LLM 大模型学习必知必会系列(十)：基于AgentFabric实现交互式智能体应用,Agent实战

0.前言

**Modelscope **是一个交互式智能体应用基于ModelScope-Agent，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 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。

1.环境安装

参考：Agent微调最佳实践-环境安装

    # 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-swift

    git clone https://github.com/modelscope/swift.git

    cd swift

    pip 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  -U

    pip install -r requirements/llm.txt  -U

2.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
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

相关使用方式参考：Agent微调最佳实践-数据准备

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。

ms_agent数据集格式:

    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 do

    Action: 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 action

    Observation: the result of the action

    ... (this Thought/Action/Action Input/Observation can be repeated zero or more times)

    Thought: I now know the final answer

    Final Answer: the final answer to the original input question

    Begin!

    输入图片是/tmp/2.jpg，协助判断图片中是否存在着火点

agentfabric：

    # 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？

2.1 ms_agent_for_agentfabric数据集

2.1.1 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 json

    import 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_prefix

        func_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

2.1.2 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

3.效果评估

测试数据来自以下数据集：

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

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
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
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

4.微调流程

训练准备，以下执行过程参考了Agent微调最佳实践-微调

4.1 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=1

    nproc_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

5.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 VLLM推理加速与部署-部署

5.1 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_download

    base_model_path = snapshot_download('qwen/Qwen-7B-Chat')

    print(base_model_path)

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

5.2 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}'

6.Modelscope-Agent中使用

6.1 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 name

        function_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 += chunk

        print(text)

        assert isinstance(text, str)

    test_weather_role()

6.2 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

}

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