4步搭好AI体育分析系统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球队数据散落在各个体育 API 和 PDF 赛报里手动整理一份赛后分析常常耗掉一个下午。Upsonic 智能体框架——一个帮你用 Python 编排 AI 智能体的开源框架——把取数、分析、写报告串成一次 agent.do(task) 调用。能力速览Upsonic 智能体框架即取即用的能力Agent Task一次调用跑完整分析流程tool 装饰器把现成函数包成可调用工具Memory 记忆跨会话记住分析上下文Team 多智能体多位专家智能体按序协作内置工具库搜索、行情数据 API 开箱接入分阶段实操从单个智能体到多智能体流水线阶段一跑通第一个体育分析任务目标本阶段结束后你有一个能回答比赛数据问题的体育分析助手。先执行pip install upsonic装好框架再写下第一个任务# 省略导入: Agent, Task agent Agent( modelopenai/gpt-4o, name体育数据分析师, instructions你是职业篮球数据分析师先给具体数字再下结论。 ) agent.print_do(Task(description总结过去10场比赛的得分趋势和主要得分手段))效果终端实时打印分析文本把 description 里的换一个问题再跑就会得到新的回答无需任何额外配置。单个智能体会说了再给它接上能摸到真实数据的手脚。阶段二给智能体接上真实数据源目标智能体自动调用搜索和行情 API 取数不再凭空作答。common_tools/ 里的工具开箱即用实例直接塞进 tools 参数# 省略导入: Agent, Task from upsonic.tools.common_tools import duckduckgo_search_tool, YFinanceTools agent Agent( modelopenai/gpt-4o, name数据采集智能体, tools[duckduckgo_search_tool, YFinanceTools(enable_allTrue)] ) print(agent.do(Task(description搜索最近一场NBA总决赛的得分数据整理成对比表)))效果运行过程能看到工具调用与最终答案答案里的数据来自真实 API 返回。数据能跑通后再让它记住上一轮的结论。阶段三配通跨会话分析记忆目标第二个问题直接承接第一轮分析程序重启后上下文不丢。storage/ 模块用 SqliteStorage 加 Memory 两个类即可组合出持久记忆# 省略导入: Agent, Task from upsonic.storage import Memory, SqliteStorage storage SqliteStorage(db_file./sports_memory.db, agent_sessions_table_namesessions) memory Memory( storagestorage, session_idsports_session_001, user_idcoach_001, full_session_memoryTrue, modelopenai/gpt-4o-mini ) agent Agent(modelopenai/gpt-4o, name数据分析专家, memorymemory) agent.do(Task(description分析球员A过去5场比赛的得分趋势)) agent.do(Task(description结合伤病历史解释得分波动的原因))效果第二个回答会直接引用第一轮的结论数据落在 sports_memory.db 里之后用同一个 session_id 就能找回完整分析历史。复杂分析流水线靠一个智能体不够用了该分工了。阶段四组建多智能体分析流水线目标取数、统计、写稿各由一个专家智能体负责一次调用跑完全流程。team/ 模块的 sequential 模式按顺序执行上一位智能体的产出成为下一位的输入# 省略导入: Agent, Task, Team data_agent Agent(openai/gpt-4o, name数据采集专家, role负责获取比赛原始数据) stat_agent Agent(openai/gpt-4o, name统计分析专家, role负责计算关键指标) report_agent Agent(openai/gpt-4o, name报告撰写专家, role负责输出最终分析报告) team Team(agents[data_agent, stat_agent, report_agent], modesequential) tasks [Task(获取上周联赛的得分数据), Task(基于数据写一份赛后分析报告)] print(team.do(tasks))效果三个智能体依次执行最终打印出来的是一份带数据和结论的完整报告。⚡ 进阶技巧流式输出与自定义分析工具报告边写边看进度把 do 换成 astream 即可文字实时流出# 省略导入: Task, asyncio async def stream_report(): async for chunk in agent.astream(Task(description写出完整的赛后分析报告全文)): print(chunk, end, flushTrue) asyncio.run(stream_report())网球发球效率这类领域指标不必找第三方 API用 tool 把自己的函数包成工具# 省略导入: Agent from upsonic.tools import tool tool def serve_efficiency(first_in: int, total_serve: int) - str: 计算一发得分率衡量发球稳定性的核心指标 rate first_in / total_serve if total_serve else 0 return f一发得分率 {rate:.1%} agent Agent(modelopenai/gpt-4o, tools[serve_efficiency])工具配置项MCP 接入、调用限制等的完整清单见 tools 模块说明。资源导航文档、示例与社区入口官方文档README.md — 安装方式、快速上手与核心能力总览示例代码tests/doc_examples/ — Agent、Team、Memory 各场景的可运行示例社区与贡献CONTRIBUTING.md — 社区渠道、问题反馈与贡献流程从单任务分析到多智能体报告流水线只差几行 do(task)。打开终端跑起你的第一个 Agent。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考