手把手教你捏一个自己的Agent - 大模型知识库|大模型训练|开箱即用的企业大模型应用平台|智能体开发|53AI

前言

Modelscope AgentFabric是一个基于ModelScope-Agent的交互式智能体应用，用于方便地创建针对各种现实应用量身定制智能体，目前已经在生产级别落地。

AgentFabric围绕可插拔和可定制的LLM构建，并增强了指令执行、额外知识检索和利用外部工具的能力。AgentFabric提供的交互界面包括：

智能体构建器：一个自动指令和工具提供者，通过与用户聊天来定制用户的智能体
用户智能体：一个为用户的实际应用定制的智能体，提供构建智能体或用户输入的指令、额外知识和工具
配置设置工具：支持用户定制用户智能体的配置，并实时预览用户智能体的性能

? 目前AgentFabric围绕DashScope提供的 Qwen2.0 LLM API（通义千问API如何使用_模型服务灵积(DashScope)-阿里云帮助中心 (aliyun.com)）在AgentFabric上构建不同的智能体应用。

在使用DashScope提供的qwen api构建应用与定制交互的过程中，我们发现选取千亿级别参数的qwen-max或开源的qwen-72b等大规模参数模型能获得较好的工具调用和角色扮演效果。大规模参数模型效果好，但难以在消费级机器上进行本地部署调用；同时小模型如qwen-7b-chat对工具调用的能力较弱。因此本篇旨在针对AgentFabric的工具调用场景，提供可用的数据集和微调方法，使稍小的模型如qwen-7b-chat也具有能在AgentFabric中完成工具调用的能力。

环境安装

环境准备（基于modelscope镜像）

参考：swift/docs/source/LLM/Agent微调最佳实践.md at main · modelscope/swift · GitHub

# 设置pip全局镜像 (加速下载)pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/# 安装ms-swiftgit clone https://github.com/modelscope/swift.gitcd swiftpip install -e .[llm]
# 环境对齐 (通常不需要运行. 如果你运行错误, 可以跑下面的代码, 仓库使用最新环境测试)pip install -r requirements/framework.txt-Upip install -r requirements/llm.txt-U

数据准备

为训练Agent能力，魔搭官方提供了两个开源数据集：

魔搭通用问答知识数据集该数据集包含了38万条通用知识多轮对话数据

数据集链接：https://www.modelscope.cn/datasets/iic/ms_bench/summary

魔搭通用Agent训练数据集该数据集包含了3万条Agent格式的API调用数据

数据集链接：https://www.modelscope.cn/datasets/iic/ms_agent/summary

相关使用方式参考：swift/docs/source/LLM/Agent微调最佳实践.md at main · modelscope/swift · GitHub

为了让qwen-7b-chat能够在AgentFabric上有比较好的效果，我们尝试使用通用Agent训练数据集ms_agent对qwen-7b-chat进行微调。微调后模型确实能够在ms_agent格式的prompt下获得工具调用能力。但在AgentFabric上对工具的调用表现欠佳，出现了不调用工具、调用工具时配置的参数错误、对工具调用结果的总结错误等，10次访问能成功正确调用1次。

不调用工具；总结时胡编乱造

调用时不按要求填写参数

考虑到AgentFabric是基于大规模文本模型调配的prompt，侧重角色扮演和应用，与ms_agent的prompt格式有区别。finetuned稍小模型的通用泛化性稍弱，换格式调用确实可能存在效果欠佳的情况。

原ms_agent prompt示例

Answer the following questions as best you can. You have access to the following APIs:1. fire_recognition: Call this tool to interact with the fire recognition API. This API is used to recognize whether there is fire in the image. Parameters: [{"name": "image", "description": "The input image to recognize fire", "required": "True"}]
Use the following format:
Thought: you should always think about what to doAction: the action to take, should be one of the above tools[fire_recognition, fire_alert, call_police, call_fireman]Action Input: the input to the actionObservation: the result of the action... (this Thought/Action/Action Input/Observation can be repeated zero or more times)Thought: I now know the final answerFinal Answer: the final answer to the original input questionBegin!
输入图片是/tmp/2.jpg，协助判断图片中是否存在着火点# 工具

