L2G2-Lagent 自定义你的 Agent 智能体

L2G2-Lagent 自定义你的 Agent 智能体

1. Agent 入门

1.1 Agent 是什么

Agent 的核心是将感知，推理和行动结合成一个闭环。Agent 通过感知器感知外部的环境，获取输入的数据。然后输入数据到某种形式中（比如模型），它负责处理输入数据，制定行动策略。随后执行器根据模型的输出执行操作，比如控制机器人的移动，调用工具完成特定任务。

Agent 有四个基本特性：

1. 自主性：能够独立完成决策；
2. 交互性：与外界环境实时交换信息。
3. 适应性：根据环境变化调整自身行为。
4. 目的性：最重要的特性，Agent 的所有行为都以实现特定目标为导向。

右下角是 Agent 的经典工作组件图：

• 记忆存储：记录历史信息，为未来的决策提供支持。
• 规划模块：回答如何解决问题，以及调用哪些工具。
• 工具集：可以使用的工具的集合，由规划模块需要根据任务选择合适的工具。
• 行动模块：完成最终的操作，形成闭环反馈。

【大模型研讨课第六期（共 10 期）：推理 2】 【精准空降到 43:38】

1.2 LLM 智能体框架——以 Lagent 为例

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。

其基本结构如下所示：

• LLM：大语言模型，中心模块，负责推理规划和生成响应。
• Action Executor：行动执行器，负责支持调用多种外部的工具。比如在 Lagent 中集成了以下工具：
  • 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
  • 等等
• Plan and Action：支持多种推理模式。

LLM智能体典型框架如下图所示：

1.3 常见工具调用能力范式（智能体范式）

1.3.1 通用智能体范式

这种范式强调模型无需依赖特定的特殊标记（special token）来定义工具调用的参数边界。模型依靠其强大的指令跟随与推理能力，在指定的system prompt框架下，根据任务需求自动生成响应。这种方式让模型在推理过程中能更灵活地适应多种任务，不需要对 Tokenizer 进行特殊设计。

优势：

• 灵活适应不同任务，无需设计和维护复杂的标记系统。
• 适合快速迭代，降低微调和部署的复杂性。
• 更易与多模态输入（如文本和图像）结合，扩展模型的通用性。

劣势：

• 由于没有明确标记，调用工具时的错误难以捕捉和纠正。
• 在复杂任务中，模型生成可能不够精准，导致工具调用的准确性下降。

典型例子1：ReAct

将模型的推理分为Reason和Action两个步骤，并让它们交替执行，直到得到最终结果：

• Reason：生成分析步骤，解释当前任务的上下文或状态，帮助模型理解下一步行动的逻辑依据。
• Action：基于 Reason 的结果，生成具体的工具调用请求（如查询搜索引擎、调用 API、数据库检索等），将模型的推理转化为行动。

典型例子2：ReWoo

全称为Reason without Observation，是在 ReAct 范式基础上进行改进的 Agent 架构，针对多工具调用的复杂性与冗余性提供了一种高效的解决方案。相比于 ReAct 中的交替推理和行动，ReWoo直接生成一次性使用的完整工具链，减少了不必要的 Token 消耗和执行时间。同时，由于工具调用的规划与执行解耦，这一范式在模型微调时不需要实际调用工具即可完成。

• Planner：用户输入的问题或任务首先传递给 Planner，Planner 将其分解为多个逻辑上相关的计划。每个计划包含推理部分（Reason）以及工具调用和参数（Execution）。Task List 按顺序列出所有需要执行的任务链。
• Worker：每个 Worker 根据 Task List 中的子任务，调用指定工具并返回结果。所有 Worker 之间通过共享状态保持任务执行的连续性。
• Solver阶段：Worker 完成任务后，将所有结果同步到 Solver。Solver 会对这些结果进行整合，并生成最终的答案或解决方案返回给用户。

1.3.2 模型特化智能体范式

模型特化智能体范式强调在模型的工具调用过程中，使用特定的特殊标记(special tokens )来明确调用的起止点。这些标记通常与模型的 Tokenizer 深度集成，确保在执行特定任务时，能够准确识别并执行相应的工具调用。

