InternLM 智能体实战指南：基于 Lagent 与 ReAct 框架构建 InternLM2.5-Chat 工具调用智能体

• 大模型
• 人工智能
• 基础模型
• AI Agent

本文是基于官方仓库中 agent/lagent.md 文档展开的实战型技术指南，核心聚焦于 InternLM 生态中轻量级智能体框架 Lagent 的安装、ReAct 智能体的构建与使用，并结合 agent/README.md 中基于 InternLM2.5-Chat 与代码解释器的 MATH 数学推理案例进行纵深剖析。读完本文，你将掌握：用两行 pip 命令接入 Lagent、启动 ReAct 网页演示、用 HFTransformer + GoogleSearch + PythonInterpreter 组装一个能调用外部工具解决数学问题的 Agent，并理解其底层调用链与批量化推理评估的工程实践。

一、Lagent 是什么：为 InternLM 系列模型赋能的轻量级 Agent 框架

Lagent 是一个轻量级、开源的基于大语言模型（LLM）的智能体（agent）框架，其核心目标只有一个：让用户能够快速地将一个大语言模型转变成多种类型的智能体，同时提供一些典型工具为 LLM 赋能。所谓"工具赋能"，指的是让模型不再只能"空想"答案，而是能够通过调用搜索引擎、Python 解释器等外部工具，先检索信息、执行计算，再基于结果给出可靠回答。

在本仓库中，Lagent 的定位十分明确：它是 InternLM2.5-Chat 模型构建智能体应用的官方推荐方案。agent/README.md 明确指出，InternLM2.5-Chat 在代码解释和通用工具调用方面的能力得到进一步提升——基于更强和更具泛化性的指令理解、工具筛选与结果反思等能力，新版模型可以更可靠地支持复杂智能体的搭建，支持对工具进行有效的多轮调用，完成较复杂的任务；而 Lagent 正是承载这些能力的运行时框架。

从源码视角看，agent/streaming_inference.py 展示了 Lagent 提供给上层应用的完整核心 API：

from lagent import (INTERNLM2_META, ActionExecutor, HFTransformer, Internlm2Agent, Internlm2Protocol, LMDeployPipeline, IPythonInteractiveManager)

这七个符号基本勾勒出了 Lagent 的分层架构：

与其他模块的分工关系

Lagent 文档本身是"怎么用"的入口，而仓库中还提供了与之配套的深度实践：agent/README.md（InternLM2.5-Chat + 代码解释器的 MATH 推理与评估）、agent/pal_inference.md（PAL 范式下的代码生成推理）以及 chat/README.md（纯对话推理）。它们的递进关系是：先会单轮对话（Transformers/ModelScope），再会工具调用（Lagent），最后能做批量评测（MATH），这正是本文后续要沿用的主线。

二、安装 Lagent：pip 一键安装与源码编译两种方式

2.1 pip 安装（推荐）

pip install lagent

这是最快捷的接入方式，适合绝大多数场景。

2.2 从源码编译安装

如果你想修改框架代码（例如自定义工具、调试 Agent 内部逻辑），建议从源码构建：

git clone https://github.com/InternLM/lagent.git cd lagent pip install -e .

pip install -e .以 editable（可编辑）模式安装，本地对源码的修改会即时生效，无需重新安装。

2.3 按需安装完整依赖

原文档特别强调了一个关键前提：如果计划运行 HuggingFace 模型（例如使用HFTransformer加载internlm/internlm2_5-7b-chat），请先运行pip install -e .[all]安装全部依赖。这一要求与 agent/requirements.txt 中的依赖清单相互印证——该文件固定了lmdeploy>=0.2.2、sympy==1.12、datasets、jsonlines、tqdm等版本，并直接以lagent @ git+https://github.com/InternLM/lagent@main的方式引入 Lagent 主分支，说明本项目内的智能体实践对 Lagent 版本有明确要求。此外，后续跑网页 demo 前还需安装 streamlit：

pip install streamlit

三、运行 ReAct 网页 Demo：一条命令开启可视化对话

Lagent 官方仓库自带基于 Streamlit 的 ReAct 交互式网页样例，一条命令即可启动：

# 需要确保已经安装 streamlit 包 # pip install streamlit streamlit run examples/react_web_demo.py

启动后浏览器会打开 Web UI，你可以直接在网页端与 ReAct 智能体对话，观察模型"思考 → 调用工具 → 根据工具结果继续推理"的完整过程。该 demo 是了解 ReAct 循环行为、调试工具参数最直观的入口，也是 Lagent 仓库 examples 目录（examples/react_web_demo.py）提供的官方示例。

