6-LAgent & AgentLego 智能体应用搭建

最新推荐文章于 2024-07-26 13:24:37 发布

wengad

最新推荐文章于 2024-07-26 13:24:37 发布

阅读量611

点赞数 11

分类专栏：书生·浦语工具链大模型文章标签：人工智能语言模型

本文链接：https://blog.csdn.net/wengad/article/details/139567026

版权

大模型同时被 3 个专栏收录

13 篇文章 0 订阅

订阅专栏

书生·浦语

11 篇文章 0 订阅

订阅专栏

工具链

9 篇文章 0 订阅

订阅专栏

LAgent和AgentLego是书生·浦语的智能体框架，本次实践搭建智能体框架并实践相应插件场景。

为什么要有智能体以及什么是智能体

LLM存在一定的局限性，包括：

幻觉：模型因为训练数据的不能全覆盖性，导致模型可能会生成虚拟信息
时效性：用于模型训练的数据过时了，无法反馈最新的趋势和信息等。
可靠性：当模型遇到复杂任务式，可能出现错误输出，无法被信任

智能体定义
智能体能够感知环境中的动态条件，进而能采取动作影响环境，同时能够运用推理能力理解信息、解决问题、生成推断、决定的动作。

智能体的范式：AutoGPT、ReWoo、ReAct

Lagent和LAgentLego

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。
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：

Arxiv 搜索
Bing 地图
Google 学术搜索
Google 搜索
交互式 IPython 解释器
IPython 解释器
PPT
Python 解释器

AgentLego 是一个提供了多种开源工具 API 的多模态工具包，旨在像是乐高积木一样，让用户可以快速简便地拓展自定义工具，从而组装出自己的智能体。通过 AgentLego 算法库，不仅可以直接使用多种工具，也可以利用这些工具，在相关智能体框架（如 Lagent，Transformers Agent 等）的帮助下，快速构建可以增强大语言模型能力的智能体。
AgentLego 目前提供了如下工具：

在这里插入图片描述 LAgent和AgentLego关系

实践

仍然是在internstudio上实践，使用50% A100
https://studio.intern-ai.org.cn/console/instance

创建虚拟环境

mkdir -p /root/agent
studio-conda -t agent -o pytorch-2.1.2

在这里插入图片描述

下载lagent和agentlego工程并安装组件

cd /root/agent
conda activate agent
git clone https://gitee.com/internlm/lagent.git
cd lagent && git checkout 581d9fb && pip install -e . && cd ..


git clone https://gitee.com/internlm/agentlego.git
cd agentlego && git checkout 7769e0d && pip install -e . && cd ..

在这里插入图片描述

安装lmdeploy

本次实践使用lmdeploy来部署LLM，所以要安装lmdeploy

pip install lmdeploy==0.3.0

在这里插入图片描述

下载教程

cd /root/agent
git clone -b camp2 https://gitee.com/internlm/Tutorial.git

实践1-运行Lagent

部署llm，启动api_server

conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \
                            --server-name 127.0.0.1 \
                            --model-name internlm2-chat-7b \
                            --cache-max-entry-count 0.1

在这里插入图片描述

启动WEB-ui

conda activate agent
cd /root/agent/lagent/examples
streamlit run internlm2_agent_web_demo.py --server.address 127.0.0.1 --server.port 7860

在这里插入图片描述
打开本地的cmd，做下端口映射，具体的-p参数根据实际调整

访问WEB

模型IP设置成127.0.0.1:23333，插件选择ArxivSearch
在这里插入图片描述对话提问

实践2-自定义LAgent工具

API key准备

这里我们使用天气查询API,为了获得稳定的天气查询服务，我们首先要获取 API KEY。首先注册用户，打开 https://dev.qweather.com/docs/api/ 后，点击右上角控制台，进入控制台，在项目管理中创建项目；然后查看并复制KEY，备用。
在这里插入图片描述

自定义工具准备

touch /root/agent/lagent/lagent/actions/weather.py

将如下代码贴到weather.py中：

import json
import os
import requests
from typing import Optional, Type

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

class WeatherQuery(BaseAction):
    """Weather plugin for querying weather information."""
    
