Open-AutoGLM部署避坑：requirements安装失败解决方案-开发者社区

Open-AutoGLM部署避坑：requirements安装失败解决方案

Open-AutoGLM – 智谱开源的手机端AI Agent框架，为开发者提供了一种全新的自动化交互方式。通过结合视觉语言模型与安卓设备控制能力，该框架实现了基于自然语言指令的智能操作执行。用户无需编写复杂脚本，仅需描述任务目标，系统即可自动解析屏幕内容、理解界面元素，并规划出合理的操作路径。

AutoGLM-Phone 是一个基于视觉语言模型的 AI 手机智能助理框架。它能以多模态方式理解屏幕内容，并通过 ADB 自动操控设备。用户只需用自然语言下指令，如“打开小红书搜美食”，模型即可解析意图、理解界面并自动规划、执行操作流程，无需手动点击。Phone Agent 作为其具体实现，进一步增强了安全性与远程开发支持，内置敏感操作确认机制，支持人工接管验证码场景，并可通过 WiFi 实现远程 ADB 调试，极大提升了灵活性和实用性。

然而，在本地部署 Open-AutoGLM 控制端时，许多开发者遇到了pip install -r requirements.txt安装失败的问题。本文将深入分析常见错误原因，并提供可落地的解决方案，帮助你顺利完成依赖安装与环境搭建。

1. 环境准备与常见依赖问题概述

在开始部署前，确保你的开发环境满足基本要求：

操作系统：Windows 或 macOS
Python 版本：建议使用 Python 3.10+（推荐 3.10.12）
ADB 工具：已正确配置并加入系统 PATH
Git：用于克隆仓库

1.1 典型安装失败现象

当你运行以下命令时：

pip install -r requirements.txt

可能会遇到如下典型报错：

ERROR: Could not find a version that satisfies the requirement xxx
ERROR: No matching distribution found for torch==1.13.1+cu117
编译错误（如ninja,gcc相关）、wheel 构建失败
包冲突导致ResolutionImpossible错误

这些问题大多源于国内网络限制、PyTorch 特定版本缺失、CUDA 驱动不匹配或包源不可达。

2. 核心依赖问题深度解析

2.1 PyTorch 及相关库版本锁定问题

Open-AutoGLM 的requirements.txt中通常包含如下行：

torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1

这些是CUDA 加速版本，且带有+cu117后缀，表示编译时链接了 CUDA 11.7。这类包无法从默认 PyPI 源下载，必须通过官方指定渠道安装。

❌ 常见错误原因：

国内访问download.pytorch.org被限速或阻断
pip 默认源无此二进制包
使用--index-url但未指定--find-links

2.2 多平台兼容性差异

不同操作系统对某些包的支持存在差异：

平台	易出问题的包	原因说明
Windows	`ninja`,`torch`	缺少 MSVC 编译环境，预编译 wheel 获取困难
macOS	`torch`with CUDA	Apple 已弃用 CUDA，只能使用 CPU 版本
Linux	`av`,`pycocotools`	需要系统级依赖（ffmpeg, gcc）

2.3 包版本冲突与依赖树混乱

部分旧版requirements.txt可能存在版本约束过严的情况，例如：

transformers==4.28.0 sentence-transformers==2.2.2

而这两个包之间可能依赖不同版本的tokenizers或huggingface-hub，导致解析失败。

3. 解决方案与最佳实践

3.1 分步安装策略替代一键安装

不要直接运行pip install -r requirements.txt，而是采用分阶段安装法，优先解决关键依赖。

✅ 推荐步骤：

# Step 1: 升级 pip 到最新版（避免解析器 bug） python -m pip install --upgrade pip # Step 2: 先安装 torch 系列（使用官方镜像） pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 \ --extra-index-url https://download.pytorch.org/whl/cu117

注意：如果你使用的是 macOS 或无 GPU 设备，请改用 CPU 版本：
bash pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cpu

✅ 验证安装结果：

import torch print(torch.__version__) # 应输出 1.13.1 print(torch.cuda.is_available()) # 若有 GPU，应返回 True

