AutoAgent在WSL下的安装和使用（本地ollama + qwen3:8b)

感谢：https://blog.csdn.net/j8267643/article/details/151626900

目录

• WSL下安装AutoAgent
  • ​环境配置
  • 多模型配置示例
    • 方法一：使用one-api把ollama转化为openai标准接口
    • 方法二：使用litellm作为代理来连接 ollama 模型（这个方法不用试了，因为litellm本身已经固化在autoagent中，不过原理依然可以学习，故而留下 ）
  • 如何使用 AutoAgent
    • 1.（SOTA 🏆 开放深度研究）user mode
    • 2.（无工作流的代理创建）agent editor
    • 3.（使用工作流创建代理）workflow editor
• 具体使用指南
  • 1. ​CLI模式快速启动
  • 2. 或仅启动深度研究模式
  • 3. 使用特定模型
  • 4. 自定义端口和容器名

AutoAgent
https://github.com/HKUDS/AutoAgent
AutoAgent 有一个开箱即用的多代理系统，您可以在起始页中选择它来使用它。这个多智能体系统是一个通用的人工智能助手，具有与 OpenAI 的深度研究相同的功能，并且在 GAIA 基准测试中与其相当的性能。user mode

🚀 高性能：使用 Claude 3.5 而不是 OpenAI 的 o3 模型匹配 Deep Research。
🔄 模型灵活性：兼容任何 LLM（包括 Deepseek-R1、Grok、Gemini 等）
💰 性价比高：Deep Research 每月 200 美元订阅的开源替代品
🎯 用户友好：易于部署的 CLI 界面可实现无缝交互
📁 文件支持：处理文件上传以增强数据交互

AutoAgent 最显着的特点是其自然语言定制功能。与其他代理框架不同，AutoAgent 允许您仅使用自然语言创建工具、代理和工作流。只需选择 或 模式，即可开始通过对话构建代理的旅程。agent editorworkflow editor

WSL下安装AutoAgent

依次执行如下命令：

#t先安装AutoAgent虚拟环境及所需
sudo apt update && sudo apt upgrade -y
sudo apt install --install python3.12 python3.12-venv python3-pip python3-tk ffmpeg
#后两个python3-tk ffmpeg我没装，结果运行auto main时报错了

# 安装构建依赖(如需）
sudo apt install build-essential libssl-dev libffi-dev

# 创建项目目录
mkdir autoagent
cd autoagent

# 创建虚拟环境（二选1）
python3 -m venv autoagent
python3.12 -m venv autoagent

#如果python3.12 -m venv autoagent建立虚拟环境不成功，可能是pip包的问题，则改成下面不带pip的安装命令：
# 创建不包含pip的虚拟环境，后续再手动安装pip
python3 -m venv --without-pip autoagent

#激活虚拟环境
source autoagent/bin/activate

#再手动安装pip
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
python get-pip.py

#设置国内代理
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

#到此，可以安装autoagent啦
pip install -e .

到此，安装完毕，看了一下，文件好大：8.8G

不知道为啥，我的虚拟环境启用之后，ls命令显示的颜色就没有了。查了一下，运行以下两个命令可修复：

alias ls='ls --color=auto'
source ~/.bashrc

​环境配置

API 密钥设置
创建一个环境变量文件，就像 一样，并为您要使用的 LLM 设置 API 密钥。并非每个 LLM API Key 都是必需的，请使用您需要的。.env.template

# 复制环境模板
cp .env.template .env
 
# 配置API密钥（编辑.env文件）
# 必需配置
GITHUB_AI_TOKEN=your_github_token
 
# 可选配置（按需启用）
OPENAI_API_KEY=sk-your-openai-key
ANTHROPIC_API_KEY=your-anthropic-key
DEEPSEEK_API_KEY=your-deepseek-key
GEMINI_API_KEY=your-gemini-key
MISTRAL_API_KEY=your-mistral-key
HUGGINGFACE_API_KEY=your-hf-key
GROQ_API_KEY=your-groq-key