    def __init__(self,
                 key: Optional[str] = None,
                 description: Optional[dict] = None,
                 parser: Type[BaseParser] = JsonParser,
                 enable: bool = True) -> None:
        super().__init__(description, parser, enable)
        key = os.environ.get('WEATHER_API_KEY', key)
        if key is None:
            raise ValueError(
                'Please set Weather API key either in the environment '
                'as WEATHER_API_KEY or pass it as `key`')
        self.key = key
        self.location_query_url = 'https://geoapi.qweather.com/v2/city/lookup'
        self.weather_query_url = 'https://devapi.qweather.com/v7/weather/now'

    @tool_api
    def run(self, query: str) -> ActionReturn:
        """一个天气查询API。可以根据城市名查询天气信息。
        
        Args:
            query (:class:`str`): The city name to query.
        """
        tool_return = ActionReturn(type=self.name)
        status_code, response = self._search(query)
        if status_code == -1:
            tool_return.errmsg = response
            tool_return.state = ActionStatusCode.HTTP_ERROR
        elif status_code == 200:
            parsed_res = self._parse_results(response)
            tool_return.result = [dict(type='text', content=str(parsed_res))]
            tool_return.state = ActionStatusCode.SUCCESS
        else:
            tool_return.errmsg = str(status_code)
            tool_return.state = ActionStatusCode.API_ERROR
        return tool_return
    
    def _parse_results(self, results: dict) -> str:
        """Parse the weather results from QWeather API.
        
        Args:
            results (dict): The weather content from QWeather API
                in json format.
        
        Returns:
            str: The parsed weather results.
        """
        now = results['now']
        data = [
            f'数据观测时间: {now["obsTime"]}',
            f'温度: {now["temp"]}°C',
            f'体感温度: {now["feelsLike"]}°C',
            f'天气: {now["text"]}',
            f'风向: {now["windDir"]}，角度为 {now["wind360"]}°',
            f'风力等级: {now["windScale"]}，风速为 {now["windSpeed"]} km/h',
            f'相对湿度: {now["humidity"]}',
            f'当前小时累计降水量: {now["precip"]} mm',
            f'大气压强: {now["pressure"]} 百帕',
            f'能见度: {now["vis"]} km',
        ]
        return '\n'.join(data)

    def _search(self, query: str):
        # get city_code
        try:
            city_code_response = requests.get(
                self.location_query_url,
                params={'key': self.key, 'location': query}
            )
        except Exception as e:
            return -1, str(e)
        if city_code_response.status_code != 200:
            return city_code_response.status_code, city_code_response.json()
        city_code_response = city_code_response.json()
        if len(city_code_response['location']) == 0:
            return -1, '未查询到城市'
        city_code = city_code_response['location'][0]['id']
        # get weather
        try:
            weather_response = requests.get(
                self.weather_query_url,
                params={'key': self.key, 'location': city_code}
            )
        except Exception as e:
            return -1, str(e)
        return weather_response.status_code, weather_response.json()

启动api

如果实践的API没停止，请先停止

conda activate agent

lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \
                            --server-name 127.0.0.1 \
                            --model-name internlm2-chat-7b \
                            --cache-max-entry-count 0.1

启动web-ui

# 设置API key环境变量，取值为前面获取到的
export WEATHER_API_KEY=XX  
# 比如 export WEATHER_API_KEY=xxcg
conda activate agent
cd /root/agent/Tutorial/agent
streamlit run internlm2_weather_web_demo.py --server.address 127.0.0.1 --server.port 7860

web-ui访问

可以利用前面的端口映射通道来访问：
其中的插件选择weatherquery
在这里插入图片描述

实践3-AgentLego

下载demo数据

cd /root/agent
wget http://download.openmmlab.com/agentlego/road.jpg

在这里插入图片描述

安装其他组件

conda activate agent
pip install openmim==0.3.9
mim install mmdet==3.3.0

在这里插入图片描述

脚本准备

touch /root/agent/direct_use.py

将以下代码贴到direct_use.py中

import re

import cv2
from agentlego.apis import load_tool

# load tool
tool = load_tool('ObjectDetection', device='cuda')

# apply tool
visualization = tool('/root/agent/road.jpg')
print(visualization)

# visualize
image = cv2.imread('/root/agent/road.jpg')

preds = visualization.split('\n')
pattern = r'(\w+) \((\d+), (\d+), (\d+), (\d+)\), score (\d+)'

for pred in preds:
    name, x1, y1, x2, y2, score = re.match(pattern, pred).groups()
    x1, y1, x2, y2, score = int(x1), int(y1), int(x2), int(y2), int(score)
    cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 1)
    cv2.putText(image, f'{name} {score}', (x1, y1), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 1)

cv2.imwrite('/root/agent/road_detection_direct.jpg', image)

