PythonAI算法
LazyLLM 低代码框架实战：构建代码专家智能体
介绍 LazyLLM 开源低代码框架，通过 Python 编程构建代码专家智能体。涵盖环境搭建、模型配置、核心模块定义及数据流管道串联，支持本地或云端部署。LazyLLM 采用模块化设计，降低 AI 应用开发门槛，提升开发效率，适用于多 Agent 应用的全流程开发。测评显示其开发效率提升显著，响应速度快，工程化能力强。
介绍 LazyLLM 开源低代码框架，通过 Python 编程构建代码专家智能体。涵盖环境搭建、模型配置、核心模块定义及数据流管道串联，支持本地或云端部署。LazyLLM 采用模块化设计，降低 AI 应用开发门槛，提升开发效率，适用于多 Agent 应用的全流程开发。测评显示其开发效率提升显著，响应速度快，工程化能力强。
LazyLLM 是构建和优化多 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。
LazyLLM 作为商汤大装置推出的开源低代码框架，以模块化设计打破传统开发壁垒，用数据流驱动重构开发逻辑，仅凭极简代码就能实现工业级复杂应用，让开发者彻底摆脱冗余编码的束缚，把精力聚焦于核心业务场景。
在开始开发前，需完成基础环境配置，确保 LazyLLM 框架能稳定运行。
打开终端执行以下命令，完成核心依赖安装：
# 升级 pip 工具
pip install --upgrade pip
# 安装 LazyLLM 核心框架
pip install lazyllm
# 安装代码解析与运行依赖（支持多语言代码处理）
pip install tree-sitter python-dotenv openai
# 若使用第三方大模型需安装对应 SDK
安装完成后，在 Python 终端执行以下代码，确认框架正常加载：
pip show lazyllm
LazyLLM 基于 Python 开发，我们需要保证系统中已经安装好了 Python，Pip 和 Git。
首先准备一个名为 lazyllm-venv 的虚拟环境并激活：
python3 -m venv lazyllm-venv
source lazyllm-venv/bin/activate
如果运行正常，你可以在命令行的开头看到 (lazyllm-venv) 的提示。接下来我们的操作都在这个虚拟环境中进行。从 GitHub 下载 LazyLLM 的代码：
git clone https://github.com/LazyAGI/LazyLLM.git
cd LazyLLM
安装基础依赖：
pip3 install -r requirements.txt
如果您期望使用 LazyLLM 的所有功能，您可以运行以下命令来安装 LazyLLM 的全量依赖：
pip3 install -r requirements.full.txt
把 LazyLLM 加入到模块搜索路径中：
export PYTHONPATH=$PWD:$PYTHONPATH
这样我们在任意目录下都可以找到它。
我们提供了包含最新版本的 LazyLLM 的 docker 镜像，开箱即用：
docker pull lazyllm/lazyllm
也可以从 https://hub.docker.com/r/lazyllm/lazyllm/tags 查看并拉取需要的版本。
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微调，推理，搭建基础的大模型应用（如基础的 RAG 系统与 Agent）。
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
安装 LazyLLM 的所有依赖包，所有功能以及高级功能都支持，比如自动框架选择（AutoFinetune、AutoDeploy 等）、更多的离线推理工具（如增加 LightLLM 等工具）、更多的离线训练工具（如增加 AlpacaloraFinetune、CollieFinetune 等工具）。
lazyllm install full
更多场景划分如下：
代码专家智能体的核心是'模块化组件协同 + 数据流驱动交互'，基于 LazyLLM 的架构优势，我们将智能体拆解为 3 个核心模块：
LazyLLM 的组件化架构让这些模块无需手动编写复杂的衔接逻辑，通过 pipeline 让数据流自动串联，极大降低了开发难度。
| Alpaca 格式 | Chat 格式 | |
|---|---|---|
| 适合场景 | 单轮问答、指令微调 | 多轮对话、复杂任务 |
| 上下文处理 | 单轮任务、无上下文记忆 | 支持上下文记忆、连续对话 |
| 结构复杂度 | 简单 | 灵活多变 |
| 对话角色 | 单角色 | 多角色 (system, user, assistant) |
| 在线格式 | 本地格式 | |
|---|---|---|
| 适合场景 | 调研在线模型 | 本地启动推理服务 |
| 格式 | Json | 字符串 |
| 特点 | 会区分角色 | 会包含特殊标记，如 < |
首先创建项目文件 code_expert_agent.py，导入 LazyLLM 核心组件并配置基础参数：
import lazyllm
from lazyllm import pipeline, module, Input, Output