多模型配置示例

先在AutoAgent目录下mkdir config，再执行nano config/models.yaml，参考以下内容：

# config/models.yaml
default_provider: "anthropic"
providers:
  anthropic:
    model: "claude-3-5-sonnet-20241022"
    api_key: ${ANTHROPIC_API_KEY}
  
  openai:
    model: "gpt-4o"
    api_key: ${OPENAI_API_KEY}
    base_url: "https://api.openai.com/v1"
  
  deepseek:
    model: "deepseek/deepseek-chat"
    api_key: ${DEEPSEEK_API_KEY}
    base_url: "https://api.deepseek.com/v1"
  
  gemini:
    model: "gemini/gemini-2.0-flash"
    api_key: ${GEMINI_API_KEY}
 
fallback_order: ["anthropic", "openai", "deepseek", "gemini"]

我想设置为自己的ollama中的模型，地址是localhost:11344，没有 api_key， model有两个，一个是deepseek-r1:8b，另一个是qwen3:8b，怎么实现呢？

方法一：使用one-api把ollama转化为openai标准接口

one-api设置参考我的这个文章：
https://www.cnblogs.com/treasury-manager/p/18812761
布署完成后用下面的命令测试是否OK

#测试二，测试qwen3:8b
curl http://localhost:3000/v1/chat/completions \
 -H "Content-Type: application/json" \
 -H "Authorization: Bearer sk-xxx" \
 -d '{
    "model": "qwen3:8b",
    "messages": [{"role": "user", "content": "你好，我是 qwen3"}]
  }'

然后在WSL下直接运行下面的命令：

COMPLETION_MODEL="openai/qwen3:8b" \
LLM_BASE_URL="http://localhost:3000/v1" \
LLM_API_KEY="sk-XXX" \
FN_CALL=False \
auto main

关键参数说明：

• COMPLETION_MODEL需遵循 LiteLLM 格式，由于通过 OpenAI 兼容端点调用，前缀为 openai/，后跟模型名 qwen3:8b（与 One-API 中配置的模型名一致）。
• LLM_BASE_URL指向你的 One-API 服务地址（即命令中的 http://localhost:3000/v1），与 curl 命令中的请求地址对应。
• LLM_API_KEY填写 One-API 的访问密钥（即命令中的 sk-xxx），用于身份验证。
• 添加 FN_CALL=False 环境变量，明确禁用函数调用模式，适配不支持该功能的模型（如你使用的 qwen3:8b）。

运行成功，哈哈哈！！！

思考：
AutoAgent 本身是通过 LiteLLM 支持第三方 LLM 代理（包括 One-API），autoagent 0.1.0 requires litellm==1.55.0,
可通过环境变量或配置文件指定 One-API 的接口信息。
我们可通过启动命令设置环境变量，在启动 AutoAgent 时，直接通过环境变量指定 ollama 的基础 URL、模型名称和 API 密钥
减少中间环节（无需 One-API 转发），降低延迟。

#测试本地ollama模型可用性
curl http://localhost:11434/api/generate -d '{"model":"qwen3:8b","prompt":"hello"}'

#再在WSL下运行以下命令
COMPLETION_MODEL="ollama/qwen3:8b" \  # 模型名需以 "ollama/" 为前缀，与本地 Ollama 模型名一致
LLM_BASE_URL="http://localhost:11434" \  # 本地 Ollama 服务地址
LLM_API_KEY="ollama" \  # Ollama 无需真实密钥，填写任意值（如 "ollama"）即可
FN_CALL=False \  # 禁用函数调用（与之前一致，适配 qwen3:8b）
auto main

完美！

方法二：使用litellm作为代理来连接 ollama 模型（这个方法不用试了，因为litellm本身已经固化在autoagent中，不过原理依然可以学习，故而留下 ）

https://docs.litellm.ai/docs/
使用litellm作为代理来连接 ollama 模型，此方法是完全可行的，并且在很多场景下是更灵活的解决方案。这种方式特别适合需要统一 API 接口、兼容多种模型调用方式的场景

核心原理
litellm 是一个开源工具，能将各种 LLM 模型（包括本地 ollama 模型）的接口转换为统一的 OpenAI 兼容格式。通过在本地启动litellm代理，AutoAgent 可以像调用 OpenAI API 一样调用 ollama 模型，无需修改太多底层代码。
步骤：

