2026.03.28 北京workshop 「LazyLLM X PowerMem X Skills 实战工坊」

社区动态
#1

链接导航

环境准备：2026年3月28日，北京 Workshop 活动前环境准备

项目一：2026.03.28 北京workshop 「让Agent 记住你」

项目二：2026.03.28 北京workshop 「LazyLLM X PowerMem X Skills 」

下载woshop所需的文件：
lazyllm_workshop_demo0328.zip (399.9 KB)

Workshop：LazyLLM X PowerMem X Skills 实战工坊

欢迎来到本次 Workshop。

在 Agent 快速发展的过程中，Skills 与 Memory 是两个被频繁提及、也最容易在真实项目中遇到的问题：

  • 如果不是直接使用现成产品，而是自己基于框架开发 Agent，应该如何接入 Skills？

  • 当 Agent 不再满足于文件式记忆时，怎样接入更稳定、可扩展的长期记忆能力？

  • 当 Agent 既要会调用工具，又要记住用户偏好时，整条链路应该怎样快速搭起来？

带着这些问题，本次 Workshop 将基于开源大模型应用开发框架 LazyLLM，结合开源记忆框架 PowerMem，带大家从零完成一个具备 Skills 能力与长期记忆能力的 ReactAgent。

本次 Workshop 的核心目标如下：

  • 完成 LazyLLM 与 PowerMem 的基础环境准备

  • 通过 lazyllm skills 工具将 Skill 接入工作空间

  • 构建一个可调用 Skill 的 ReactAgent

  • 使用 Flow / Pipeline 将记忆检索、任务执行、记忆写回串联起来

一、环境准备

1. 前置条件

  • 本机具备可用的 Python 3.10+ 环境

  • 已准备可用的阿里百炼 API Key

  • 可正常运行 Jupyter Notebook

建议在独立虚拟环境中完成实验。

2. 安装依赖

进入项目目录后，安装本次 Workshop 所需依赖：


pip install -r requirements.txt

依赖主要包括：

  • lazyllm

  • powermem

  • pandas

  • jupyterlab

如果安装日志中出现少量 loguru 相关提示，一般可以忽略。

3. 打开实验材料

本次 Workshop 的主实验材料为：

  • demo.ipynb

建议直接按 Notebook 中的章节顺序，从上到下依次执行。

二、实验一：完成环境配置与模型连通性测试

本阶段目标是确保 LazyLLM 可以正常调用在线模型。

在 demo.ipynb 中，需要完成以下内容：

  1. 设置基础环境变量

  2. 配置 LAZYLLM_HOME

  3. 配置阿里百炼 API Key

  4. 指定模型名称，例如 qwen-plus

  5. 使用 OnlineModule 发起一次最小模型调用

示例检查点：

  • 能成功创建 OnlineModule

  • 执行测试提示词后，模型返回正常文本

验收标准：

  • 如果可以正常输出模型回复，说明基础环境与模型连通性验证通过

三、实验二：让 Agent 学会使用 Skills

本阶段将完成 Skill 接入，并构建一个可实际工作的 ReactAgent。

1. 初始化并添加 Skills

在完成 LazyLLM 基础环境配置后，可执行以下命令查看说明、初始化 Skills 工作目录，并添加表格处理 Skill：


lazyllm skills

lazyllm skills init

lazyllm skills add ./skills/xlsx

本次实验使用的核心 Skill 为：

  • xlsx

该 Skill 主要用于表格文件处理、数据清洗与分析结果落盘。

如果你希望扩展更多能力，也可以在后续将更多 Skill 导入当前工作空间。

2. Task_1：导入更多 Skills

在 Notebook 中，大家会通过 import 方式导入 ./skills/ 目录中的更多技能，并查看当前工作空间中的 Skill 列表。

这一阶段的目标是熟悉 LazyLLM 的 Skill 管理方式，包括：

  • 初始化 Skills 目录

  • 批量导入 Skills

  • 查看当前工作空间中的 Skills 信息

3. Task_2：构建 ReAct Agent + Skills