优势：

• 特定标记明确工具调用的起止点，提高了调用的准确性。
• 有助于模型在部署过程中避免误调用，增强系统的可控性。
• 提高对复杂调用链的支持，适合复杂任务的场景。

劣势：

• 需要对 Tokenizer 和模型架构进行定制，增加开发和维护成本。
• 调用流程固定，降低了模型的灵活性，难以适应快速变化的任务。

典型例子：IntermLM2

工具调用使用了如 <|plugin|>、<|interpreter|>、<|action_start|> 和 <|action_end|> 等特殊标记，确保每个调用都符合指定的格式。模型在执行任务时，依靠这些标记与系统紧密协作，保障任务的精准执行。文档链接：InternLM-Chat Agent

1.3.3 两种范式的对比

1.4 Lagent 框架中 Agent 的使用

工具调用流程：

1. 用户输入JSON或者字典形式的参数，通过Action Executor传递给工具。
2. Action Executor动态地触发工具并返回结果。
3. 结果以标准形式输出，供Agent使用。

在Lagent中，动作也被成为工具，即下图中的Action Executor模块。

2. 实战1：让大模型学会搜文献

2.1 功能概览

2.2 代码实现

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

Action，也称为工具，Lagent中集成了很多好用的工具，提供了一套LLM驱动的智能体用来与真实世界交互并执行复杂任务的函数，包括谷歌文献检索、Arxiv文献检索、Python编译器等。具体可以查看文档。

让我们来体验一下，让LLM调用Arxiv文献检索这个工具：

在agent_api_web_demo.py中写入下面的代码，这里利用 GPTAPI 类，该类继承自 BaseAPILLM，封装了对 API 的调用逻辑，然后利用Streamlit启动Web服务：

