小白也能玩转AI代理：AutoGen Studio+Qwen3-4B保姆级教程

小白也能玩转AI代理：AutoGen Studio+Qwen3-4B保姆级教程

1. 引言

随着大模型技术的普及，构建具备自主决策能力的AI代理（AI Agent）已不再是科研实验室的专属。然而，对于大多数开发者尤其是初学者而言，从零搭建多智能体系统仍面临环境配置复杂、模型调用繁琐、工具集成困难等挑战。

AutoGen Studio 的出现极大降低了这一门槛。它是一个基于 AutoGen AgentChat 构建的低代码开发平台，允许用户通过图形化界面快速创建、组合和调试 AI 代理团队。结合本地部署的高性能开源大模型 Qwen3-4B-Instruct-2507，开发者可以在保障数据隐私的前提下，实现高效、低成本的 AI 应用开发。

本文将带你从零开始，使用内置 vLLM 加速的 Qwen3-4B 模型服务镜像，完成 AutoGen Studio 的完整配置与实战应用，即使是技术新手也能轻松上手。

2. 环境准备与验证

在开始构建 AI 代理前，需确保本地大模型服务已正确启动并可被 AutoGen Studio 调用。

2.1 验证 vLLM 模型服务状态

本镜像已预装 vLLM 并自动加载 Qwen3-4B-Instruct-2507 模型。可通过以下命令查看服务日志，确认模型是否成功加载：

cat /root/workspace/llm.log

若日志中出现类似Uvicorn running on http://0.0.0.0:8000及模型加载完成的提示，则表示服务已就绪。vLLM 提供了高效的推理加速能力，为后续的 AI 代理交互提供稳定支持。

2.2 使用 WebUI 进行初步调用测试

打开 AutoGen Studio 的 Web 界面，进入Playground页面，尝试直接向模型发起提问，如输入“你好，请介绍一下你自己”。

如果能够收到由 Qwen3-4B 模型生成的合理回复，说明基础模型服务通信正常，可以进入下一步的代理配置。

3. 核心组件配置详解

AutoGen Studio 的核心由三大模块构成：Models（模型）、Agents（代理）和Skills（技能）。我们将逐一进行配置。

3.1 配置模型连接：对接本地 Qwen3-4B

要让 AI 代理使用本地部署的 Qwen3-4B 模型，需在 Models 中添加自定义模型配置。

3.1.1 创建新模型

1. 点击左侧导航栏的Models
2. 点击New Model
3. 选择模型客户端类型为OpenAI（兼容 OpenAI API 格式的本地服务）

3.1.2 填写模型参数

在弹出的配置窗口中填写以下信息：

• Model:Qwen3-4B-Instruct-2507
• API Key: 可任意填写（本地服务无需真实密钥）
• Base URL:http://localhost:8000/v1
• Description: 描述为“本地vLLM部署的Qwen3-4B”

点击Test Model，若返回“Model tested successfully”，则表示连接成功。

关键说明：Base URL 指向本地运行的 vLLM 服务端点，其兼容 OpenAI API 接口规范，因此可无缝接入 AutoGen Studio。

3.2 构建功能技能：赋予代理实际能力

技能（Skills）是 AI 代理执行具体任务的代码单元。我们以“密码加密 + LDAP 登录”为例，演示如何添加自定义技能。

3.2.1 添加 encrypt_password 技能

1. 点击Skills→New Skill
2. 命名为encrypt_password，描述相同
3. 在代码区输入以下 Python 函数：

import base64 from cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modes from cryptography.hazmat.backends import default_backend def encrypt_password(passwd, logger=None): """ 使用AES/CBC/PKCS5Padding方式加密密码并转为Base64编码 """ backend = default_backend() KEY = b'l32DoqKUYQP0N7e1' # 固定密钥 IV = b'132b0c8a7a6e072e' # 初始化向量 cipher = Cipher(algorithms.AES(KEY), modes.CBC(IV), backend=backend) # UTF-8编码并PKCS5填充 data_bytes = passwd.encode('utf-8') pad_len = 16 - (len(data_bytes) % 16) padded_data = data_bytes + bytes([pad_len]) * pad_len encryptor = cipher.encryptor() encrypted = encryptor.update(padded_data) + encryptor.finalize() result = base64.b64encode(encrypted).decode('utf-8') if logger: logger.info(f"密码加密完成: {result}") return result