AgentFabric prompt示例

# 工具
## 你拥有如下工具：
amap_weather: amap_weather API。获取对应城市的天气数据 输入参数: {"type": "object", "properties": {"location": {"type": "string", "description": "城市/区具体名称，如`北京市海淀区`请描述为`海淀区`"}}, "required": ["location"]} Format the arguments as a JSON object.
## 当你需要调用工具时，请在你的回复中穿插如下的工具调用命令，可以根据需求调用零次或多次：
工具调用Action: 工具的名称，必须是[amap_weather]之一Action Input: 工具的输入Observation: <result>工具返回的结果</result>Answer: 根据Observation总结本次工具调用返回的结果，如果结果中出现url，请使用如下格式展示出来：![图片](url)

# 指令
你扮演一个天气预报助手，你需要查询相应地区的天气，并调用给你的画图工具绘制一张城市的图。
请注意：你具有图像和视频的展示能力，也具有运行代码的能力，不要在回复中说你做不到。
(。你可以使用工具：[amap_weather])朝阳区天气怎样？

ms_agent_for_agentfabric数据集

ms_agent 更新数据

为解决上述的prompt格式不匹配问题，我们首先将ms_agent转换成AgentFabric的prompt组织格式。从ms_agent到AgentFabric的转换过程可以通过如下脚本实现：

import jsonimport re
sys_prefix = "\n# 工具\n\n## 你拥有如下工具：\n\n"
def _process_system(text):apis_info = []api_pattern = r"(?<=\n\d\.)(.*?})(?=])"apis = re.findall(api_pattern,text,re.DOTALL)sys_prompt = sys_prefixfunc_names = []for api in apis:func_name = re.search(r'(.*?):', api).group(1).strip()func_names.append(func_name)api_name = re.search(r'(\S+)\sAPI', api).group(1)api_desc = re.search(r"useful for\?\s(.*?)\.",api).group(1)sys_prompt += f"{func_name}: {api_name} API。{api_desc}" + "输入参数: {\"type\": \"object\", \"properties\": {"paras = re.findall(r"Parameters: \[({.*})",api,re.DOTALL)required_paras = []for para in paras:para_name = re.search(r'"name": "(.*?)"',para).group(1)desc = re.search(r'"description": "(.*?)"',para).group(1)if re.search(r'"required": "(.*)"',para).group(1).strip().lower() == "true": required_paras.append(para_name)sys_prompt += f'"\{para_name}\": {{\"type\": \"string\", \"description\": \"{desc}\"}}' sys_prompt += "},\"required\": " + json.dumps(required_paras) + "} Format the arguments as a JSON object." + "\n\n"func_names = json.dumps(func_names)sys_prompt += f"## 当你需要调用工具时，请在你的回复中穿插如下的工具调用命令，可以根据需求调用零次或多次：\n\n工具调用\nAction: 工具的名称，必须是{func_names}之一\nAction Input: 工具的输入\nObservation: <result>工具返回的结果</result>\nAnswer: 根据Observation总结本次工具调用返回的结果，如果结果中出现url，请使用如下格式展示出来：![图片](url)\n\n\n# 指令\n\n你扮演AI-Agent，\n你具有下列具体功能：\n下面你将开始扮演\n\n请注意：你具有图像和视频的展示能力，也具有运行代码的能力，不要在回复中说你做不到。\n"
return sys_prompt
jsonl_file_path = 'ms_agent/train_agent_react.jsonl'target_file_path = 'new_ms_agent.jsonl'
modified_data = []
with open(jsonl_file_path, 'r', encoding='utf-8') as file:for line in file:json_obj = json.loads(line)system_prompt = json_obj["conversations"][0]["value"]json_obj["conversations"][0]["value"] = _process_system(system_prompt)modified_data.append(json_obj)
with open(target_file_path, 'w', encoding='utf-8') as file:for json_obj in modified_data:file.write(json.dumps(json_obj, ensure_ascii=False) + '\n')

转换后的30000条数据已上传至modelscope数据集，参考数据集链接：

https://modelscope.cn/datasets/AI-ModelScope/ms_agent_for_agentfabric/summary

使用该数据集finetune后，得到的模型在AgentFabric上的效果明显好转：每次访问都能够去调用工具，且基本能正确调用工具。但同时也有对工具调用结果的总结稍弱、有时无法自动停止输出等问题。

总结能力稍弱：已经查询到天气，仍回答“无法获取实时天气数据”