import copy
import os
from typing import List
import streamlit as st
from lagent.actions import ArxivSearch
from lagent.prompts.parsers import PluginParser
from lagent.agents.stream import INTERPRETER_CN, META_CN, PLUGIN_CN, AgentForInternLM, get_plugin_prompt
from lagent.llms import GPTAPIclass SessionState:"""管理会话状态的类。"""def init_state(self):"""初始化会话状态变量。"""st.session_state['assistant'] = []  # 助手消息历史st.session_state['user'] = []  # 用户消息历史# 初始化插件列表action_list = [ArxivSearch(),]st.session_state['plugin_map'] = {action.name: action for action in action_list}st.session_state['model_map'] = {}  # 存储模型实例st.session_state['model_selected'] = None  # 当前选定模型st.session_state['plugin_actions'] = set()  # 当前激活插件st.session_state['history'] = []  # 聊天历史st.session_state['api_base'] = None  # 初始化API base地址def clear_state(self):"""清除当前会话状态。"""st.session_state['assistant'] = []st.session_state['user'] = []st.session_state['model_selected'] = Noneclass StreamlitUI:"""管理 Streamlit 界面的类。"""def __init__(self, session_state: SessionState):self.session_state = session_stateself.plugin_action = []  # 当前选定的插件# 初始化提示词self.meta_prompt = META_CNself.plugin_prompt = PLUGIN_CNself.init_streamlit()def init_streamlit(self):"""初始化 Streamlit 的 UI 设置。"""st.set_page_config(layout='wide',page_title='lagent-web',page_icon='./docs/imgs/lagent_icon.png')st.header(':robot_face: :blue[Lagent] Web Demo ', divider='rainbow')def setup_sidebar(self):"""设置侧边栏，选择模型和插件。"""# 模型名称和 API Base 输入框model_name = st.sidebar.text_input('模型名称：', value='internlm2.5-latest')# ================================== 硅基流动的API ==================================# 注意，如果采用硅基流动API，模型名称需要更改为：internlm/internlm2_5-7b-chat 或者 internlm/internlm2_5-20b-chat# api_base = st.sidebar.text_input(#     'API Base 地址：', value='https://api.siliconflow.cn/v1/chat/completions'# )# ================================== 浦语官方的API ==================================api_base = st.sidebar.text_input('API Base 地址：', value='https://internlm-chat.intern-ai.org.cn/puyu/api/v1/chat/completions')# ==================================================================================# 插件选择plugin_name = st.sidebar.multiselect('插件选择',options=list(st.session_state['plugin_map'].keys()),default=[],)# 根据选择的插件生成插件操作列表self.plugin_action = [st.session_state['plugin_map'][name] for name in plugin_name]# 动态生成插件提示if self.plugin_action:self.plugin_prompt = get_plugin_prompt(self.plugin_action)# 清空对话按钮if st.sidebar.button('清空对话', key='clear'):self.session_state.clear_state()return model_name, api_base, self.plugin_actiondef initialize_chatbot(self, model_name, api_base, plugin_action):"""初始化 GPTAPI 实例作为 chatbot。"""token = os.getenv("token")if not token:st.error("未检测到环境变量 `token`，请设置环境变量，例如 `export token='your_token_here'` 后重新运行 X﹏X")st.stop()  # 停止运行应用# 创建完整的 meta_prompt，保留原始结构并动态插入侧边栏配置meta_prompt = [{"role": "system", "content": self.meta_prompt, "api_role": "system"},{"role": "user", "content": "", "api_role": "user"},{"role": "assistant", "content": self.plugin_prompt, "api_role": "assistant"},{"role": "environment", "content": "", "api_role": "environment"}]api_model = GPTAPI(model_type=model_name,api_base=api_base,key=token,  # 从环境变量中获取授权令牌meta_template=meta_prompt,max_new_tokens=512,temperature=0.8,top_p=0.9)return api_modeldef render_user(self, prompt: str):"""渲染用户输入内容。"""with st.chat_message('user'):st.markdown(prompt)def render_assistant(self, agent_return):"""渲染助手响应内容。"""with st.chat_message('assistant'):content = getattr(agent_return, "content", str(agent_return))st.markdown(content if isinstance(content, str) else str(content))def main():"""主函数，运行 Streamlit 应用。"""if 'ui' not in st.session_state:session_state = SessionState()session_state.init_state()st.session_state['ui'] = StreamlitUI(session_state)else:st.set_page_config(layout='wide',page_title='lagent-web',page_icon='./docs/imgs/lagent_icon.png')st.header(':robot_face: :blue[Lagent] Web Demo ', divider='rainbow')# 设置侧边栏并获取模型和插件信息model_name, api_base, plugin_action = st.session_state['ui'].setup_sidebar()plugins = [dict(type=f"lagent.actions.{plugin.__class__.__name__}") for plugin in plugin_action]if ('chatbot' not in st.session_state ormodel_name != st.session_state['chatbot'].model_type or'last_plugin_action' not in st.session_state orplugin_action != st.session_state['last_plugin_action'] orapi_base != st.session_state['api_base']    ):# 更新 Chatbotst.session_state['chatbot'] = st.session_state['ui'].initialize_chatbot(model_name, api_base, plugin_action)st.session_state['last_plugin_action'] = plugin_action  # 更新插件状态st.session_state['api_base'] = api_base  # 更新 API Base 地址# 初始化 AgentForInternLMst.session_state['agent'] = AgentForInternLM(llm=st.session_state['chatbot'],plugins=plugins,output_format=dict(type=PluginParser,template=PLUGIN_CN,prompt=get_plugin_prompt(plugin_action)))# 清空对话历史st.session_state['session_history'] = []if 'agent' not in st.session_state:st.session_state['agent'] = Noneagent = st.session_state['agent']for prompt, agent_return in zip(st.session_state['user'], st.session_state['assistant']):st.session_state['ui'].render_user(prompt)st.session_state['ui'].render_assistant(agent_return)# 处理用户输入if user_input := st.chat_input(''):st.session_state['ui'].render_user(user_input)# 调用模型时确保侧边栏的系统提示词和插件提示词生效res = agent(user_input, session_id=0)st.session_state['ui'].render_assistant(res)# 更新会话状态st.session_state['user'].append(user_input)st.session_state['assistant'].append(copy.deepcopy(res))st.session_state['last_status'] = Noneif __name__ == '__main__':main()