# 1. 安装litellm（带代理功能）
pip install litellm[proxy]

# 2. 启动代理，指定ollama模型（以deepseek-r1:8b为例）
litellm --model ollama/deepseek-r1:8b --port 11434  # 监听11434端口

# 代理 deepseek-r1:8b 模型，指定 Ollama 地址为 http://localhost:11434
litellm --model ollama/deepseek-r1:8b --ollama-base-url http://localhost:11434 --port 8000

#通过命令行参数（适合简单场景）直接在启动命令中用 --model 重复指定多个模型（需注意格式）
litellm --model ollama/deepseek-r1:8b@http://localhost:11434 --model ollama/qwen3:8b@http://localhost:11434 --port 8000

# 3. 在AutoAgent的配置文件中，将openai提供商的base_url指向litellm代理

# config/models.yaml 中修改openai配置：
openai:
  model: "ollama/deepseek-r1:8b"  # 或qwen3:8b
  api_key: "anything"  # litellm代理无需真实API密钥，填任意值即可
  base_url: "http://localhost:11434"  # 指向litellm代理端口

# 4. 运行AutoAgent，此时会通过litellm代理调用本地ollama模型

Error: fatal: a branch named 'autoagent_mirror_None' already exists 提示分支存在，直接删除仓库目录重新克隆

bash
# 删除整个仓库目录
rm -rf /opt/AutoAgent/workspace_meta_showcase/showcase_auto_agent/workplace/AutoAgent

重新运行程序，让其自动克隆仓库并创建分支
auto main

调用方式（验证是否生效）
启动代理后，可通过 OpenAI 兼容接口调用不同模型，例如用 curl 测试：

#调用 deepseek-r1:8b：
bash
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1",  # 对应配置中的 model_name（或直接用 "ollama/deepseek-r1:8b"）
    "messages": [{"role": "user", "content": "你好，我是 deepseek-r1"}]
  }'

#调用 qwen3:8b：
bash
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3",  # 对应配置中的 model_name（或直接用 "ollama/qwen3:8b"）
    "messages": [{"role": "user", "content": "你好，我是 qwen3"}]
  }'

关键说明
若多个模型来自同一 Ollama 服务（localhost:11434），api_base 可统一指定（命令行用 --ollama-base-url，配置文件中每个模型可复用同一地址）。
调用时，model 字段可使用配置文件中自定义的 model_name（如 deepseek-r1），也可直接使用完整名称（如 ollama/deepseek-r1:8b），两种方式均可识别。
如需为不同模型设置不同参数（如温度、最大 tokens），可在配置文件的 litellm_params 中分别指定（参考之前的 “模型参数设置” 方法）。
通过这种方式，LiteLLM 可以同时代理多个 Ollama 模型，满足多模型切换使用的需求。

致谢：https://blog.csdn.net/weixin_40101756/article/details/138812562

方法二：修改文档配置
拟修改文档如下（不知道管用不）：

default_provider: "ollama"  # 可改为你希望的默认提供商
providers:
  anthropic:
    model: "claude-3-5-sonnet-20241022"
    api_key: ${ANTHROPIC_API_KEY}
  
  openai:
    model: "gpt-4o"
    api_key: ${OPENAI_API_KEY}
    base_url: "https://api.openai.com/v1"
  
  deepseek:
    model: "deepseek/deepseek-chat"
    api_key: ${DEEPSEEK_API_KEY}
    base_url: "https://api.deepseek.com/v1"
  
  gemini:
    model: "gemini/gemini-2.0-flash"
    api_key: ${GEMINI_API_KEY}

  # 新增ollama配置
  ollama:
    # 第一个模型：deepseek-r1:8b（默认使用这个）
    model: "deepseek-r1:8b"
    # 无需API密钥，留空或删除该字段
    api_key: ""
    # ollama的本地地址
    base_url: "http://localhost:11344/v1"
    # 第二个模型可通过调用时指定model参数切换使用
  
fallback_order: ["ollama", "anthropic", "openai", "deepseek", "gemini"]  # 加入ollama到 fallback 顺序

