lazyllm-skill

name

lazyllm-skill

description

LazyLLM framework for building multi-agent AI applications. Use when task mentioned LazyLLM or AI program for: (1) Flow orchestration - linear, branching, parallel, loop workflows for complex data pipelines, (2) Model fine-tuning and acceleration - finetuning LLMs with LLaMA-Factory/Alpaca-LoRA/Collie and acceleration with vLLM/LMDeploy/LightLLM. Includes comprehensive code examples for all components, (3) RAG systems - knowledge-based QA with document retrieval, vectorization, and generation, (4) Agent development - single/multi-agent systems with tools, memory, planning, and web interfaces.

LazyLLM 框架

LazyLLM 是构建和优化多 Agent 应用的一站式开发工具，为应用开发、数据准备、模型部署、模型微调、评测和可视化提供了大量工具。
基础能力参考: references/basic.md

---

安装与环境

• 安装核心包: pip install lazyllm
• 按需安装功能组件: lazyllm install embedding chat finetune（分别对应嵌入、对话、微调相关依赖，详见 CLI 使用）
• 使用在线模型前: 需配置对应平台的 API Key（见 在线模型 API Key 配置）
• 更多环境与依赖说明见 环境依赖

---

模型调用概览（本地 vs 线上）

LazyLLM 中所有模型能力统一通过 AutoModel、OnlineModule、TrainableModule 三类入口使用，优先推荐 AutoModel 以便自动选择在线或本地。

使用场景	推荐方式	说明
线上模型	lazyllm.OnlineModule(source=..., model=...) 或 lazyllm.AutoModel(source=..., model=...)	调用厂商 API，需配置对应 API Key。source 可为 qwen / openai / glm / deepseek / sensenova / kimi / doubao 等。
本地模型	lazyllm.TrainableModule(model_name).start() 或 lazyllm.AutoModel(source='local', model=...)	本地加载与推理，可配合 deploy_method(lazyllm.deploy.vllm) 等指定 vLLM / LightLLM / LMDeploy。
统一入口	lazyllm.AutoModel(model=..., source=...)	根据 source 与 config 自动选择在线或本地；不写 source 时由配置或模型名推断。

简要示例:

import lazyllm

# 线上：需配置 LAZYLLM_<PLATFORM>_API_KEY
chat = lazyllm.OnlineModule(source='qwen', model='qwen-plus')
print(chat('你好'))

# 本地：先 start 再调用
local = lazyllm.TrainableModule('qwen2-1.5b').start()
print(local('你好'))

# 统一入口（自动选在线/本地）
llm = lazyllm.AutoModel(source='sensenova', model='SenseNova-V6-5-Pro')
print(llm('你好'))

详细参数、Embedding/Reranker/多模态类型及环境变量见 Model 使用示例。

---

在线模型 API Key 配置

使用 OnlineModule 或 AutoModel 调用线上模型前，需配置对应平台 API Key（推荐环境变量，避免写死在代码中）：

• 通用格式: export LAZYLLM_<平台名>_API_KEY=<你的 key>
• 部分平台（如 SenseNova）需同时配置: LAZYLLM_SENSENOVA_API_KEY 与 LAZYLLM_SENSENOVA_SECRET_KEY

常用平台与变量名示例：

平台	环境变量
通义千问 Qwen	LAZYLLM_QWEN_API_KEY
OpenAI	LAZYLLM_OPENAI_API_KEY
智谱 GLM	LAZYLLM_GLM_API_KEY
DeepSeek	LAZYLLM_DEEPSEEK_API_KEY
日日新 SenseNova	LAZYLLM_SENSENOVA_API_KEY（可选 LAZYLLM_SENSENOVA_SECRET_KEY）
Kimi	LAZYLLM_KIMI_API_KEY
豆包 Doubao	LAZYLLM_DOUBAO_API_KEY
硅基流动 SiliconFlow	LAZYLLM_SILICONFLOW_API_KEY

完整平台列表见 平台与 API Key。配置方式也可通过 lazyllm.config 管理，见 Config 使用示例。

---

组件选择指南

根据任务需求选择组件：

任务类型	使用组件	参考文档
复杂流程编排	Flow (pipeline, parallel, diverter)	references/flow.md
微调与部署	AutoFinetune, AutoDeploy	references/finetune.md
知识库问答	RAG (Document, Retriever, Reranker)	references/rag.md
智能体应用	Agent (ReactAgent, ReWOOAgent 等) + lazyllm.tools	references/agent.md