四、用 InternLM2.5-Chat 构建一个 ReAct 智能体

这是整篇文档的核心实战环节：用约 20 行 Python 代码，把internlm/internlm2_5-7b-chat变成一个具备"搜索 + 编程"双工具能力的智能体。

4.1 完整代码与逐行解析

# 从 lagent 库中导入所需模块和类 from lagent.agents import ReAct from lagent.actions import ActionExecutor, GoogleSearch, PythonInterpreter from lagent.llms import HFTransformer # 初始化基于 HFTransformer 的语言模型（llm）并提供模型名称 llm = HFTransformer('internlm/internlm2_5-7b-chat') # 初始化 Google 搜索工具并提供你的 API key search_tool = GoogleSearch(api_key='Your SERPER_API_KEY') # 初始化 Python 解释器工具 python_interpreter = PythonInterpreter() # 通过配置 ReAct 智能体创建 chatbot chatbot = ReAct( llm=llm, # 提供语言模型实例 action_executor=ActionExecutor( actions=[search_tool, python_interpreter] # 指定 chatbot 可执行的动作 ), ) # 用 LaTeX 格式的数学问题询问智能体 response = chatbot.chat('若$z=-1+\sqrt{3}i$,则$\frac{z}{{z\overline{z}-1}}=\left(\ \ \right)$') # 打印智能体生成的回答 print(response.response) >>> $-\frac{1}{3}+\frac{\sqrt{3}}{3}i$

4.2 三个核心组件的职责拆解

① 模型后端HFTransformer：它把 InternLM2.5-Chat 封装为可对话的 LLM 实例。'internlm/internlm2_5-7b-chat'是 HuggingFace 上的模型标识符，由于依赖 HuggingFace 生态，所以必须预先安装[all]依赖。与之对应的还有LMDeployPipeline后端（见下文 MATH 案例），两者可在 agent/streaming_inference.py 中按--backend参数切换。

② 工具与动作执行器ActionExecutor：它是 Lagent 的"工具中枢"。示例注册了两个典型工具：

• GoogleSearch(api_key='Your SERPER_API_KEY')：网页搜索工具，需要配置 SERPER 平台的 API Key（将占位符替换为你自己的 Key）；
• PythonInterpreter()：Python 解释器，让模型可以写代码并执行，适合数学计算、数据分析等任务。

ActionExecutor负责接收模型发出的"动作指令"，找到对应工具执行，并把执行结果（observation）反馈给模型。

③ 智能体主体ReAct：它把 LLM、工具集组织成完整的 ReAct 循环——模型交替输出 Thought（推理）与 Action（动作），工具返回 Observation（观察），如此往复直到模型认为可以给出 Final Answer。这也是该范式名称 ReAct（Reasoning + Acting）的由来。

4.3 实战效果：一次"程序化数学解题"

示例向智能体提出了一个纯符号的复数运算问题：若$z=-1+\sqrt{3}i$，求$\frac{z}{z\overline{z}-1}$。这类问题仅靠模型"心算"容易出错，但 ReAct 智能体可以调用PythonInterpreter写出代码精确计算，最终给出正确答案$-\frac{1}{3}+\frac{\sqrt{3}}{3}i$。

这正是 agent/README.md 所强调的 InternLM2.5-Chat 能力的落地形态：模型先把数学问题翻译成可执行的 Python 代码（借助 Python 解释器），执行后得到中间结果，再结合反思能力组织最终答案。

五、纵深实践：基于 Lagent 的 MATH 代码解释器推理与评估

在 agent/lagent.md 构建单智能体的基础上，仓库进一步提供了规模化实战：利用 Lagent 让 InternLM2.5-Chat 在 MATH 测试集上调用代码解释器逐题推理并自动评估。agent/README.md 给出了完整流程，且与 lagent.md 形成"单 agent 演示 → 批量推理"的进阶衔接。

5.1 为什么用代码解释器：MATH 基准的直观数据

agent/README.md 的对比表格（数据来源为官方文档）表明，集成工具（Tool-Integrated 标记为 w/）能显著提升数学推理能力：

可以看到 InternLM2.5-7B-Chat 配合代码解释器达到 63.0，已非常接近未集成工具的 gpt-4-0125-preview（64.2）。这与 model_cards/internlm2.5_7b.md 中"更强的工具使用能力：指令理解、工具选择与反思"的描述一致，也是 Lagent 框架价值的最直接证明。

5.2 安装依赖与一键推理评估

首先安装 agent/requirements.txt 中列出的额外依赖：

pip install -r requirements.txt

然后运行推理与评估（该命令会先推理、后自动发起评估子进程）：

python streaming_inference.py \ --backend=lmdeploy \ # 使用 LMDeploy 引擎；若用 HuggingFace 模型则改为 hf --model_path=internlm/internlm2_5-7b-chat \ --tp=1 \ --temperature=1.0 \ --top_k=1 \ --output_path=math_lmdeploy.jsonl \ --do_eval