停止能力稍弱：未生成终止符，多次调用同一工具同一参数

AgentFabric新增数据

ms_agent数据集全为英文、且并无AgentFabric的roleplay等内容信息。虽然基模型qwen-7b-chat拥有中文能力，使通过new_ms_agent 数据集finetune后的模型能够正常识别用户意图，正确调用工具；但总结和停止能力都稍弱。为此，我们通过开源的AgentFabric框架实际调用访问，获得了一些AgentFabric使用过程中实际发送给模型的prompt。筛选处理成一个数据集，加上new_ms_agent的数据一起finetune。得到的模型在AgentFabric上修复了此前的总结稍弱、有时无法自动停止问题。

多次调用均响应正常，甚至有一次get到了instruction中的内容。

处理好的488条数据已上传至modelscope数据集，可通过如下链接访问下载：

https://modelscope.cn/api/v1/datasets/AI-ModelScope/ms_agent_for_agentfabric/repo?Revision=master&FilePath=addition.jsonl

效果评估

测试数据来自以下数据集：

https://modelscope.cn/datasets/AI-ModelScope/ms_agent_for_agentfabric/summary
https://modelscope.cn/datasets/iic/ms_bench/summary

以上数据混合后，按照1%比例采样作为test data

备注：横轴为训练步数，纵轴为准确率

总结

我们在原有的两个用于agent训练集上又额外的增加了基于AgentFabric 版本的数据集，目前可供参考的agent应用数据集如下：

魔搭通用agent数据集（agentfabric版）该数据集包含了30488条可支持AgentFabric格式的API调用数据

数据集链接：https://modelscope.cn/datasets/AI-ModelScope/ms_agent_for_agentfabric/summary

魔搭通用问答知识数据集该数据集包含了38万条通用知识多轮对话数据

数据集链接：https://www.modelscope.cn/datasets/iic/ms_bench/summary

魔搭通用Agent训练数据集该数据集包含了3万条Agent格式的API调用数据

数据集链接：https://www.modelscope.cn/datasets/iic/ms_agent/summary

微调流程

训练准备，以下执行过程参考了用消费级显卡微调属于自己的Agent！

在gpu机器执行

将new_ms_agent.jsonl和addition.jsonl两个文件的具体路径通过--custom_train_dataset_path进行配置后，在8* A100 环境中可通过以下命令开启训练，需约2-3小时；如果是单卡训练，需要修改nproc_per_node=1。

# Experimental environment: A100
cd examples/pytorch/llm
# 如果使用1张卡则配置nproc_per_node=1nproc_per_node=8
export PYTHONPATH=../../..
# 时间比较久，8*A100需要 2+小时，nohup运行nohup torchrun \--nproc_per_node=$nproc_per_node \--master_port 29500 \llm_sft.py \--model_id_or_path qwen/Qwen-7B-Chat \--model_revision master \--sft_type lora \--tuner_backend swift \--dtype AUTO \--output_dir output \--custom_train_dataset_path ms_agent_for_agentfabric/new_ms_agent.jsonl ms_agent_for_agentfabric/addition.jsonl--train_dataset_mix_ratio 2.0 \--train_dataset_sample -1 \--num_train_epochs 2 \--max_length 2048 \--check_dataset_strategy warning \--lora_rank 8 \--lora_alpha 32 \--lora_dropout_p 0.05 \--lora_target_modules ALL \--self_cognition_sample 3000 \--model_name 卡卡罗特 \--model_author 陶白白 \--gradient_checkpointing true \--batch_size 2 \--weight_decay 0.01 \--learning_rate 5e-5 \--gradient_accumulation_steps $(expr 1 / $nproc_per_node) \--max_grad_norm 0.5 \--warmup_ratio 0.03 \--eval_steps 100 \--save_steps 100 \--save_total_limit 2 \--logging_steps 10 &

训练完成后，能在nohup.out文件看到最后的 log 显示最佳checkpoint的存放路径best_model_checkpoint: /home/workspace/swift/examples/pytorch/llm/output/qwen-7b-chat/v0-20240314-211944/checkpoint-2828

[INFO:swift] best_model_checkpoint: /home/workspace/swift/examples/pytorch/llm/output/qwen-7b-chat/v0-20240314-211944/checkpoint-2828[INFO:swift] images_dir: /home/workspace/swift/examples/pytorch/llm/output/qwen-7b-chat/v0-20240314-211944/images[INFO:swift] End time of running main: 2024-03-14 23:33:54.658745

部署模型

此时我们获得了一个自己的finetuned model，可以将它部署到自己的机器上使用。以下执行过程参考了swift/docs/source/LLM/VLLM推理加速与部署.md at main · modelscope/swift · GitHub