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' # 也可以在.bashrc中写入，然后source执行
streamlit run agent_api_web_demo.py

启动成功：

接下来在vscode的终端中做端口映射，streamlit默认是8501端口：

然后直接点击终端中的Local URL即可在本地浏览器打开网页：

页面的侧边栏有三个内容，分别是模型名称、API Base地址和插件选择，其中如果采用浦语的API，模型名称可以选择internlm2.5-latest，默认指向最新发布的 InternLM2.5 系列模型，

备注： 如果采用硅基流动API，模型名称需要更改为：internlm/internlm2_5-7b-chat 或者 internlm/internlm2_5-20b-chat。

未开启ArxivSearch插件时，让模型“帮我搜索最新的Multilingual clip Embedding模型”。

得到结果如下：它会给出截止最后的更新日期（2023年4月）的论文，但本文写作时间已经是2025年2月23日了。

开启ArxivSearch插件，再次提问：

得到了最新的论文。

3. 实战2：自定义大模型天气助手

3.1 功能概览

3.2 代码实现

在完成了上面的内容后，可能就会同学好奇了，那么我应该如何基于Lagent框架实现一个自己的工具，赋予LLM额外的能力？ 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。

Lagent 框架的工具部分文档可以在此处查看：Lagent 工具文档。

使用 Lagent 自定义工具主要分为以下3步：

（1）继承 BaseAction 类

（2）实现简单工具的 run 方法；或者实现工具包内每个子工具的功能

（3）简单工具的 run 方法可选被 tool_api 装饰；工具包内每个子工具的功能都需要被 tool_api 装饰

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。

在~/.bashrc中export weather_token="your api key"，并source ~/.bashrc执行。

[!caution]

export语句是shell语法，在等号两边不能加空格。

export weather_token="you_api_key"

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

贴入如下python代码：

import os
import requests
from lagent.actions.base_action import BaseAction, tool_api
from lagent.schema import ActionReturn, ActionStatusCodeclass WeatherQuery(BaseAction):def __init__(self):super().__init__()self.api_key = os.getenv("weather_token")print(self.api_key)if not self.api_key:raise EnvironmentError("未找到环境变量 'token'。请设置你的和风天气 API Key 到 'weather_token' 环境变量中，比如export weather_token='xxx' ")@tool_apidef run(self, location: str) -> dict:"""查询实时天气信息。Args:location (str): 要查询的地点名称、LocationID 或经纬度坐标（如 "101010100" 或 "116.41,39.92"）。Returns:dict: 包含天气信息的字典* location: 地点名称* weather: 天气状况* temperature: 当前温度* wind_direction: 风向* wind_speed: 风速（公里/小时）* humidity: 相对湿度（%）* report_time: 数据报告时间"""try:# 如果 location 不是坐标格式（例如 "116.41,39.92"），则调用 GeoAPI 获取 LocationIDif not ("," in location and location.replace(",", "").replace(".", "").isdigit()):# 使用 GeoAPI 获取 LocationIDgeo_url = f"https://geoapi.qweather.com/v2/city/lookup?location={location}&key={self.api_key}"geo_response = requests.get(geo_url)geo_data = geo_response.json()if geo_data.get("code") != "200" or not geo_data.get("location"):raise Exception(f"GeoAPI 返回错误码：{geo_data.get('code')} 或未找到位置")location = geo_data["location"][0]["id"]# 构建天气查询的 API 请求 URLweather_url = f"https://devapi.qweather.com/v7/weather/now?location={location}&key={self.api_key}"response = requests.get(weather_url)data = response.json()# 检查 API 响应码if data.get("code") != "200":raise Exception(f"Weather API 返回错误码：{data.get('code')}")# 解析和组织天气信息weather_info = {"location": location,"weather": data["now"]["text"],"temperature": data["now"]["temp"] + "°C", "wind_direction": data["now"]["windDir"],"wind_speed": data["now"]["windSpeed"] + " km/h",  "humidity": data["now"]["humidity"] + "%","report_time": data["updateTime"]}return {"result": weather_info}except Exception as exc:return ActionReturn(errmsg=f"WeatherQuery 异常：{exc}",state=ActionStatusCode.HTTP_ERROR)

