返回首页
回到顶部
闯关关卡
进阶岛 | |||
|---|---|---|---|
| 关卡编号 | 关卡名称 | 关卡资料 | |
| 第2关 | L2G2000 | Lagent 自定义你的Agent智能体 | 任务 https://github.com/InternLM/Tutorial/blob/camp4/docs/L2/Agent/task.md 文档 https://github.com/InternLM/Tutorial/blob/camp4/docs/L2/Agent 视频 |
任务（完成此任务即完成闯关）
使用 Lagent 复现文档中 “制作一个属于自己的Agent” 和 “Multi-Agents博客写作系统的搭建”两部分内容，记录复现过程并截图。
将你的Agent部署到 Hugging Face 或 ModelScope 平台，应用名包含 Lagent 关键词（优秀学员必做）
1 Agent基本介绍
1.1 什么是Agent
Agent是一种能够自主感知环境并根据感知结果采取行动的实体，以感知序列为输入，以动作作为输出的函数。它可以以软件形式（如聊天机器人、推荐系统）存在，也可以是物理形态的机器（如自动驾驶汽车、机器人）。
1.2 Agent的应用场景
Agent技术的应用领域其实十分广泛，涵盖了从交通、医疗到教育、家居和娱乐等生活的方方面面，以下列举2个实际例子。
（1）自动驾驶系统
（2）医疗诊断系统
2 Lagent 介绍
2.1 基础介绍
Lagent是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。
其基本结构如下所示：
2.2 常见工具调用能力范式
2.2.1 通用智能体范式
2.2.2 模型特化智能体范式
3 动手实践
3.1 环境配置
开发机选择 30% A100，镜像选择为 Cuda12.2-conda。
首先来为 Lagent 配置一个可用的环境。
# 创建环境
conda create -n lagent python=3.10 -y
# 激活环境
conda activate lagent
# 安装 torch
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
# 安装其他依赖包
pip install termcolor==2.4.0
pip install streamlit==1.39.0
pip install class_registry==2.1.2
pip install datasets==3.1.0接下来，我们通过源码安装的方式安装 lagent。
# 创建目录以存放代码
mkdir -p /root/agent_camp4
cd /root/agent_camp4
git clone https://github.com/InternLM/lagent.git
cd lagent && git checkout e304e5d && pip install -e . && cd ..
pip install griffe==0.48.0
3.2 Lagent框架中Agent的使用
接下来，我们将使用 Lagent 框架，一步步搭建并使用基于 InternLM2.5 的 Web Demo，体验其强大的智能体功能。
首先，需要申请 API 授权令牌 ，请前往 书生·浦语 API 文档 申请并获取 Authorization 令牌，将其填入后续代码的 YOUR_TOKEN_HERE 变量中。
创建一个代码example，创建agent_api_web_demo.py，在里面实现我们的Web Demo：
conda activate lagent
cd /root/agent_camp4/lagent/examples
touch agent_api_web_demo.py
在终端中记得先将获取的API密钥写入环境变量，然后再输入启动命令：
export token='your_token_here'
streamlit run agent_api_web_demo.py
在等待server启动成功后，我们在 本地 的 PowerShell 中输入如下指令来进行端口映射：
ssh -CNg -L 8501:127.0.0.1:8501 root@ssh.intern-ai.org.cn -p <你的 SSH 端口号>
接下来，在本地浏览器中打开 http://localhost:8501/：
现在将ArxivSearch插件选择上，再次输入指令“帮我搜索一下最新版本的MindSearch论文”，可以看到，通过调用外部工具，大模型成功理解了我们的任务，得到了我们需要的文献：
3.3 制作一个属于自己的Agent
本节将会以实时天气查询为例子，通过调用和风天气API，介绍如何自定义一个自己的Agent。
首先，为了使用和风天气的 API 服务，你需要获取一个 API Key。请按以下步骤操作：
（1）访问 和风天气 API 文档（需要注册账号）。
（2）点击页面右上角的“控制台”。
（3）在控制台中，点击左侧的“项目管理”，然后点击右上角“创建项目”。