4. 点击Save Skill

3.2.2 添加 login_ldap 技能

同样方式新建名为login_ldap的技能，代码如下：

import requests import json def login_ldap(userName, password): """ 调用LDAP认证接口完成登录 """ headers = {"client-id": "sptp"} data = {"username": userName, "password": password} try: response = requests.post( "http://10.37.11.29:8000/auth/api/v1/login", headers=headers, data=data, timeout=10 ) return response.json() except Exception as e: return {"error": str(e)}

保存后，两个技能将出现在技能列表中，可供代理调用。

3.3 配置智能代理：绑定模型与技能

代理是执行任务的主体。我们需要配置user_proxy和default_assistant两个核心代理。

3.3.1 设置 user_proxy

该代理代表用户，负责接收输入并触发对话流程。

1. 点击Agents→user_proxy
2. 进入Models选项卡
3. 选择之前配置的Qwen3-4B-Instruct-2507模型
4. 保存

3.3.2 配置 default_assistant

这是主智能体，将调用技能完成复杂任务。

1. 点击default_assistant
2. 在Models中选择Qwen3-4B-Instruct-2507
3. 切换到Skills选项卡
4. 勾选encrypt_password和login_ldap
5. 保存

此时，default_assistant已具备调用本地模型和执行加密登录的能力。

4. 构建工作流与会话测试

完成基础组件配置后，需定义任务流程并通过会话验证效果。

4.1 创建自治型工作流

1. 点击Workflows→New Workflow
2. 选择Autonomous (Chat)模式
3. 填写配置：
   • Workflow Name:login_workflow
   • Description:实现用户登录自动化
   • Summary Method:llm（由大模型生成总结）
4. 点击Create Workflow

4.2 配置工作流参与者

在新建的工作流中：

• Initiator（发起者）:user_proxy
• Receiver（接收者）:default_assistant

这表示用户输入将交由助手代理处理，并自动调用相关技能完成任务。

4.3 启动会话进行功能验证

1. 进入Playground
2. 点击New Session
3. 选择工作流login_workflow，命名会话为test_login
4. 点击Create
5. 在聊天框中输入以下自然语言指令：

请帮我登录性能测试平台： 1. 用户名：zhangsan 2. 密码：mypassword123 3. 需先对密码进行AES加密 4. 使用加密后的密码调用LDAP登录接口 5. 将最终登录结果返回给我

4.4 观察执行过程与结果

系统将自动执行以下步骤：

1. default_assistant解析任务需求
2. 调用encrypt_password("mypassword123")获取加密串
3. 使用加密结果调用login_ldap("zhangsan", "加密后字符串")
4. 接收接口响应并格式化输出

最终你将在界面上看到完整的执行日志和返回结果，表明 AI 代理已成功完成端到端的任务闭环。

5. 总结

本文详细介绍了如何利用 AutoGen Studio 与本地部署的 Qwen3-4B-Instruct-2507 模型，构建一个具备实际业务能力的 AI 代理系统。通过低代码界面，我们完成了模型接入、技能扩展、代理配置和工作流编排的全流程操作。

这种本地化 AI 代理方案具有显著优势：

1. 数据安全可控：所有敏感信息（如密码）均在本地处理，不外泄至第三方云服务。
2. 成本效益高：一次部署即可长期使用，避免按 token 计费的高昂成本。
3. 灵活可扩展：通过添加新技能，可快速适配各类企业内部系统集成需求。
4. 开发效率提升：非专业开发者也能通过图形化界面实现复杂自动化逻辑。

未来，你可以进一步探索多代理协作、动态角色切换、长期记忆管理等高级功能，构建更强大的智能体团队。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。