Lagent 自定义你的 Agent 智能体--书生·浦语实战系列

一：概述

        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。Lagent不仅允许开发者使用Python语言编写智能体逻辑，还提供了一些典型工具来增强大语言模型的能力。通过Lagent，用户可以构建出功能强大的智能代理，应用于智能客服、智能办公、行业智能应用等多个场景。

        它具有轻量级、高效推理引擎、多代理支持、易扩展性、可视化编辑的特点。

  Lagent 目前已经支持了包括 AutoGPT、ReAct 等在内的多个经典智能体范式，也支持了如下工具：

        它的基本结构如下图所示：

二：具体说明

        <1>环境配置

                        1.1 开发机的创建，详细过程如下图所示：
                                

                1.2 然后打开创建好的开发机，配置Lagent环境

                        

conda create -n agent_camp3 python=3.10 -y
# 激活环境
conda activate agent_camp3
# 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 lmdeploy==0.5.2

        

        

        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_camp3
cd /root/agent_camp3
git clone https://github.com/InternLM/lagent.git
cd lagent && git checkout 81e7ace && pip install -e . && cd ..
pip install griffe==0.48.0

      <2> Lagent Web Demo 使用

                使用 Lagent 的 Web Demo 来体验 InternLM2.5-7B-Chat 的智能体能力。

首先，我们先使用 LMDeploy 部署 InternLM2.5-7B-Chat，并启动一个 API Server。

conda activate agent_camp3
lmdeploy serve api_server /share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat --model-name internlm2_5-7b-chat

        接下来我们在另一个窗口中启动Lagent的Web Demo

        在等待两个 server 都完全启动（如下图所示）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 -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p <你的 SSH 端口号>

        运行之后的效果如下所示，第一次跑你可能不太熟悉，然后这个端口号一定要修改好，要不然会报错，我就遇到了一个报错，报错如下所示：

ImportError: cannot import name 'AutoRegister' from 'class_registry' (/root/.conda/envs/agent_camp3/lib/python3.10/site-packages/class_registry/__init__.py)
Traceback:
File "/root/.conda/envs/agent_camp3/lib/python3.10/site-packages/streamlit/runtime/scriptrunner/exec_code.py", line 88, in exec_func_with_error_handling
    result = func()
File "/root/.conda/envs/agent_camp3/lib/python3.10/site-packages/streamlit/runtime/scriptrunner/script_runner.py", line 590, in code_to_exec
    exec(code, module.__dict__)
File "/root/agent_camp3/lagent/examples/internlm2_agent_web_demo.py", line 8, in <module>
    from lagent.actions import ActionExecutor, ArxivSearch, IPythonInterpreter
File "/root/agent_camp3/lagent/lagent/__init__.py", line 2, in <module>
    from .actions import *  # noqa: F401, F403
File "/root/agent_camp3/lagent/lagent/actions/__init__.py", line 3, in <module>
    from .action_executor import ActionExecutor
File "/root/agent_camp3/lagent/lagent/actions/action_executor.py", line 4, in <module>
    from .base_action import BaseAction
File "/root/agent_camp3/lagent/lagent/actions/base_action.py", line 14, in <module>
    from class_registry import AutoRegister, ClassRegistry

        

                <3>自定义Lagent智能体                                

                使用 Lagent 自定义工具主要分为以下几步：

1. 继承 类BaseAction
2. 实现简单工具的 方法；或者实现工具包内每个子工具的功能run
3. 简单工具的 方法可选被 装饰；工具包内每个子工具的功能都需要被 装饰runtool_apitool_api

下面我们将实现一个调用 MagicMaker API 以完成文生图的功能。

        首先，我们先来创建工具文件：

cd /root/agent_camp3/lagent
touch lagent/actions/magicmaker.py

        然后，我们将下面的代码复制进入/root/agent_camp3/lagent/lagent/actions/magicmaker.py

import json
import requests

from lagent.actions.base_action import BaseAction, tool_api
from lagent.actions.parser import BaseParser, JsonParser
from lagent.schema import ActionReturn, ActionStatusCode


class MagicMaker(BaseAction):
    styles_option = [
        'dongman',  # 动漫
        'guofeng',  # 国风
        'xieshi',   # 写实
        'youhua',   # 油画
        'manghe',   # 盲盒
    ]
    aspect_ratio_options = [
        '16:9', '4:3', '3:2', '1:1',
        '2:3', '3:4', '9:16'
    ]

    def __init__(self,
                 style='guofeng',
                 aspect_ratio='4:3'):
        super().__init__()
        if style in self.styles_option:
            self.style = style
        else:
            raise ValueError(f'The style must be one of {self.styles_option}')
        
        if aspect_ratio in self.aspect_ratio_options:
            self.aspect_ratio = aspect_ratio
        else:
            raise ValueError(f'The aspect ratio must be one of {aspect_ratio}')
    
    @tool_api
    def generate_image(self, keywords: str) -> dict:
        """Run magicmaker and get the generated image according to the keywords.

        Args:
            keywords (:class:`str`): the keywords to generate image

        Returns:
            :class:`dict`: the generated image
                * image (str): path to the generated image
        """
        try:
            response = requests.post(
                url='https://magicmaker.openxlab.org.cn/gw/edit-anything/api/v1/bff/sd/generate',
                data=json.dumps({
                    "official": True,
                    "prompt": keywords,
                    "style": self.style,
                    "poseT": False,
                    "aspectRatio": self.aspect_ratio
                }),
                headers={'content-type': 'application/json'}
            )
        except Exception as exc:
            return ActionReturn(
                errmsg=f'MagicMaker exception: {exc}',
                state=ActionStatusCode.HTTP_ERROR)
        image_url = response.json()['data']['imgUrl']
        return {'image': image_url}

最后，我们修改 来适配我们的自定义工具。/root/agent_camp3/lagent/examples/internlm2_agent_web_demo.py

1. 在 的下一行添加from lagent.actions import ActionExecutor, ArxivSearch, IPythonInterpreterfrom lagent.actions.magicmaker import MagicMaker
2. 在第27行添加 。MagicMaker()

        

from lagent.actions import ActionExecutor, ArxivSearch, IPythonInterpreter
+ from lagent.actions.magicmaker import MagicMaker
from lagent.agents.internlm2_agent import INTERPRETER_CN, META_CN, PLUGIN_CN, Internlm2Agent, Internlm2Protocol

...
        action_list = [
            ArxivSearch(),
+             MagicMaker(),
        ]

        接下来启动Web Demo来体验一下：
这个启动方式和上面一样。

        注意生成的图片需要在浏览器复制访问。

        

        发现两个请求都可以实现，可以一次选择多个插件。

下面再来几个提问：

        

        

                        发现这个结果并不太理想。

        到此为止，这个自定义Lagent智能体就完成了！！