Lagent：从零搭建你的 Multi-Agent

https://github.com/InternLM/Tutorial/blob/camp4/docs/L2/Agent/task.md

一、Lagent框架中Agent的使用

目标
通过Lagent框架，基于InternLM2.5，搭建一个Web Demo，体验其智能体功能与工具集成能力。

---

步骤与实现

1. 环境准备

   • 激活环境：conda activate lagent
   • 确保已获取API授权令牌，并写入环境变量。

2. 代码实现

   在agent_api_web_demo.py中：
   • 集成Lagent工具插件（如ArxivSearch）实现特定功能。
   • 调用GPTAPI类初始化大模型。
   • 使用Streamlit创建Web服务。

3. 插件与功能

   • Lagent支持多种插件（如谷歌文献检索、Arxiv文献检索等）以增强模型能力。
   • 示例中使用ArxivSearch插件，实现文献检索任务。

4. 运行与测试

5. 效果展示

6. • 未启用插件：模型无法完成复杂任务（如文献检索）。
   • 启用插件：通过调用ArxivSearch插件，模型成功完成文献检索任务。

Streamlit 界面交互
用户通过 Web 界面输入主题，系统实时展示生成、批评和优化的内容，分步骤呈现：

• 确保环境变量中正确设置token，否则会报错。
• API与模型名称需根据使用的服务（如浦语API或硅基流动API）进行调整。
• 二、基于 Lagent 实现自定义 Agent 工具

  通过 Lagent 框架赋予大模型额外能力的流程可以分为以下几个步骤，以天气查询工具为例进行讲解：

  1. 获取 API Key

• 访问 和风天气 API 文档，创建项目并获取 API Key。
• 设置环境变量：export weather_token='your_token_here'。
• 在 lagent/actions 文件夹下新增 weather_query.py 文件。
• 编写 WeatherQuery 类，继承 Lagent 的 BaseAction，并实现 run 方法。
  • 功能逻辑：
    1. 输入地点名称或坐标。
    2. 使用 GeoAPI 转换名称为 LocationID（如非经纬度格式）。
    3. 调用 Weather API 获取实时天气数据。
    4. 返回格式化后的天气信息字典。
• 在 actions/__init__.py 文件中引入新工具 WeatherQuery 并添加到 __all__ 列表。
• 修改 agent_api_web_demo.py，将 WeatherQuery 加入插件注册列表。
• 示例代码：

  python

  复制代码

  from lagent.actions import ArxivSearch, WeatherQuery action_list = [ ArxivSearch(), WeatherQuery(), ]

• 运行程序：streamlit run agent_api_web_demo.py。
• 在插件界面输入如“帮我查询南京现在的天气”，验证天气查询功能。
• 测试多个插件时，模型可根据任务自动调用合适的工具，例如天气查询和文献检索插件。
• 
• 
• 三、多智能体博客写作系统的搭建总结

  系统功能概述
  利用 Lagent 构建的多智能体博客写作系统，集成了内容生成与优化能力，分为三个主要步骤：内容生成、批评优化和最终改进。该系统通过两个代理协同工作：

  内容生成代理：根据用户主题生成专业、结构化的初稿。
• 批评优化代理：审阅内容，提出建设性批评并推荐相关文献，以提高文章质量和可信度。
• 环境配置：在 Python 环境下创建 multi_agents_api_web_demo.py，加载必要的库和模块，设置 Lagent 环境并集成 Streamlit 界面。
• 系统核心类：
  • 博客生成类：通过 AsyncBlogger 实现写作者和批评者的逻辑交互，包括批评建议解析和文献推荐。
  • 消息钩子：通过 PrefixedMessageHook 添加批评前缀，确保交互内容清晰。
• 运行逻辑：
  • 第一步：写作者生成初稿，基于用户输入主题撰写内容。
  • 第二步：批评者审阅初稿，指出不足并推荐关键词用于文献检索（Arxiv）。
  • 第三步：写作者结合批评意见和文献优化内容，输出高质量的最终稿件。
• 初稿生成内容。
• 批评者建议及相关文献推荐。
• 最终优化内容，包括更具参考价值的扩展信息。
  
  
  
• 
•