其中，WeatherQuery 类继承自 BaseAction，这是 Lagent 的基础工具类，提供了工具的框架逻辑。tool_api 是一个装饰器，用于标记工具中具体执行逻辑的函数，使得 Lagent 智能体能够调用该方法执行任务。run 方法是工具的主要逻辑入口，通常会根据输入参数完成一项任务并返回结果。

在具体函数实现上，利用GeoAPI 获取 LocationID，当用户输入的 location 不是经纬度坐标格式（如 116.41,39.92），则使用和风天气的 GeoAPI 将位置名转换为 LocationID，并通过 Weather API 获取目标位置的实时天气数据。最后，解析返回的 JSON 数据，并格式化为结构化字典：

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 # 新增这行
__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' # 新增这里
]

接下来，我们将修改 2.2小节中的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。

可以看到左侧的插件栏多了天气查询插件，我们首先输入命令“帮我查询一下厦门现在的天气”，可以看到模型无法知道现在的实时天气情况。

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。

这次我们查询一下厦门（随便什么城市都行的☀️）的天气，输入命令“帮我查询一下厦门现在的天气”。 现在，大模型通过天气查询的API准确地完成了这个任务：

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。

4. 实战3：Multi-Agents博客写作系统的搭建

4.1 功能概览

4.2 代码实现

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（作家）：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（评论家）：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Multilingual clip Embedding model：

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。

可以看到，我们的agent还是有很大不足，并未没有找到合适的论文来修改。

5. Huggingface Spaces 部署Agent

小伙伴们可能在将 agent 的代码部署到 Huggingface Spaces 时遇到了一些困难，比如我不想让别人看到我的 api_key 但我又不知道环境变量怎么设？agent 的 demo 里引用了别的代码的内容，有没有比较方便的办法保留原本的文档结构，直接把天气和博客两个代码一锅端一块儿提交？接下来将手把手教大家解决上面两个痛点。

5.1 Spaces本地设置环境变量

首先创建一个新的Spaces，SDK 选择 Streamlit，点击 Create Spaces

然后就会跳转到如下页面，点击右上角 Settings

然后往下翻，找到 Variables and secrets，找到右上角创建 New secret

这里我们输入两个 api_key，一个是 token ——你的浦语/硅基流动 api，一个是 weather_token ——你的和风天气 api，要注意名称不要写错。

然后点击 Save 就保存好你的密钥了。

Secrets 和 Variables的区别：

官方说法：

实际上：两者都可以通过os.getenv("api_key_name")访问到。但只要你不傻傻地自己写代码暴露 api 别人是没办法获取你写在 Huggingface Spaces 环境变量中的 api_token 的。

5.2 修改原来的代码，使其符合hugging face要求

[!note]

这里只记录了要点，具体的步骤看教程

hugging face要求：

1. 在初始化时需要提供 python 环境的清单，文件名为requirements.txt。提供了这个清单之后，hugging face可以自动下载所需要的依赖。

2. huggingfaces 上的 docker 找不到 嵌套的依赖文件

   -r requirements/optional.txt # 找不到
   -r requirements/runtime.txt # 找不到
   

   

   我们将其手动添加至 requirements.txt 中，即所有依赖都添加到这个文件中。

3. Huggingface Spaces 要求 file 中必须有一个名称为 app.py 的文件作为项目的入口启动文件，否则会出现 No application file 错误。一般可以将 app.py 的入口文件当作 HomePage，编写一个多页面的 streamlit 首页实现对天气查询小助手和博客写作小助手两个 agent 的导航。