---

CLI 使用

LazyLLM 提供命令行入口，用于安装依赖、部署模型与运行服务：

命令	用途
lazyllm install [embedding|chat|finetune|...]	安装功能组件组或指定 Python 包（如 lazyllm install embedding chat）
lazyllm deploy <model> [--framework vllm|lightllm|...] [--chat=true]	部署本地模型或启动 MCP 服务；deploy mcp_server ... 可启动 MCP 服务器
lazyllm run chatbot|rag|workflow.json|...	运行聊天服务、RAG 服务、JSON 工作流或训练/推理服务

示例:

lazyllm install embedding chat
lazyllm deploy llama3-chat --framework vllm --chat=true
lazyllm run chatbot --model chatglm3-6b --framework vllm
lazyllm run rag --model bge-base --documents /path/to/docs

详细参数与子命令见 CLI 使用。

---

Flow（数据流编排）

Flow 用于编排多步骤、分支、并行或循环的数据处理流程。

何时使用 Flow

• 任务需拆分为多阶段并按序或按依赖执行
• 需要并行执行多任务再汇总
• 需要条件分支、循环或 DAG 依赖

何时不必用 Flow

• 单次简单函数调用、无分支无并行的直线逻辑

Flow 组件

• Pipeline: 顺序执行
• Parallel: 并行执行多任务
• Diverter: 多分支并行路由
• Warp: 单模块并行作用于多输入
• IFS / Switch: 条件分支
• Loop: 循环
• Graph: DAG 依赖
• Bind: 显式绑定与传递数据

分布式或集群任务可通过 lazyllm.launchers（如 remote、sco、slurm）指定 Launcher，详见 Launcher。
详细文档: references/flow.md

---

Finetune（微调与部署）

支持多种微调框架（AlpacaLoRA、Collie、LLaMA-Factory、FlagEmbedding、Auto 等）与推理部署（LightLLM、vLLM、LMDeploy、Auto 等）。
微调与部署时可通过 launcher 参数指定单机/多机或调度器（如 lazyllm.launchers.remote(ngpus=4)），详见 references/finetune.md 与 deploy_framework。
详细文档: references/finetune.md

---

RAG（检索增强生成）

基于知识库的问答：文档加载、切分、向量化、检索与生成。
基础用法见下；多策略检索与重排可用 Flow 编排，见 references/rag.md。

import lazyllm

documents = lazyllm.Document(
    dataset_path="/path/to/docs",
    embed=lazyllm.OnlineEmbeddingModule(),
    manager=False
)
retriever = lazyllm.Retriever(
    doc=documents,
    group_name="CoarseChunk",
    similarity="bm25_chinese",
    topk=3
)
llm = lazyllm.OnlineChatModule()
llm.prompt(lazyllm.ChatPrompter(instruction='根据上下文回答问题：', extra_keys=['context_str']))

query = "用户问题"
doc_node_list = retriever(query=query)
res = llm({"query": query, "context_str": "".join([n.get_content() for n in doc_node_list])})

详细文档: references/rag.md

---

Agent（智能体）

构建能规划、调用工具、执行任务的智能体。Agent 与工具均来自 lazyllm.tools：fc_register 注册自定义工具，内置 Agent（ReactAgent、PlanAndSolveAgent、ReWOOAgent、FunctionCallAgent）可搭配内置或 MCP 工具使用。
Web 界面：将 Agent 或 Flow 包装为 lazyllm.WebModule(m) 可快速得到 Web 对话界面；文档管理场景可用 DocWebModule，见 内置 Module。

基础 Agent 示例

import lazyllm
from lazyllm.tools import ReactAgent, fc_register

@fc_register('tool')
def my_tool(query: str) -> str:
    """Tool description for the agent."""
    return f"Result: {query}"

llm = lazyllm.OnlineModule(source='deepseek', model='deepseek-chat')
agent = ReactAgent(llm, tools=['my_tool'])
print(agent('用户问题'))

内置工具（搜索、Http、SQL、CodeGenerator 等）见 内置工具的使用。
详细文档: references/agent.md

---

lazyllm.tools 能力概览

lazyllm.tools 是 LazyLLM 的工具与能力模块，统一从 lazyllm.tools 或子模块按需导入，用于 RAG、Agent、数据与评测等场景。

