需要对比这个距离与直升机的续航里程。
Action: python_math\nAction Input: {\"math_formulation\": \"500 > 54.1\"}
Observation: 执行结果是True\nThought: 由于500km大于54.1km，所以我方直升机的最大作战范围内包含敌方的指挥中心位置。
Final Answer: 我方直升机的最大作战范围内包含敌方的指挥中心位置。
Question2:请选择武器打击敌方坦克，打击后将结果图片给到张三将军.
Plan:
1.使用map_search获取敌方坦克的位置坐标A
2.使用knowledge_graph查询敌方坦克的克制武器B
3.使用weapon_launch发射克制武器B打击敌方坦克位置坐标A
4.使用map_search查询克制武器B的位置坐标C
5.使用knowledge_graph获取克制武器B的速度D
6.使用distance_calculation计算克制武器B的位置坐标C到敌方坦克的位置坐标A的距离E
7.根据距离E和速度D计算武器飞行时间F
8.使用Situation_display显示敌方坦克位置坐标A,获得图片G
9.使用address_book查询张三将军的QQ_EmailH。
10.F时间后使用QQ_Email将图片C发送到张三将军的QQ_EmailH
React_data:
Thought: 首先，我需要使用map_search来获取敌方坦克的位置坐标A。
Action: map_search
Action Input: {\"lauch\": \"敌坦克\"}
Observation: {'我方直升机': [100, 80], '敌直升机': [170, 45], '我方指挥所': [0, 2], '敌坦克': [20, 13], '我方火箭炮': [100, 120], '我方发射阵地1': [50, 70], '我方发射阵地2': [150, 170], '敌指挥中心': [70, 35], '敌反坦克导弹': [50, 100], '我方坦克': [32, 21]}
Thought: 我已经获取到了敌方坦克的位置坐标A，接下来需要使用knowledge_graph查询克制敌方坦克的武器B。
Action: knowledge_graph\nAction Input: {\"weapon_query\": \"敌坦克\", \"attribute\": \"克制武器\"}
Observation: '豹2A7坦克': { '克制武器': '反坦克导弹'}
Thought: 我已经获取到了克制敌方坦克的武器B，接下来需要使用weapon_launch发射克制武器B打击敌方坦克位置坐标A。
Action: weapon_launch
Action Input: {\"weapon_query\": \"反坦克导弹\", \"target_name\": \"敌坦克\", \"target_coordinate\": \"[20, 13]\"}
Observation: 已启动反坦克导弹打击敌坦克打击位置：[20, 13] \nThought: 武器已经发射，接下来需要使用map_search查询克制武器B的位置坐标C。
Action: map_search
Action Input: {\"lauch\": \"反坦克导弹\"}
Observation: { '敌反坦克导弹': [50, 100]}
Thought: 我已经获取到了克制武器B的位置坐标C，接下来需要使用knowledge_graph获取克制武器B的速度D。
Action: knowledge_graph
Action Input: {\"weapon_query\": \"反坦克导弹\", \"attribute\": \"速度\"}
Observation: 反坦克导弹的速度是:200km/h
Thought: 我已经获取到了克制武器B的速度D，接下来需要使用distance_calculation计算克制武器B的位置坐标C到敌方坦克的位置坐标A的距离E。
Action: distance_calculation
Action Input: {\"weapon_query\": \"{'反坦克导弹':[50, 100]}\", \"map_dict\": \"{'敌坦克': [20, 13]}\"}
Observation: 以下是所有单位与{'反坦克导弹': [50, 100]}的距离:{'敌坦克': '92.0km'}
Thought: 我已经获取到了克制武器B的位置坐标C到敌方坦克的位置坐标A的距离E，接下来需要根据距离E和速度D计算武器飞行时间F。
Action: python_math
Action Input: {\"math_formulation\": \"92.0/200\"}
Observation: 执行结果是0.46
Thought: 我已经计算出了武器飞行时间F，接下来需要使用Situation_display显示敌方坦克位置坐标A,获得图片G。
Action: Situation_display
Action Input: {\"coordinate\": \"[20, 13]\", \"radio\": \"300\"}\nObservation: 已经显示以[20, 13]为中心以300为半径的态势地图,图片地址为/ai/ld/picture1.png
Thought: 我已经获取到了图片G，接下来需要使用address_book查询张三将军的QQ_EmailH。
Action: address_book
Action Input: {\"person_name\": \"张三\"}
Observation: {'邮箱': '[email protected] ', '电话': '13713156111', '部队': '黑狐坦克', '职务': '副总师'}