关键参数说明（均以 agent/streaming_inference.py 中的 argparse 定义为依据）：

5.3 推理结果格式与评估复用

--output_path指定的 jsonl 文件每行对应一道题的完整推理记录，包含题目（problem/query）、标准答案（gt）、模型预测（pred）以及分步轨迹（steps）。steps 中依次记录了语言推理（role: language）、工具调用（role: tool，内含AsyncIPythonInteractiveManager的 Python 代码）、环境返回（role: environment）三个关键环节，示例片段如下：

{ "steps": [ {"role": "language", "content": "To find the coordinates of the point $(x,y)$, we can use the midpoint formula. ..."}, {"role": "tool", "content": {"name": "AsyncIPythonInteractiveManager", "parameters": {"command": "```python\nfrom sympy import symbols, Eq, solve\n...\n```"}}, "name": "interpreter"}, {"role": "environment", "content": "{x: -16, y: -4}", "name": "interpreter"}, {"role": "language", "content": "After solving the equations, we find that the coordinates of the point $(x,y)$ are $(-16, -4)$. ..."} ], "error": null }

这正是 ReAct 循环在真实工程中的完整留痕，可以直接对照 4.1 节中chatbot.chat()的行为理解其内部机制。

如果已经生成过该文件，可以跳过推理阶段直接评估：

python streaming_inference.py \ --output_path=math_lmdeploy.jsonl \ --no-do_infer \ --do_eval

5.4 底层实现：Agent 初始化与评估逻辑

agent/streaming_inference.py 的init_agent()展示了与单 agent 示例同源的代码结构：

• --backend=lmdeploy时，用LMDeployPipeline(path=..., model_name='internlm2-chat', meta_template=INTERNLM2_META, pipeline_cfg=dict(backend_config=TurbomindEngineConfig(tp=tp)))构造模型；
• --backend=hf时，退化为HFTransformer(path=..., meta_template=INTERNLM2_META)；
• 再以Internlm2Agent+Internlm2Protocol(meta_prompt=None, interpreter_prompt=DEFAULT_PROMPT)组装 agent，并注册IPythonInteractiveManager（可并发 200 个 worker）作为唯一的代码解释器动作。

predict()中通过agent.batch_chat(batch['query'])批量驱动多轮 ReAct 交互，从最后一步语言输出中提取\boxed{...}结果；evaluate()则用math_equal()做数值相等（isclose，容差 1e-4）与 sympy 符号相等（simplify(a-b)==0）双重判定，并按题型（Algebra 等）输出分项得分。整个流程既复用了 lagent.md 中ReAct + ActionExecutor的组件哲学，也把"工具调用智能体"从单次演示推向可复现的基准评测。

六、常见问题与使用要点小结

1. HuggingFace 模型跑不起来？确认执行了pip install -e .[all]（或pip install -r requirements.txt），HF 后端依赖全套组件。
2. Google 搜索报错？GoogleSearch(api_key=...)需要真实的 SERPER API Key，请替换示例中的占位符；没有搜索 Key 时，可仅保留PythonInterpreter作为动作。
3. 多轮工具调用卡死或超时？关注--max_turn（默认 5）与--time_out等运行期约束；在 streaming_inference.py 中还可通过--stop_words追加<|action_end|>等结束符控制生成边界。
4. 复现 MATH 结果时注意命令一致性：README 示例中--temperature=1.0、--top_k=1为解码配置，与脚本默认值（0.1/40）不同，复现时请按文档命令原样传入。
5. 文件已存在时的行为：脚本检测到--output_path已存在且未加--overwrite时会自动跳过推理，日志会提示你添加--overwrite。

七、总结：一条从"会对话"到"会使用工具"的清晰路径

从 agent/lagent.md 出发，本文完整覆盖了 Lagent 的安装、ReAct 网页 demo、以 InternLM2.5-Chat 为基座构建多工具智能体，并延伸至 agent/README.md 的 MATH 批量推理与评估。其底层脉络始终一致：InternLM2.5-Chat 提供指令理解、工具筛选与反思能力，Lagent 提供ReAct（智能体主体）、ActionExecutor（工具调度）与HFTransformer/LMDeployPipeline（推理后端）这些可组合的工程化组件。想继续深入，可以阅读 agent/streaming_inference.py 与 agent/pal_inference.py 的完整实现，或参考 Lagent 仓库 examples 目录中的更多用例，把这一套工具调用能力扩展到数据分析、信息检索等更复杂的任务场景。

• 大模型
• 人工智能
• 基础模型
• AI Agent