DCT-Net模型更新：最新版本性能提升解析
2026/1/16 2:07:17
Open-AutoGLM部署避坑：requirements安装失败解决方案
Open-AutoGLM – 智谱开源的手机端AI Agent框架，为开发者提供了一种全新的自动化交互方式。通过结合视觉语言模型与安卓设备控制能力，该框架实现了基于自然语言指令的智能操作执行。用户无需编写复杂脚本，仅需描述任务目标，系统即可自动解析屏幕内容、理解界面元素，并规划出合理的操作路径。
AutoGLM-Phone 是一个基于视觉语言模型的 AI 手机智能助理框架。它能以多模态方式理解屏幕内容，并通过 ADB 自动操控设备。用户只需用自然语言下指令，如“打开小红书搜美食”，模型即可解析意图、理解界面并自动规划、执行操作流程，无需手动点击。Phone Agent 作为其具体实现，进一步增强了安全性与远程开发支持，内置敏感操作确认机制，支持人工接管验证码场景，并可通过 WiFi 实现远程 ADB 调试，极大提升了灵活性和实用性。
然而，在本地部署 Open-AutoGLM 控制端时，许多开发者遇到了pip install -r requirements.txt安装失败的问题。本文将深入分析常见错误原因，并提供可落地的解决方案，帮助你顺利完成依赖安装与环境搭建。
1. 环境准备与常见依赖问题概述
在开始部署前，确保你的开发环境满足基本要求：
- 操作系统：Windows 或 macOS
- Python 版本：建议使用 Python 3.10+（推荐 3.10.12）
- ADB 工具：已正确配置并加入系统 PATH
- Git：用于克隆仓库
1.1 典型安装失败现象
当你运行以下命令时：
pip install -r requirements.txt可能会遇到如下典型报错：
ERROR: Could not find a version that satisfies the requirement xxxERROR: No matching distribution found for torch==1.13.1+cu117- 编译错误（如
ninja,gcc相关）、wheel 构建失败 - 包冲突导致
ResolutionImpossible错误
这些问题大多源于国内网络限制、PyTorch 特定版本缺失、CUDA 驱动不匹配或包源不可达。
2. 核心依赖问题深度解析
2.1 PyTorch 及相关库版本锁定问题
Open-AutoGLM 的requirements.txt中通常包含如下行：
torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1这些是CUDA 加速版本，且带有+cu117后缀，表示编译时链接了 CUDA 11.7。这类包无法从默认 PyPI 源下载，必须通过官方指定渠道安装。
❌ 常见错误原因：
- 国内访问
download.pytorch.org被限速或阻断 - pip 默认源无此二进制包
- 使用
--index-url但未指定--find-links
2.2 多平台兼容性差异
不同操作系统对某些包的支持存在差异：
| 平台 | 易出问题的包 | 原因说明 |
|---|---|---|
| Windows | ninja,torch | 缺少 MSVC 编译环境，预编译 wheel 获取困难 |
| macOS | torchwith CUDA | Apple 已弃用 CUDA，只能使用 CPU 版本 |
| Linux | av,pycocotools | 需要系统级依赖（ffmpeg, gcc） |
2.3 包版本冲突与依赖树混乱
部分旧版requirements.txt可能存在版本约束过严的情况，例如：
transformers==4.28.0 sentence-transformers==2.2.2而这两个包之间可能依赖不同版本的tokenizers或huggingface-hub，导致解析失败。
3. 解决方案与最佳实践
3.1 分步安装策略替代一键安装
不要直接运行pip install -r requirements.txt，而是采用分阶段安装法，优先解决关键依赖。
✅ 推荐步骤：
# Step 1: 升级 pip 到最新版（避免解析器 bug） python -m pip install --upgrade pip # Step 2: 先安装 torch 系列（使用官方镜像） pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 \ --extra-index-url https://download.pytorch.org/whl/cu117注意：如果你使用的是 macOS 或无 GPU 设备，请改用 CPU 版本：
bash pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cpu
✅ 验证安装结果：
import torch print(torch.__version__) # 应输出 1.13.1 print(torch.cuda.is_available()) # 若有 GPU，应返回 True3.2 替换国内镜像源加速安装
由于原始requirements.txt中的包多数托管在国外服务器，建议临时切换为国内镜像源。
方法一：命令行指定镜像源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ \ --trusted-host pypi.tuna.tsinghua.edu.cn方法二：创建 pip 配置文件（推荐长期使用）