Thought: 我已经获取到了张三将军的QQ_EmailH，接下来需要使用QQ_Email将图片C发送到张三将军的QQ_EmailH。
Action: QQ_Email
Action Input: {\"E-mail_address\": \"[email protected] \", \"E-mail_content\": \"打击敌方坦克的结果如图所示：/ai/ld/picture1.png\"}
Observation: 已将打击敌方坦克的结果如图所示：/ai/ld/picture1.png发送到[email protected] \nThought: 我已经完成了所有任务。
Final Answer: 通过以上步骤，我成功使用反坦克导弹打击了敌方坦克
首先修改config.py配置文件,config.py 文件中已有注释。
修改tools_caption.py文件，填写Agent需要调用工具的配置（可多个），以下是一个示例。
tools = [
{
"name_for_human" : "知识图谱" , # name_for_human写工具名称，用来给模型提示，需要能够望文生义，
"name_for_model" : "knowledge_graph" , # name_for_model是函数名称，是真实调用工具的函数名
"excute_function" : True , # excute_function表示构造数据时，是否真实的调用工具以获得更加高质量的数据。
"description_for_model" : "知识图谱是输入武器种类获取该武器的属性，也可以输入某种属性获得所有武器的该属性" ,# description_for_model是用于提示模型，本工具的作用。需要描述清晰明了
"example" : "帮我查一下敌方直升机的续航里程" , # example 表示一个能使用本工具解决的问题。
"parameters" : [
{
"name" : "weapon_query" ,# 这是第一个参数名称
"description" : "武器名称" , # 这是对本参数的文字描述，用于提示模型，需要能够望文生义
"scope" : ["直升机" , '豹2A7坦克' ,'黑狐坦克' ,"雷达" ,'装甲车' ,'狙击枪' , "反坦克导弹" , "直升机" , "火箭炮" , "所有武器" ,'无人机' ,'步兵' ], # 参数的取值范围
"required" : True , # 这个参数是否是必须的
"schema" : {"type" : "string" }, # 本参数的数据结构类型
},
{
"name" : "attribute" ,# 这是第二个参数名称
"description" : "武器的属性" ,# 这是对本参数的文字描述，用于提示模型，需要能够望文生义
"scope" : ['射程' ,'携带武器' ,'重量' ,'速度' ,'适应场景' ,'克制武器' ,'续航' ,'满载人数' ,'飞行高度' ,'承载重量' ,'所有属性' ,'探测范围' ],# 参数的取值范围
"required" : True ,# 这个参数是否是必须的
"schema" : {"type" : "string" },# 本参数的数据结构类型
},
],
}
]
对于第二步中"excute_function": True的工具，需要在tools_call.py的文件中进行实现,以下是一个示例。
if plugin_name == "knowledge_graph" :
weapon_name = args_dict ["weapon_query" ] # 输入参数的解析，需要和第步中参数的name值相同(weapon_query)
attribute = args_dict ["attribute" ] # 输入参数的解析，需要和第步中参数的name值相同(attribute)
kg = {
"直升机" : {
"飞行高度" : "0.3km以内" ,
"携带武器" : "火箭弹" ,
"克制武器" : "对空导弹" ,
"重量" : "3000kg" ,
"速度" : "100km/h" ,
"射程" : "2km" ,
"适应场景" : "空战" ,
"续航" : "500km" ,
"满载人数" : "7人" ,
"承载重量" : "10000kg" ,
"续航里程" : "1000km" ,
},
#、、、、、、、、、、此处省略
"狙击枪" : {"射程" : "1.2km" , "重量" : "30kg" , "适应场景" : "暗杀" },
}
if weapon_name != "所有武器" :
try :
return "{}的{}是:{}" .format (
weapon_name , attribute , kg [weapon_name ][attribute ]
)
except :
return kg
return kg #返回值需要是容易被模型理解的文字
根据具体需求，修改main.py文件最下方，执行以下函数的其中一个,执行前请保证第一步根据执行函数进行了配置：
if __name__ == "__main__" :
#get_question()# 获取简单Agent问题数据
#get_complex_question()
#get_react_data # 获取agent执行过程数据
get_complex_react_data () # 获取复杂agent的执行过程数据
执行get_react_data()或get_complex_react_data()后保存的训练数据已经保存为llamafactory的qwen训练格式，可以直接进行sft训练。