类别	能力	典型用法 / 文档
RAG	Document, Retriever, Reranker, SentenceSplitter, TempDocRetriever, GraphDocument, GraphRetriever, LLMParser	知识库构建与检索，见 references/rag.md
Agent	fc_register, ReactAgent, PlanAndSolveAgent, ReWOOAgent, FunctionCallAgent, ToolManager, SkillManager, MCPClient	工具注册、多类 Agent、MCP 工具，见 references/agent.md、assets/agent/tools.md
搜索与通用工具	GoogleSearch, TencentSearch, BingSearch, WikipediaSearch, ArxivSearch, BochaSearch, HttpTool, Weather, Calculator, JsonExtractor, JsonConcentrator	Agent 可直接调用，见 assets/agent/tools.md
SQL / 数据	SqlManager, SqlCall, MongoDBManager, DBManager	自然语言转 SQL、表格问答，见 assets/agent/tools.md
代码与能力	CodeGenerator, ParameterExtractor, QustionRewrite, code_interpreter, Sandbox	代码生成与执行，可与 Agent 组合
评测	LLMContextRecall, NonLLMContextRecall, ContextRelevance, Faithfulness, ResponseRelevancy	RAG/检索评测，见 assets/rag/retriever.md
其他	Git/GitHub/GitLab/Gitee/GitCode, review, ChineseCorrector, IntentClassifier, StreamCallHelper, WebModule	代码仓库、审阅、意图分类、流式输出、Web 界面，见 assets/basic/modules.md

更多工具用法见 内置工具。

---

流式输出

• 本地模型: TrainableModule(..., stream=True) 或使用 lazyllm.StreamCallHelper(module) 对返回值迭代；若模型在 Flow 中，包装最外层 Flow。
• 在线模型: OnlineModule(..., stream=True) 或构造时传入 stream=True。
  流式配置（前缀、后缀、颜色等）见 本地模型与流式输出 与脚本 stream_output.py。

---

最佳实践

1. 用 Basic 能力构建模块: 优先 ModuleBase / ActionModule，模型、工具、Flow 均以 Module 形式存在。参考 references/basic.md。
2. 模型统一入口: 使用 AutoModel 或 OnlineModule / TrainableModule，不直接实例化具体实现类。参考 Model 使用示例。
3. Prompt 通过 Prompter 注入: 不硬编码 prompt，保持可配置与复用。参考 Prompter 使用示例。
4. 能力通过 AutoRegistry 暴露: 通过继承 Base 或 Register 装饰器注册，经 lazyllm.<group>.<key> 访问。参考 AutoRegistry 使用示例。
5. 配置与代码解耦: API Key、模型名、参数等使用 Config 或环境变量。参考 Config 使用示例。
6. 先做 MVP: 先跑通单模型/单流程，再增加并行、分支、重排等。
7. 复杂逻辑用 Flow: 多阶段、并行、条件、循环、DAG 用 pipeline / parallel / diverter / loop 等。参考 references/flow.md。
8. RAG 先保证检索质量: 先优化切分、Embedding、Retriever、Reranker，再调 Prompt。参考 references/rag.md.
9. Agent 规划与执行分离: 规划在 Agent，执行在 Tool / Module。参考 references/agent.md。
10. 增量调试: 先单 Module，再子 Flow，最后完整系统。
11. 优先 Auto 系列: 如 AutoModel、AutoFinetune、AutoDeploy，必要时再指定具体实现。
12. 第三方依赖走 lazyllm.thirdparty: 保证懒加载与可选依赖。参考 Thirdparty 使用示例。

代码示例合集: 基础使用代码合集

---

本地文档索引

本 skill 所有链接均为本地引用，可在断网环境下阅读。

• 基础与模型: references/basic.md、assets/basic/
• Flow: references/flow.md、assets/flow/
• Finetune: references/finetune.md、assets/finetune/
• RAG: references/rag.md、assets/rag/
• Agent 与工具: references/agent.md、assets/agent/
• 脚本示例: scripts/README.md

完整在线文档（需联网）可在项目或官方站点查阅，网站地址：https://docs.lazyllm.ai/zh-cn/latest/