关键修改说明：
新增了 ollama 提供商配置，包含：
base_url 设置为你的本地 ollama 地址（注意添加 /v1 路径，符合 OpenAI 兼容 API 规范）
由于 ollama 不需要 API 密钥，将 api_key 设为空字符串
默认模型设为 deepseek-r1:8b
可以根据需要修改 default_provider 为 "ollama"，使其成为默认使用的模型提供商
将 ollama 添加到 fallback_order 中，使其参与故障转移机制

使用第二个模型的方式：
当需要使用 qwen3:8b 时，在调用模型的代码中指定模型参数为 qwen3:8b 即可，无需修改配置文件。例如（伪代码）：

python
运行
model = get_model(provider="ollama", model="qwen3:8b")

这样的配置既保留了原有模型，又添加了本地 ollama 的两个模型，且无需 API 密钥即可使用。但此方法二未经验证。

如何使用 AutoAgent

1.（SOTA 🏆 开放深度研究）user mode

AutoAgent 有一个开箱即用的多代理系统，您可以在起始页中选择它来使用它。这个多智能体系统是一个通用的人工智能助手，具有与 OpenAI 的深度研究相同的功能，并且在 GAIA 基准测试中与其相当的性能。user mode

🚀 高性能：使用 Claude 3.5 而不是 OpenAI 的 o3 模型匹配 Deep Research。
🔄 模型灵活性：兼容任何 LLM（包括 Deepseek-R1、Grok、Gemini 等）
💰 性价比高：Deep Research 每月 200 美元订阅的开源替代品
🎯 用户友好：易于部署的 CLI 界面可实现无缝交互
📁 文件支持：处理文件上传以增强数据交互
🎥 深度研究（又名用户模式）

2.（无工作流的代理创建）agent editor

AutoAgent 最显着的特点是其自然语言定制功能。与其他代理框架不同，AutoAgent 允许您仅使用自然语言创建工具、代理和工作流。只需选择 或 模式，即可开始通过对话构建代理的旅程。agent editorworkflow editor

3.（使用工作流创建代理）workflow editor

您还可以使用自然语言描述和模式创建代理工作流，如下图所示。（提示：此模式暂时不支持工具创建。workflow editor

具体使用指南

1. ​CLI模式快速启动

# 启动完整模式（用户模式+代理编辑+工作流编辑）
auto main

*在运行这个auto main命令之前，有个12.9G的依赖库要安装：最好先手动运行：sudo docker pull tjbtech1/metachain:amd64_latest
如果拉不下来，就加1毫秒的代理：sudo bash -c "$(curl -sSL https://n3.ink/helper)"
再运行：
sudo docker pull docker.1ms.run/tjbtech1/metachain:amd64_latest
下载完成后，要将其重命名（本质是添加一个新标签），例如改为 tjbtech1/metachain:amd64_latest，可以执行：
bash
sudo docker tag docker.1ms.run/tjbtech1/metachain:amd64_latest tjbtech1/metachain:amd64_latest

命令说明：
docker tag：用于给镜像添加新标签的命令。
验证重命名结果：执行以下命令查看镜像列表，确认新标签已添加：
bash
sudo docker images | grep metachain
如果需要，可以删除原标签（保留新标签即可）：
bash
sudo docker rmi docker.1ms.run/tjbtech1/metachain:amd64_latest
这样操作后，Docker 会将新标签的镜像识别为 tjbtech1/metachain:amd64_latest，满足程序对镜像名称的要求。

然后再安装playwright（依赖）
虚拟环境下，运行：playwright install

我的天哪，经过千难万险，下载了20G数据之后，终于见得真容了：

但是一运行具体的request，就遇到错误提示：

在vs code下使用 AutoAgent(没搞定，权限有问题，和WSL的保存路径也不一样，麻烦）

命令行输入：

#切换回root用户
sudo -i
#切换到虚拟环境
source /opt/AutoAgent/autoagent/bin/activate
运行auto main

2. 或仅启动深度研究模式

auto deep-research

3. 使用特定模型

COMPLETION_MODEL="gpt-4o" auto main

4. 自定义端口和容器名

auto main --port 8080 --container_name "my-agent"