Windows：%APPDATA%\pip\pip.ini
macOS/Linux：~/.pip/pip.conf
内容如下：
[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple/ trusted-host = pypi.tuna.tsinghua.edu.cn timeout = 1203.3 手动处理顽固依赖包
对于仍无法安装的包，可尝试以下方法：
（1）pycocotools安装失败
常见于 Windows 和 macOS，因需编译 C++ 扩展。
✅ 解决方案：
# 使用预编译版本 pip install pycocotools-windows # Windows # 或 pip install pycocotools # 使用社区维护的兼容版本（2）av（PyAV）安装失败
依赖 ffmpeg，编译复杂。
✅ 解决方案：
# 使用 conda 安装（更稳定） conda install -c conda-forge av # 或使用预编译 wheel pip install av --no-use-pep517（3）ninja编译工具缺失
影响timm、fvcore等包的构建。
✅ 解决方案：
pip install ninja --upgrade若失败，尝试：
# Windows 用户可下载 ninja.exe 放入 PATH # 下载地址：https://github.com/ninja-build/ninja/releases3.4 修改 requirements.txt 适配本地环境
建议根据实际平台修改原始requirements.txt，避免强制安装不必要组件。
示例：适用于 macOS / CPU-only 环境的 requirements.txt 调整
原内容：
torch==1.13.1+cu117修改为：
torch==1.13.1再补充：
# 删除 +cu117 后缀，让 pip 自动选择 CPU 版本更进一步：使用requirements-modified.txt
你可以创建一个适配版本：
# requirements-modified.txt torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 transformers==4.28.0 sentence-transformers==2.2.2 Pillow numpy>=1.21.0 opencv-python av pycocotools git+https://github.com/facebookresearch/fvcore.git tqdm然后运行：
pip install -r requirements-modified.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/3.5 使用虚拟环境隔离依赖（强烈推荐）
避免污染全局 Python 环境，使用venv创建独立环境：
# 创建虚拟环境 python -m venv autoglm-env # 激活环境 # Windows: autoglm-env\Scripts\activate # macOS/Linux: source autoglm-env/bin/activate # 安装依赖 pip install --upgrade pip pip install -r requirements-modified.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/安装完成后可通过deactivate退出环境。
4. 验证安装与启动测试
完成依赖安装后，进入项目根目录并尝试运行简单测试。
4.1 测试 ADB 连接
确保设备已连接并识别：
adb devices输出应类似：
List of devices attached ABCDEF1234567890 device4.2 运行最小化测试脚本
创建test_import.py文件：
from phone_agent.adb import ADBConnection from phone_agent.agent import PhoneAgent print("✅ 所有核心模块导入成功！")运行：
python test_import.py若无报错，则说明依赖安装成功。
4.3 启动主程序示例
python main.py \ --device-id ABCDEF1234567890 \ --base-url http://<your-server-ip>:8800/v1 \ --model "autoglm-phone-9b" \ "打开小红书搜索美食"5. 总结
在部署 Open-AutoGLM 时，requirements.txt安装失败是一个普遍存在的痛点，主要原因包括：
- PyTorch CUDA 版本无法从默认源获取
- 国内网络访问受限导致下载超时
- 平台差异引发编译失败
- 依赖版本冲突或锁死
本文提供的解决方案具有强实用性：
- 优先安装 torch 系列包，使用官方
--extra-index-url - 切换至清华等国内镜像源提升下载成功率
- 分步安装 + 修改 requirements适应本地环境
- 使用虚拟环境避免依赖污染
- 针对顽固包采用替代方案（如
pycocotools-windows）
只要按照上述流程操作，绝大多数安装问题均可顺利解决。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。