AgenticRequest
增强模型输出控制能力
通过工程化设计的模型请求方法，实现精确的AI输出控制
核心能力
AgenticRequest 提供强大而易用的AI模型控制能力
结构化输出控制
强大的模型输出控制能力，结构化数据输出成功率超过90%
- 支持复杂嵌套数据结构输出
- 类型安全的输出格式定义
- 自动验证和错误重试机制
思维链推理
支持意图识别、思维链、角色控制等高级AI能力
- Chain-of-Thought推理模式
- 多步骤推理过程可视化
- 推理过程可追踪和调试
ReAct模式
无需特殊接口即可使用ReAct等高级Agent能力
- 推理(Reasoning)和行动(Acting)结合
- 自动工具调用和结果整合
- 支持复杂任务分解执行
开发者友好
直观易用的API设计，工程化的模型请求方法
- 链式调用的流畅API
- 丰富的配置选项
- 完整的类型提示支持
使用示例
简洁的API设计，强大的输出控制能力
Python
import Agently
# 创建Agent实例
agent = (
Agently.create_agent()
.set_settings("current_model", "OpenAI")
.set_settings("model.OpenAI.auth", {"api_key": "your-key"})
)
# 结构化输出示例
result = (
agent
.input("分析这段文本的情感和关键词")
.instruct("文本", "今天天气真好，心情特别棒！")
.output({
"sentiment": ("str", "positive/negative/neutral"),
"keywords": [("str", "关键词列表")],
"confidence": ("float", "置信度0-1之间")
})
.start()
)
print(result)
# 输出: {
# "sentiment": "positive",
# "keywords": ["天气", "心情", "棒"],
# "confidence": 0.95
# }应用场景
数据提取
从非结构化文本中提取结构化数据
示例：从简历中提取姓名、技能、经验等信息
内容分析
对文本进行情感分析、分类等
示例：分析用户评论的情感倾向和关键主题
代码生成
生成符合特定格式的代码
示例：根据需求生成API接口代码
知识问答
基于知识库的精确问答
示例：企业内部知识库智能问答系统
任务规划
将复杂任务分解为可执行步骤
示例：项目管理中的任务分解和排序
决策支持
提供结构化的决策建议
示例：投资决策分析和风险评估