Qwen-Agent 是一个利用开源语言模型Qwen的工具使用、规划和记忆功能的框架。其模块化设计允许开发人员创建具有特定功能的定制代理，为各种应用程序提供了坚实的基础。同时，开发者可以利用 Qwen-Agent 的原子组件构建智能代理，以理解和响应用户查询。
本篇将介绍如何在Qwen-Agent中并行调用多个tools。
相关文章
使用vLLM（不使用Qwen-Agent的方式）进行工具调用：开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现推理加速的正确姿势-Docker-Tools助力（四）
Qwen-Agent系列教程：
引言：AI Coding 进入规范驱动自动化时代 当前，许多开发者在使用 AI 编程助手时正普遍面临—个痛点：在处理大型项目时， AI 似乎会“遗忘”上下文，导致代码回归、引入新 Bug 或生成不符合项目规范的混乱代码。正如研发同学反复出现的挫败感： “代码库越大， AI 弄得越乱”。 这种被称为“Vibe Coding”的模式，是 AI 辅助工程必要的、但也是原始的第—步。它更像—种不可预测的艺术，而非可重复、可扩展的科学。要真正释放 AI 的生产力，我们必须迎来—次范式的进化：从凭感觉的“Vibe Coding” ，转向由规范驱动的（Spec-Driven Development）专业化 AI 工程新范式。 本文将深入探讨如何将强大的
我最开始用Copilot（主要是结合IDE开发时进行代码补全，生成单元测试用例），但是后面又接触了Cursor，发现Cursor比Copilot更加实用，Cursor生成的单元测试用例更加全面。 多以网上查了查资料，这里记录分享一下。 这篇文章资料来自于网络，是对部分知识整理，这里只是记录一下，仅供参考 前言 随着AI技术的爆发式发展，AI编程工具正在重塑软件开发流程。GitHub Copilot作为先驱者长期占据市场主导地位，但新一代工具如Cursor、Windsurf和Trae正以颠覆性创新发起挑战。本文基于多维度实测数据，深度解析三款工具的核心竞争力，揭示AI编程工具的格局演变趋势。 工具定位与核心技术 1. Cursor：智能化的全能助手 基于VS Code生态深度改造，Cursor融合GPT-4和Claude 3.5模型，支持自然语言转代码生成、跨文件智能补全和自动文档生成。其核心优势在于： * 上下文感知能力：可同时分析10+个关联文件的语义逻辑 * Agent模
在昇腾 NPU 上跑 Llama 大模型：从 “踩坑到通关” 的搞笑实战记 本文分享了在昇腾 NPU 上部署测试 Llama-2-7B 大模型的全过程。提供踩坑经验。作者因其他硬件价格高、服务器昂贵，选择昇腾 NPU，其自主可控的达芬奇架构、完善的开源生态及 GitCode 免费测试资源是主要吸引力。文中详细介绍了 GitCode 上创建昇腾 Notebook 实例的关键配置、环境验证方法，以及安装 transformers 库、下载部署模型的步骤，还记录了遇到的 “torch.npu 找不到”“模型下载需权限” 等四个常见问题及解决方案。通过测试英文生成、中文对话、代码生成三种场景，得出 16-17 tokens/s 的吞吐量，虽低于预期但性能稳定，并给出使用 MindSpeed-LLM 框架、
文章目录 * 🤯 为什么你需要关注llama.cpp？ * 🚀 手把手实战：十分钟跑通模型 * 第一步：准备战场环境 * 第二步：获取模型文件（关键！） * 第三步：启动模型交互！ * 🛠️ 高级玩法解锁 * 💡 我的深度体验报告 * 👍 真香时刻 * 🤔 遇到的坑 * 🌟 超实用场景推荐 * 🔮 未来展望：CPU的逆袭？ 还在为没显卡跑不动AI模型发愁？这个开源项目让我的旧笔记本起死回生了！ 朋友们！今天要分享一个让我拍桌子叫绝的开源神器——llama.cpp。当初看到这个项目时我整个人都惊呆了：纯C++实现！不需要GPU！普通CPU就能跑！ 作为一个常年被显卡价格PUA的程序员，这简直是救命稻草啊！ 🤯 为什么你需要关注llama.cpp？ 先说说我踩过的坑吧。去年想在家折腾开源大模型，结果： * 显卡要求动不动就16G显存（我的1060直接哭晕） * 装依赖环境能折腾一整天（Python版本地狱啊！） * 跑个7B模型风扇像直升机起飞（邻居以为我在挖矿） 直到发现了Georgi Gergan