   示例代码如下（我们这里采用代码写入环境变量的方式，这样子别人来访问的时候可以不用消耗你自己的 api_token，而是让他们自己填写）

   import streamlit as st
   import os
   import runpy
   st.set_page_config(layout="wide", page_title="My Multi-Page App")
   def set_env_variable(key, value):
       os.environ[key] = value
   def home_page():
       st.header("欢迎来到首页")
       # 设置输入框为隐私状态
       token = st.text_input("请输入浦语token:", type="password", key="token")
       weather_token = st.text_input("请输入和风天气token:", type="password", key="weather_token")
       if st.button("保存并体验agent"):
           if token and weather_token:
               set_env_variable("token", token)  # 设置环境变量为 'token'
               set_env_variable("weather_token", weather_token)  # 设置环境变量为 'weather_token'
               st.session_state.token_entered = True
               st.rerun()
           else:
               st.error("请输入所有token")
   if 'token_entered' not in st.session_state:
       st.session_state.token_entered = False
   if not st.session_state.token_entered:
       home_page()
   else:
       # 动态加载子页面
       page = st.sidebar.radio("选择页面", ["天气查询助手", "博客写作助手"])
       if page == "天气查询助手":
           runpy.run_path("examples/agent_api_web_demo.py", run_name="__main__")
       elif page == "博客写作助手":
           runpy.run_path("examples/multi_agents_api_web_demo.py", run_name="__main__")
   

   此外由于 streamlit 要求一个页面内只能有一个 st.set_page_config() 函数，因此需要把其他文件中的相应代码注释掉，不然会报错。

4. huggingface space项目的readme文件必须有项目的设置：

   官方文档

   

遇到的问题

1. 开发机无法直接连接到hugging face，用官方提供的git链接无法克隆仓库到开发机中。

   解决方法：使用hfmirror克隆

   git clone https://hf-mirror.com/spaces/{your_huggingface_name}/{your_space_name}
   

2. 我们克隆space的文件到开发机后，需要将agent_camp4/lagent中的文件拷贝到本地仓库中。但是需要注意原来的lagent文件夹中也有.git目录和readme文件，由于 git 文件和 README 中有仓库的配置信息，一定要警惕不能被覆盖掉，保持原来的就行。

   使用命令：

   # --exclude='.git*': 排除所有以.git开头的文件和目录
   # --exclude='README.md': 排除README.md文件
   rsync -av -o -t --exclude='.git*' --exclude='README.md' /root/agent_camp4/lagent/ /root/Lagent/
   

   • rsync 是一个强大的文件同步和传输工具，它可以实现增量备份，只传输发生变化的文件部分，这使得文件同步更加高效。rsync 中的 r 代表 remote（远程、跨系统），因为这个工具最初设计的主要目的是在远程系统之间同步文件。完整名称是：remote synchronization（远程同步）

   • rsync 不仅可以在本地使用，还特别适合：

   • 在不同主机之间同步文件
   • 通过 SSH 进行安全的远程文件传输
   • 在服务器之间进行备份和镜像

   • 基本语法

     rsync [选项] 源路径 目标路径
     

   • 常用选项说明

     • -a (archive mode):
       • 归档模式，保持原文件的所有属性
       • 相当于 -rlptgoD 的组合（递归、链接、权限、时间、组、所有者、设备文件）
     • -v (verbose):
       • 显示详细信息
       • 让你能看到正在传输哪些文件
     • -z (compress):
       • 传输时进行压缩
       • 适用于通过网络传输文件时。在本地传输时，通常不需要使用 -z 选项。
     • -e: 指定使用的远程shell命令
     • --progress:
       • 显示传输进度
     • --exclude:
       • 排除不需要同步的文件或目录

   • 使用示例：

     • 远程传输

       rsync -avz --progress -e "ssh命令" /local/folder/ user@remote:/remote/folder/
       # 例如
       # rsync -avz --progress -e "ssh -p 43543 -o StrictHostKeyChecking=no -o UserKnownHostsFile=/dev/null" intern_study_L0_4/ root@ssh.intern-ai.org.cn:/root/intern_study_L0_4/# 传到远程之后可能需要更改文件的所有者
       chown -R root:root .
       # chown: 更改文件所有者(change owner)的基本命令
       # -R: 递归(Recursive)选项，表示对当前目录及其所有子目录和文件都进行操作
       # root:root: 指定新的所有者和所属组
       # 	第一个root是用户所有者(owner)
       #	第二个root是组所有者(group)
       # .: 表示当前目录，即命令执行位置的目录
       

     • 本地传输

       rsync -av --progress source/ destination/