地震可视化AI代理

想象一下，拥有一个AI助手，它可以自动收集全球地震数据，分析模式，并生成漂亮的可视化效果——所有这些都不需要人工干预。在这篇全面的指南中，我们将使用smolagents构建这样一个系统，Hugging Face的最小化但功能强大的框架用于创建AI代理。

我们将创建一个“地震可视化代理”，该代理可以：

搜索实时地震数据
处理复杂的地质数据集
生成交互式世界地图
自主处理错误恢复

通过本教程的结束，你不仅会有一个工作的地震可视化系统，还会理解构建可靠AI代理的基本概念。

1、理解LLM代理：从简单生成到复杂操作

在探索SmoLAgents之前，了解大型语言模型（LLM）代理的重要性是很重要的。LLMs已经超越了简单的文本生成，积极地参与工作流，代理的存在存在于一个光谱上：

简单处理器：LLM生成文本而不控制程序流程
路由器：输出引入基本控制流（if/else决策）
工具调用：LLM可以确定要使用的函数及其适当的参数
多步代理：LLM管理迭代过程和工作流循环
多代理系统：多个专业代理协作完成复杂目标

我们的地震可视化系统展示了“多代理系统”级别的例子，其中专门的代理协调以完成复杂的科学可视化任务。

2、为什么选择smolagents？

SmoLAgents作为我们地震项目的最佳选择，因为它采用了一种革命性的方法来处理代理动作：

2.1 代码代理：思考Python，而不是JSON

传统框架表示动作为JSON：

{"tool": "web_search", "args": {"query": "earthquake data USGS"}}

SmoLAgents的CodeAgent将动作表达为可执行代码：

results = web_search("earthquake data USGS")  
df = pd.DataFrame(parse_json(results))

这种基于代码的方法提供了“代码的优势”——LLMs经过大量训练，减少了语法错误，并直接在动作中启用复杂推理。研究表明，代码代理在复杂基准测试中实现了30%更少的LLM调用和更好的性能。

2.2 为Hugging Face生态系统而建

与Hugging Face模型、工具和Hub无缝集成意味着你可以：

使用任何LLM（从开源到专有）
在项目之间共享和重用工具
利用社区生态系统

3、架构概述

我们的地震可视化代理展示了真正的多代理系统，具有两个专门的代理：

3.1 地震网络代理

目的：数据收集专家职责：

搜索地震数据源
从USGS/EMSC API提取数据
解析并结构化原始地质数据

3.2 地震管理代理

目的：协调和可视化管理职责：

协调网络代理
处理和分析数据
创建可视化
管理错误恢复

这种多代理架构展示了任务分工和专业化——每个代理都有明确的职责，这导致了更可靠和可维护的系统。

4、实现深入探讨

4.1 设置基础

让我们建立必要的核心基础设施：

from smolagents import tool, Tool, CodeAgent, OpenAIServerModel  
from tavily import TavilyClient  
import plotly.express as px  
import pandas as pd

4.2 创建智能工具

工具是使我们的代理与现实世界互动的基础构建块：

@tool  
def web_search(query: str) -> str:  
    """搜索地震数据。  

    使用Tavily进行具有地质学重点的智能网络搜索。  
    """  
    tavily_client = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))  
    response = tavily_client.search(query)  
    return str(response["results"])  

class VisitWebpageTool(Tool):  
    name = "visit_webpage"  
    description = "读取有关地质数据的网页内容"  
    inputs = {"url": {"type": "string", "description": "地震数据源的URL"}}  
    output_type = "string"  

    def forward(self, url: str) -> str:  
        # 高级错误处理和内容提取  
        try:  
            response = requests.get(url, timeout=20)  
            markdown_content = markdownify(response.text).strip()  
            return truncate_content(markdown_content, 40000)  
        except requests.exceptions.Timeout:  
            return "请求超时"  
        except Exception as e:  
            return f"错误: {str(e)}"

注意我们是如何实施稳健的错误处理的——这是生产就绪代理的关键方面。

4.3 配置网络代理

我们的网络代理针对数据收集进行了优化，具有精心选择的权限：

quake_web_agent = CodeAgent(  
    model=OpenAIServerModel("gpt-4.1-2025-04-14", max_completion_tokens=8096),  
    tools=[web_search, VisitWebpageTool()],  
    additional_authorized_imports=[  
        "geopandas", "plotly", "numpy", "pandas", "requests"  
    ],  
    max_steps=10,  
    name="quake_web_agent",  
    description="从网络来源收集实时地震数据"  
)

关键配置决策：

模型选择：GPT-4用于复杂推理
令牌限制：增加以处理大量数据
授权导入：仔细选择的数据科学库
步骤限制：防止无限循环

4.4 构建经理代理

经理展示了分层代理系统的强大功能：

quake_manager = CodeAgent(  
    model=OpenAIServerModel("gpt-4.1-2025-04-14", max_tokens=8096),  
    tools=[],  
    managed_agents=[quake_web_agent],  
    planning_interval=5,  
    verbosity_level=2,  
    max_steps=15  
)

这种设置体现了多代理协作模式，其中专门的代理协同工作以实现复杂目标。

5、代理的思维-行动过程

让我们分析我们的多步骤代理如何通过地震可视化任务进行推理：

5.1 数据源选择

这展示了SmoLAgents代理如何将思想转化为可执行代码而不是JSON，从而实现更自然和强大的动作表达。

5.2 数据转换

代理自主地将数据结构化为可视化要求，显示直接编码在可执行动作中的复杂推理。

5.3 错误处理和恢复

这展示了代理的能力：

从执行日志中识别错误模式
制定适当解决方案
自主实施修复

5.4 可视化创建

代理正确地将可视化要求映射到执行，展示了代码代理在处理复杂工作流方面的力量。

5.5 性能分析

📊 数据处理：~10,000次地震，4个步骤
🔄 错误恢复：自动修复幅度问题
🚀 LLM令牌使用：通过基于代码的动作优化
✨ 可视化质量：出版就绪的交互式地图
⏱️ 总执行时间：<1分钟

6、高级多代理功能

6.1 工具整合

遵循效率原则，考虑结合相关工具：

@tool  
def get_seismic_data(source: str = "USGS", time_range: str = "month") -> pd.DataFrame:  
    """从指定来源获取并解析地震数据"""  
    # 结合功能进行数据检索和解析  
    pass

6.2 扩展视觉功能

SmoLAgents支持多模态功能，允许：

vision_agent = CodeAgent(  
    model=vision_model,  
    tools=[image_analysis_tool],  
    description="分析地震可视化以获得见解"  
)

7、结束语

使用SmoLAgents构建地震可视化代理展示了从简单的LLM文本生成到复杂的多代理系统的演变。通过利用代码代理和最小化抽象的原则，我们创建了一个系统，它展示了从数据收集到自主可视化的真正代理能力。

关键是，当LLMs通过代码而不是JSON进行操作时，它们获得了广泛的培训优势，使得代理开发更加自然和有效。这种方法体现在smolagents中，代表了代理AI系统的未来。

对于完整的代码实现笔记本，请查看代码链接。

原文链接：Autonomous Coding AI Agent using smolagents : Earthquake visualization agent

汇智网翻译整理，转载请标明出处