企业官网建设流程全解析

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-assistant

Upsonic（GPT-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(model="anthropic/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(storage=InMemoryStorage(), session_id="sports", full_session_memory=True) analyst = Agent(model="anthropic/claude-sonnet-4-5", name="数据分析师", memory=memory) 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 Team

Team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(model="anthropic/claude-sonnet-4-5", name="数据分析师") stat_agent = Agent(model="anthropic/claude-sonnet-4-5", name="战术分析师") report_agent = Agent(model="anthropic/claude-sonnet-4-5", name="报告撰写员") team = Team(entities=[data_agent, stat_agent, report_agent], mode="coordinate") 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(model="anthropic/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