# 配置模型（支持本地模型或第三方 API，此处以开源模型为例）
llm = lazyllm.TrainableModule("Qwen2-72B-Instruct-AWQ").deploy_method(deploy.vllm).start()
# 配置代码处理工具（LazyLLM 内置工具链，无需额外开发）
agent = ReactAgent(llm, tools=['item_lookup', 'property_lookup', 'sparql_query_runner'])
基于 LazyLLM 的 module 装饰器，快速定义各功能模块，无需关心模块间的通信逻辑：
from lazyllm import Module, llm, json_loads, field
from typing import Optional, Dict
class ParseRequirementModule(Module):
"""解析用户代码需求的标准化模块（继承 LazyLLM ModuleBase）
功能：提取用户需求中的编程语言、核心功能、需求类型、附加信息，返回结构化字典
支持：配置自定义提示词、LLM 模型参数、超时控制
"""
# 模块可配置参数（通过 field 定义，支持序列化和命令行覆盖）
prompt_template: str = field(
"请严格分析以下用户代码需求，按要求提取关键信息：\n"
"1. 编程语言：明确用户使用的编程语言（如 Python/Java/JS，无则填\"未知\"）\n"
"2. 核心功能：用户需要实现/处理的核心需求（简洁描述，不超过 50 字）\n"
"3. 需求类型：只能是\"生成\"（写新代码）、\"调试\"（修复报错）、\"优化\"（提升性能/可读性）之一\n"
"4. 附加信息：报错信息、版本约束、性能要求等额外条件（无则填\"\"）\n"
"用户需求：{input_text}\n"
"注意：仅输出 JSON 字符串，不要添加任何额外内容，JSON 格式严格匹配：{\"language\": \"\", \"function\": \"\", \"type\": \"\", \"extra\": \"\"}\n",
description="需求解析的提示词模板，{input_text} 为用户输入占位符"
)
llm_model: str = field(
default="gpt-3.5-turbo",
# 支持切换为本地模型（如\"llama3\"）或其他 API 模型
description="用于解析需求的 LLM 模型名称"
)
llm_temperature: float = field(
default=0.1,
ge=0.0,
le=1.0,
description="LLM 生成温度（越低越稳定，越高越灵活）"
)
timeout: int = field(
default=30,
ge=10,
le=60,
description="LLM 请求超时时间（单位：秒）"
)
def __init__(self, **kwargs):
"""初始化模块（支持通过关键字参数覆盖默认配置）"""
super().__init__(**kwargs)
.llm_client = llm(
model=.llm_model,
temperature=.llm_temperature,
timeout=.timeout
)
() -> [, ]:
prompt = .prompt_template.(input_text=input_text.strip())
:
.logger.info()
result = .llm_client(prompt)
parsed = json_loads(result)
.logger.info()
{
: parsed.get(, ),
: parsed.get(, ),
: parsed.get(, ),
: parsed.get(, )
}
Exception e:
.logger.error(, exc_info=)
{
: ,
: input_text[:] + (input_text) > input_text,
: ,
:
}
() -> :
parse_requirement = ParseRequirementModule()
() -> ParseRequirementModule:
ParseRequirementModule(**kwargs)
利用 LazyLLM 的 pipeline 功能，将三个模块串联为完整的智能体，数据流将自动从输入流向输出：
from lazyllm import pipeline
# 1. 定义管道所需的核心函数（实际场景中需替换为真实实现）
def parse_requirement(input: str) -> dict:
"""第一步：解析用户需求，返回结构化数据"""
return {
"user_query": input,
"task_type": "code_generation", # 示例：识别任务类型
"requirements": ["语法正确", "符合 PEP8 规范", "带注释"]
}
def code_process(input: dict) -> str:
"""第二步：根据解析结果生成/处理代码"""
