概述
Lagent是一个轻量级的开源智能体框架，主要用于构建基于大型语言模型（LLM）的代理。这个框架允许用户高效地开发和部署各种类型的智能体，如聊天机器人、搜索引擎、代码生成器等。
Lagent提供了一系列工具和功能，以增强大型语言模型的能力，使得开发者可以更容易地将这些模型转化为实际可用的智能体。例如，它支持多种经典的智能体范式，如AutoGPT和ReAct，并提供了如Arxiv这样的工具来增强模型的功能。
AgentLego 是一个提供了多种开源工具 API 的多模态工具包，旨在像是乐高积木一样，让用户可以快速简便地拓展自定义工具，从而组装出自己的智能体。通过 AgentLego 算法库，不仅可以直接使用多种工具，也可以利用这些工具，在相关智能体框架（如 Lagent，Transformers Agent 等）的帮助下，快速构建可以增强大语言模型能力的智能体。
操作步骤
首先依旧是创建虚拟环境，这里主要注意的是要选择30%的A100,不然就会出现以下报错
Exception in thread Thread-1 (_create_weight_func):
Traceback (most recent call last):
File "/root/.conda/envs/agent/lib/python3.10/threading.py", line 1016, in _bootstrap_inner
self.run()
File "/root/.conda/envs/agent/lib/python3.10/threading.py", line 953, in run
self._target(*self._args, **self._kwargs)
File "/root/.conda/envs/agent/lib/python3.10/site-packages/lmdeploy/turbomind/turbomind.py", line 196, in _create_weight_func
model_comm.create_shared_weights(device_id, rank)
RuntimeError: [TM][ERROR] CUDA runtime error: out of memory /lmdeploy/src/turbomind/utils/memory_utils.cu:32
接着配置相关环境，需要用到的依赖主要有lmdeploy和streamlit，lmdeploy主要是为了创建一个后台的API-server 而streamlit主要是为了创建一个Demo。使用终端将环境激活后得到
打开 http://localhost:7860之后将模型ip改为127.0.0.1：23333，否则会出现报错，最后运行结果如下
使用 AgentLego
与上面搭建lagent的步骤类似，AgentLego 所实现的目标检测工具是基于 mmdet （MMDetection） 算法库中的 RTMDet-Large 模型，因此我们首先安装 mim，然后通过 mim 工具来安装 mmdet
conda activate agent
pip install openmim==0.3.9
mim install mmdet==3.3.0
安装完之后启动lmdeploy，配置AgentLego WebUI，最后运行，得到结果如下
