乌兰察布市网站建设_网站建设公司_服务器维护_seo优化

随着大模型技术从单一对话向多智能体（Agent）协作演进，如何低成本、高效率地完成应用开发与落地成为行业焦点。

近日，PPIO 正式与 LazyLLM 达成深度合作，通过 LazyLLM 的统一接口和灵活的编排能力，配合 PPIO 提供的稳定、低延迟、高性价比的 API 支持，开发者可以轻松构建具备长程记忆、能自主调用外部工具的智能体。

LazyLLM 是构建和优化 Multi-Agent 应用的一站式开发工具，为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建 AI 应用，并可以持续地迭代优化效果。以下为完整教程，简单几步即可开启基于 PPIO 高性能模型API的智能体搭建。

01 PPIO × LazyLLM 配置教程

PPIO官网：https://ppio.com/

LazyLLM 项目地址（好项目必须点Star收藏！！）：https://github.com/LazyAGI/LazyLLM

step1：注册 PPIO 账号并获取 API Key。

（1）获取API密钥

打开 API 密钥管理页面，点击创建按钮，输入自定义密钥名称，生成 API 密钥。

（2）生成并保存API密钥。

!!注意：密钥在服务端是加密存储，创建后无法再次查看，请妥善保存好密钥；若遗失需要在控制台上删除并创建一个新的密钥。

（3）在【模型广场】获取模型ID

推荐使用的模型：

• GLM-4.7-Flash

• Qwen3-VL

• Deepseek V3.2

• Kimi K2 Thinking

step2：环境配置，安装 LazyLLM。

详情可参考：LazyLLM-快速开始

下面以从pip为例，首先确保系统中已经安装好了Python，Pip和Git。

（1）LazyLLM支持用pip直接安装:

pip3 install lazyllm

上述命令能够安装LazyLLM基础功能的最小依赖包。可以支持使用各类线上模型服务。

lazyllm install rag

运行后可以搭建基础的大模型应用，如基础的RAG系统与Agent。

（2）安装不同场景下的依赖：

成功安装LazyLLM后，您可以在命令行中使用lazyllm install xxx的命令，以针对不同的使用场景安装响应的依赖。

例如： 安装LazyLLM的所有功能最小依赖包。不仅支持线上模型的微调和推理，而且支持离线模型的微调（主要依赖LLaMA-Factory）和推理（主要依赖vLLM）。

lazyllm install standard

step3：调用API即可使用。

使用以下命令，输入获取的 API Key，设置对应的环境变量。

export LAZYLLM_PPIO_API_KEY=<申请到的api key>

02 案例教程

#三行代码构建聊天机器人

import lazyllm chat = lazyllm.OnlineModule('deepseek-v3.2') lazyllm.WebModule(chat, port=23466).start().wait()

#ReactAgent构建流程

# -*- coding: utf-8 -*- """ PPIO ReactAgent 构建示例 参考文档: https://docs.lazyllm.ai/zh-cn/stable/Learn/learn/#7-agent ReactAgent 遵循 ReAct（推理和行动）范式： Thought -> Action -> Observation -> Thought... -> Finish """ import lazyllm from lazyllm.tools import fc_register, ReactAgent # 步骤 1: 定义可被 Agent 调用的 Tool # 每个 Tool 应该保持能力单一、边界清晰 @fc_register("tool") def multiply_tool(a: int, b: int) -> int: """ 乘法工具：计算两个整数的乘积 Args: a (int): 被乘数 b (int): 乘数 Returns: int: a 和 b 的乘积 """ return a * b @fc_register("tool") def add_tool(a: int, b: int) -> int: """ 加法工具：计算两个整数的和 Args: a (int): 加数 b (int): 加数 Returns: int: a 和 b 的和 """ return a + b # 步骤 2: 创建 PPIO LLM 实例 llm = lazyllm.OnlineChatModule( source='ppio', model='deepseek/deepseek-v3.2' ) # 步骤 3: 定义工具列表 tools = ["multiply_tool", "add_tool"] # 步骤 4: 创建 ReactAgent agent = ReactAgent( llm=llm, tools=tools, max_retries=5, return_trace=False, stream=False ) # 步骤 5: 使用 Agent 处理查询 # Agent 会根据问题自动决定是否需要调用工具，以及调用哪个工具 query = "What is 20+(2*4)? Calculate step by step." result = agent(query) print(result)

#输出示例

03 结语

以上就是本次联合解决方案的完整实操指南。PPIO 的算力底座配合 LazyLLM 的一站式工具链，为 AI 应用开发提供了一条“即开即用”的捷径。我们希望通过这一标准化的流程，帮助大家从繁琐的底层调试中解放出来。

目前，双方的适配已全面上线，欢迎各位开发者即刻接入体验，我们期待看到更多富有创造力的智能体应用在这一生态中诞生。