query = input["user_query"]
# 示例逻辑：根据需求生成简单代码（实际需对接大模型或代码生成逻辑）
if "计算斐波那契" in query:
return '''def fibonacci(n):
"""斐波那契数列生成函数（根据用户需求实现）"""
a, b = 0, 1
result = []
for _ in range(n):
result.append(a)
a, b = b, a + b
return result'''
return f"# 根据需求生成的代码：{query}\nprint('实现逻辑待补充')"
def format_output(input: str) -> str:
"""第三步：格式化输出结果，提升可读性"""
return f""" ### 代码生成结果
```python
{input}
```"""
# 定义输入输出接口（LazyLLM 自动处理参数传递）
agent = ReactAgent(llm, tools)
query =
res = agent(query)
LazyLLM 支持多种部署方式，此处以本地 Web 部署为例，无需额外编写前端代码：
from lazyllm import pipeline, component_register, WebModule, RequestModel
from pydantic import Field
# --------------------------
# 1. 定义智能体核心组件（复用前序逻辑）
# --------------------------
component_register.new_group("code_agent")
@component_register("code_agent")
def parse_requirement(input: str) -> dict:
"""第一步：解析用户需求"""
return {
"user_query": input,
"task_type": "code_generation",
"requirements": ["语法正确", "符合 PEP8 规范", "带注释"]
}
@component_register("code_agent")
def code_process(input: dict) -> str:
"""第二步：处理/生成代码"""
query = input["user_query"]
# 示例：根据不同需求生成对应代码
if "斐波那契" in query:
return '''def fibonacci(n: int) -> list[int]:
"""
计算前 n 项斐波那契数列
Args:
n: 数列长度（正整数）
Returns:
斐波那契数列列表
"""
if n <= 0:
raise ValueError("n 必须为正整数")
a, b = 0, 1
result = [a]
for _ in range(1, n):
a, b = b, a + b
result.append(a)
return result'''
elif "排序" query query:
:
() -> :
{
: ,
: ,
: {
: ,
:
}
}
lazyllm
code_expert_agent = pipeline(
lazyllm.code_agent.parse_requirement,
lazyllm.code_agent.code_process,
lazyllm.code_agent.format_output
)
():
():
user_requirement: = Field(
...,
description=,
example=
)
port: = Field(
,
ge=,
le=,
description=
)
():
().__init__()
.agent = agent
.title =
.description =
():
result = .agent(request.user_requirement)
result
__name__ == :
web_service = CodeAgentWebService(code_expert_agent)
web_service.run(
server=,
port=,
reload=,
docs=
)
运行代码后，终端会输出访问链接（http://localhost:8080），打开浏览器即可与智能体交互，示例如下：
针对代码专家智能体显示进行优化，顶部增加了功能说明区域，明确了可支持的编程语言（如 Python、Java、JavaScript 等）和服务范围（生成代码、调试程序等），还设置了官方教程文档的入口，让用户能更清晰地了解智能体的能力边界与学习路径。其次，输入区域的提示更具体，给出了代码需求的示例（如用 Python 生成快速排序算法），同时底部新增了快捷功能按钮，降低了用户的使用门槛，让交互更便捷。
AI 回复完整效果：
LazyLLM 不仅重构了 AI 应用的开发路径，更降低了大模型技术的使用门槛，让开发者能聚焦创新本身。无论是个人开发者快速验证想法，还是企业团队落地复杂业务场景，它都能成为高效得力的开发工具。
参考资源：
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online