完成 Skill 接入后，我们将基于 LazyLLM 创建一个 ReactAgent，并把 xlsx Skill 挂载给它。

这一阶段将完成：

  • 创建 Agent

  • 绑定已验证可用的 LLM

  • 传入 Skill 列表

  • 对接测试数据集

本次实验使用的数据文件为：

  • ./data/test.csv

这是一份咖啡店销售数据，包含订单明细、商品、数量、价格、支付方式、销售渠道、日期等字段。接下来会要求 Agent 基于该数据完成数据清洗与业务分析。

4. 任务目标

Agent 将围绕以下内容完成处理：

  • 检查缺失值、异常值、重复值与类型问题

  • 统一日期格式

  • 修复 Total Spent 与 Quantity * Price Per Unit 不一致的问题

  • 输出清洗后的数据文件

  • 生成中文数据摘要与基础业务分析结果

验收标准：

  • Agent 能够正常调用 Skill

  • Agent 能够围绕 test.csv 生成清洗与分析结果

  • 输出内容中包含结构化的数据分析结论

四、实验三：接入 PowerMem，串联长期记忆流程

本阶段将引入 PowerMem，让 Agent 在执行任务时具备长期记忆能力。

1. 创建 Memory 组件

在 Notebook 中，我们会基于 LazyLLM 的 Memory 能力创建记忆模块，并指定 powermem 作为底层记忆来源。

第一步会先完成最小验证：

  • 创建 Memory 对象

  • 调用 add 写入测试记忆

  • 调用 get 读取测试记忆

2. Task_3：串联完整记忆流程

在本次实验中，我们把记忆接入拆成三个阶段：

  1. 调用 Agent 前：根据当前任务检索相关记忆

  2. 调用 Agent 时：将记忆内容与当前任务一起交给 Agent

  3. 调用 Agent 后：将本轮输入输出沉淀到记忆模块中

随后，我们会借助 LazyLLM 的 Flow / Pipeline 组件，把这三个环节快速串成一条完整执行链路。

最终效果是：

  • Agent 在执行任务前，可以读取用户历史偏好

  • Agent 在执行任务后，可以把本轮任务结果继续写回记忆

  • 用户再次查询时，可以命中此前保存的偏好与上下文

验收标准：

  • 可以成功读写记忆

  • Agent 执行前后都能与记忆模块形成联动

  • 通过 Memory.get() 可以检索到之前保存的用户偏好或历史任务信息

五、建议完成路径

为了保证 Workshop 过程顺畅，建议按以下顺序推进：

  1. 先完成依赖安装与环境变量配置

  2. 先验证模型可调用，再继续 Skill 配置

  3. 先让 Agent 跑通基础任务，再接入 Memory

  4. 最后再验证完整的“Skill + Agent + Memory + Flow”闭环

不建议直接跳过前面的连通性验证，否则后续报错时不容易定位问题。

六、常见问题排查

1. 模型无法调用

优先检查以下内容：

  • LAZYLLM_QWEN_API_KEY 是否已替换为真实值

  • 模型名是否配置正确

  • 当前网络是否可访问模型服务

2. Skill 未生效

建议检查：

  • 是否已经执行过 lazyllm skills init

  • 是否已经成功执行 lazyllm skills add ./skills/xlsx

  • lazyllm skills list 输出中是否存在目标 Skill

3. Memory 读写异常

建议检查：

  • powermem 相关依赖是否已正确安装

  • 记忆模块初始化参数是否正确

  • 大模型与嵌入模型配置是否一致

4. Notebook 状态混乱

如果中途多次修改变量或重复执行单元，建议直接重启 Kernel，然后按章节顺序重新执行。

七、你将收获什么

完成本次 Workshop 后，你将能够掌握一条清晰的 Agent 实战路径：

  • 如何基于 LazyLLM 快速创建可用 Agent

  • 如何给 Agent 接入可复用的 Skills

  • 如何让 Agent 拥有长期记忆能力

  • 如何通过 Flow 组件把多阶段调用串联成稳定工作流

如果你对更多 Skills 感兴趣，也可以在本次 Workshop 基础上继续扩展更多工具能力与多步骤任务场景。

2 个赞
2026.03.28 北京workshop 「让Agent 记住你」实验手册
2026年3月28日，北京 Workshop 活动前环境准备
#2

羡慕，什么时候深圳也办个啥活动呀