（4）输入项目名称（可以使用“Lagent”），选择免费订阅，并在凭据设置中创建新的凭据。
（5）创建后，回到“项目管理”页面，找到你的 API Key 并复制保存。
接着，我们需要在laegnt/actions文件夹下面创建一个天气查询的工具程序。
conda activate lagent
cd /root/agent_camp4/lagent/lagent/actions
touch weather_query.py
export weather_token='your_token_here'
将下面的代码复制进去，注意要将刚刚申请的API Key在终端中输入进去：
在/root/agent_camp4/lagent/lagent/actions/__init__.py中加入下面的代码，用以初始化WeatherQuery方法：
from .weather_query import WeatherQuery
__all__ = [
'BaseAction', 'ActionExecutor', 'AsyncActionExecutor', 'InvalidAction',
'FinishAction', 'NoAction', 'BINGMap', 'AsyncBINGMap', 'ArxivSearch',
'AsyncArxivSearch', 'GoogleSearch', 'AsyncGoogleSearch', 'GoogleScholar',
'AsyncGoogleScholar', 'IPythonInterpreter', 'AsyncIPythonInterpreter',
'IPythonInteractive', 'AsyncIPythonInteractive',
'IPythonInteractiveManager', 'PythonInterpreter', 'AsyncPythonInterpreter',
'PPT', 'AsyncPPT', 'WebBrowser', 'AsyncWebBrowser', 'BaseParser',
'JsonParser', 'TupleParser', 'tool_api', 'WeatherQuery' # 这里
]接下来，我们将修改 Web Demo 脚本来集成自定义的 WeatherQuery 插件。
打开agent_api_web_demo.py, 修改内容如下，目的是将该工具注册进大模型的插件列表中，使得其可以知道。
- from lagent.actions import ArxivSearch
+ from lagent.actions import ArxivSearch, WeatherQuery
- # 初始化插件列表
- action_list = [
- ArxivSearch(),
- ]
+ action_list = [
+ ArxivSearch(),
+ WeatherQuery(),
+ ]再次启动Web程序，streamlit run agent_api_web_demo.py。
这次我们查询一下南京（随便什么城市都行的☀️）的天气，输入命令“帮我查询一下南京现在的天气”。 现在，大模型通过天气查询的API准确地完成了这个任务：
现在，我们将2个插件同时勾选上，用以说明模型具备识别调用不同工具的能力，什么任务对应什么工具来解决。
如果我们再次询问，让其搜索文献，可以看到，模型具备了根据任务情况调用不同工具的能力。
3.4 Multi-Agents博客写作系统的搭建
在这一节中，我们将使用 Lagent 来构建一个多智能体系统 (Multi-Agent System)，展示如何协调不同的智能代理完成内容生成和优化的任务。我们的多智能体系统由两个主要代理组成：
（1）内容生成代理：负责根据用户的主题提示生成一篇结构化、专业的文章或报告。
（2）批评优化代理：负责审阅生成的内容，指出不足，推荐合适的文献，使文章更加完善。
Multi-Agents博客写作系统的流程图如下：
首先，创建一个新的 Python 文件 multi_agents_api_web_demo.py，并进入 lagent 环境：
conda activate lagent
cd /root/agent_camp4/lagent/examples
touch multi_agents_api_web_demo.py
将下面的代码填入multi_agents_api_web_demo.py:
运行streamlit run multi_agents_api_web_demo.py，启动Web服务 输入话题，比如Self-Supervised Learning：
可以看到，Multi-Agents博客写作系统正在按照下面的3步骤，生成、批评和完善内容。
Step 1：写作者根据用户输入生成初稿。
Step 2：批评者对初稿进行评估，提供改进建议和文献推荐（通过关键词触发 Arxiv 文献搜索）。
Step 3：写作者根据批评意见对内容进行改进。
输入一个感兴趣的话题：
第一步生成的结果：
第二步批评和文献检索的结果：
第三步最后完善的内容，可以看到其中包括了检索得到的文献，使得博客内容更加具有可信度。
他的勋章
评论