命令执行

python /root/agent/direct_use.py
在这里插入图片描述

目标检测结果

在这里插入图片描述

实践4-作为智能体运行

修改使用的模型

由于 AgentLego 算法库默认使用 InternLM2-Chat-20B 模型，因此我们首先需要修改 /root/agent/agentlego/webui/modules/agents/lagent_agent.py 文件的第 105行位置，将 internlm2-chat-20b 修改为 internlm2-chat-7b，即
在这里插入图片描述

启动API

使用lmdeploy来部署7b模型

conda activate agent

lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \
                            --server-name 127.0.0.1 \
                            --model-name internlm2-chat-7b \
                            --cache-max-entry-count 0.1

在这里插入图片描述 ### 启动web-ui
另外开一个终端，执行如下启动，执行的时候会先安装一些组件，会发现运行会报错，缺少langchain_community组件

conda activate agent
cd /root/agent/agentlego/webui
python one_click.py

在这里插入图片描述执行pip install -U langchain-community后，再运行启动脚本，正常运行：
### 访问WEB-UI并配置agent
使用之前实验建立的端口映射通道访问web-ui

保存后，点击load后，如下：

在这里插入图片描述
save后如下：

对话

点击chat页签，选择tools为ObjectDectection ,点击右下角文件夹以上传图片，上传图片后输入指令并点击 generate 以得到模型回复。模型成功地调用了工具，并详细地告诉了我们图中的内容。
在这里插入图片描述

实践5-自定义AgentLego工具

准备工具脚本

touch /root/agent/agentlego/agentlego/tools/magicmaker_image_generation.py

将如下代码贴到magicmaker_image_generation.py中

import json
import requests

import numpy as np

from agentlego.types import Annotated, ImageIO, Info
from agentlego.utils import require
from .base import BaseTool


class MagicMakerImageGeneration(BaseTool):

    default_desc = ('This tool can call the api of magicmaker to '
                    'generate an image according to the given keywords.')

    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'
    ]

    @require('opencv-python')
    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}')

    def apply(self,
              keywords: Annotated[str,
                                  Info('A series of Chinese keywords separated by comma.')]
        ) -> ImageIO:
        import cv2
        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'}
        )
        image_url = response.json()['data']['imgUrl']
        image_response = requests.get(image_url)
        image = cv2.cvtColor(cv2.imdecode(np.frombuffer(image_response.content, np.uint8), cv2.IMREAD_COLOR),cv2.COLOR_BGR2RGB)
        return ImageIO(image)

注册工具

vi /root/agent/agentlego/agentlego/tools/init.py，增加如下红框的内容：
在这里插入图片描述

运行模型

运行前，确保前面实验的模型运行已经停止，可以杀掉，或者直接复用也可。

conda activate agent
lmdeploy serve api_server /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b \
                            --server-name 127.0.0.1 \
                            --model-name internlm2-chat-7b \
                            --cache-max-entry-count 0.1

运行WEB-UI

conda activate agent
cd /root/agent/agentlego/webui
python one_click.py

访问和设置WEB-UI

使用前面实验的端口映射通道来访问WEB-UI，其中agent使用前面设置的即可。
在这里插入图片描述

TOOLS选择MagicMakerImageGeneration：
在这里插入图片描述

和模型对话

同样在chat页签选择MagicMakerImageGeneration 工具后，输入“请生成一副山水画”等命令，模型将生成图。
在这里插入图片描述

结语

通过本次实验，熟悉了lagent和agentlego的使用和自定义工具功能，进一步体会了书生·浦语工具链的强大。

wengad

关注

11
点赞
踩
29

收藏

觉得还不错? 一键收藏
打赏
0
评论
6-LAgent & AgentLego 智能体应用搭建

幻觉：模型因为训练数据的不能全覆盖性，导致模型可能会生成虚拟信息时效性：用于模型训练的数据过时了，无法反馈最新的趋势和信息等。可靠性：当模型遇到复杂任务式，可能出现错误输出，无法被信任智能体定义智能体能够感知环境中的动态条件，进而能采取动作影响环境，同时能够运用推理能力理解信息、解决问题、生成推断、决定的动作。智能体的范式：AutoGPT、ReWoo、ReAct这里我们使用天气查询API,为了获得稳定的天气查询服务，我们首先要获取 API KEY。
复制链接

扫一扫