1）合并lora

由于sft_type=lora，部署需要先将LoRA weights合并到原始模型中：

python tools/merge_lora_weights_to_model.py --model_id_or_path /dir/to/your/base/model --model_revision master --ckpt_dir /dir/to/your/lora/model

其中需要替换 /dir/to/your/base/model 和 /dir/to/your/lora/model为自己本地的路径， /dir/to/your/lora/model为训练最终的best_model_checkpoint。/dir/to/your/base/model 可以通过snapshot_download接口查看，训练时使用的基模型为qwen/Qwen-7B-Chat，则本地路径为：

from modelscope import snapshot_downloadbase_model_path = snapshot_download('qwen/Qwen-7B-Chat')print(base_model_path)

也可以直接使用swift export指令完成merge lora

CUDA_VISIBLE_DEVICES=0 swift export \--ckpt_dir '/path/to/qwen-7b-chat/vx-xxx/checkpoint-xxx' --merge_lora true

执行后完成后得到merge后的ckpt路径。

[INFO:swift] Saving merged weights...[INFO:swift] Successfully merged LoRA and saved in /home/workspace/swift/examples/pytorch/llm/output/qwen-7b-chat/v0-20240314-211944/checkpoint-2828-merged.[INFO:swift] End time of running main: 2024-03-18 10:34:54.307471

2）拉起部署

nohup python -m vllm.entrypoints.openai.api_server --model /dir/to/your/model-merged --trust-remote-code &

需要将/dir/to/your/model-merged替换成自己本地merge后的ckpt路径。

当nohup.out文件显示以下信息时，表示部署完成

INFO: Started server process [531583]INFO: Waiting for application startup.INFO: Application startup complete.INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

测试部署：需要将/dir/to/your/model-merged替换成自己本地merge后的ckpt路径

curl http://localhost:8000/v1/completions -H "Content-Type: application/json" -d '{"model": "/dir/to/your/model-merged", "prompt": "San Francisco is a", "max_tokens": 7, "temperature": 0}'

也可以使用swift deploy 进行模型部署

CUDA_VISIBLE_DEVICES=0 swift deploy --ckpt_dir /path/to/qwen-7b-chat/vx-xxx/checkpoint-xxxx-merged

这种方式下测试部署和之后的config配置中的`"model"`需要改为qwen-7b-chat

Modelscope-Agent中使用

简单测试

可通过如下代码简单测试模型能力，使用时需要将/dir/to/your/model-merged替换成自己本地merge后的ckpt路径。

from modelscope_agent.agents.role_play import RolePlay# NOQA

def test_weather_role():role_template = '你扮演一个天气预报助手，你需要查询相应地区的天气，并调用给你的画图工具绘制一张城市的图。'
llm_config ={"model_server": "openai","model": "/dir/to/your/model-merged","api_base": "http://localhost:8000/v1","is_chat": True,"is_function_call": False,"support_stream": False}#llm_config = {"model": "qwen-max", "model_server": "dashscope"}
# input tool namefunction_list = ['amap_weather']
bot = RolePlay(function_list=function_list, llm=llm_config, instruction=role_template)
response = bot.run('朝阳区天气怎样？')
text = ''for chunk in response:text += chunkprint(text)assert isinstance(text, str)

test_weather_role()

Agentfabric中使用

cd modelscope-agent/apps/agentfabric

在config/model_config.json文件，新增训好的本地模型

"my-qwen-7b-chat": {"type": "openai","model": "/dir/to/your/model-merged","api_base": "http://localhost:8000/v1","is_chat": true,"is_function_call": false,"support_stream": false}

再次提醒，如果使用swift deoloy部署模型需要将"model"改为qwen-7b-chat

3. 设置API key。在以下实践中，会调用wanx image generation

和高德天气 ,需要点击链接按照教程进行注册并手动设置API KEY

export DASHSCOPE_API_KEY=your_api_keyexport AMAP_TOKEN=your_api_key

4. 在agentfabric目录下执行如下命令拉起gradio

GRADIO_SERVER_NAME=0.0.0.0 PYTHONPATH=../../python app.py

然后在浏览器中输入你服务器IP:7860打开即可看到如下界面

内置能力选择agent可以调用的API, 这里选择`Wanx Image Generation`和`高德天气` 点击更新配置，等待配置完成后在右侧的输入栏中即可与Agent交互