3.2 替换国内镜像源加速安装

由于原始requirements.txt中的包多数托管在国外服务器，建议临时切换为国内镜像源。

方法一：命令行指定镜像源

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ \ --trusted-host pypi.tuna.tsinghua.edu.cn

方法二：创建 pip 配置文件（推荐长期使用）

Windows：%APPDATA%\pip\pip.ini
macOS/Linux：~/.pip/pip.conf

内容如下：

[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple/ trusted-host = pypi.tuna.tsinghua.edu.cn timeout = 120

3.3 手动处理顽固依赖包

对于仍无法安装的包，可尝试以下方法：

（1）`pycocotools`安装失败

常见于 Windows 和 macOS，因需编译 C++ 扩展。

✅ 解决方案：

# 使用预编译版本 pip install pycocotools-windows # Windows # 或 pip install pycocotools # 使用社区维护的兼容版本

（2）`av`（PyAV）安装失败

依赖 ffmpeg，编译复杂。

✅ 解决方案：

# 使用 conda 安装（更稳定） conda install -c conda-forge av # 或使用预编译 wheel pip install av --no-use-pep517

（3）`ninja`编译工具缺失

影响timm、fvcore等包的构建。

✅ 解决方案：

pip install ninja --upgrade

若失败，尝试：

# Windows 用户可下载 ninja.exe 放入 PATH # 下载地址：https://github.com/ninja-build/ninja/releases

3.4 修改 requirements.txt 适配本地环境

建议根据实际平台修改原始requirements.txt，避免强制安装不必要组件。

示例：适用于 macOS / CPU-only 环境的 requirements.txt 调整

原内容：

torch==1.13.1+cu117

修改为：

torch==1.13.1

再补充：

# 删除 +cu117 后缀，让 pip 自动选择 CPU 版本

更进一步：使用`requirements-modified.txt`

你可以创建一个适配版本：

# requirements-modified.txt torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 transformers==4.28.0 sentence-transformers==2.2.2 Pillow numpy>=1.21.0 opencv-python av pycocotools git+https://github.com/facebookresearch/fvcore.git tqdm

然后运行：

pip install -r requirements-modified.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.5 使用虚拟环境隔离依赖（强烈推荐）

避免污染全局 Python 环境，使用venv创建独立环境：

# 创建虚拟环境 python -m venv autoglm-env # 激活环境 # Windows: autoglm-env\Scripts\activate # macOS/Linux: source autoglm-env/bin/activate # 安装依赖 pip install --upgrade pip pip install -r requirements-modified.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装完成后可通过deactivate退出环境。

4. 验证安装与启动测试

完成依赖安装后，进入项目根目录并尝试运行简单测试。

4.1 测试 ADB 连接

确保设备已连接并识别：

adb devices

输出应类似：

List of devices attached ABCDEF1234567890 device

4.2 运行最小化测试脚本

创建test_import.py文件：

from phone_agent.adb import ADBConnection from phone_agent.agent import PhoneAgent print("✅ 所有核心模块导入成功！")

运行：

python test_import.py

若无报错，则说明依赖安装成功。

4.3 启动主程序示例

python main.py \ --device-id ABCDEF1234567890 \ --base-url http://<your-server-ip>:8800/v1 \ --model "autoglm-phone-9b" \ "打开小红书搜索美食"

5. 总结

在部署 Open-AutoGLM 时，requirements.txt安装失败是一个普遍存在的痛点，主要原因包括：

PyTorch CUDA 版本无法从默认源获取
国内网络访问受限导致下载超时
平台差异引发编译失败
依赖版本冲突或锁死

本文提供的解决方案具有强实用性：

优先安装 torch 系列包，使用官方--extra-index-url
切换至清华等国内镜像源提升下载成功率
分步安装 + 修改 requirements适应本地环境
使用虚拟环境避免依赖污染
针对顽固包采用替代方案（如pycocotools-windows）

只要按照上述流程操作，绝大多数安装问题均可顺利解决。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Open-AutoGLM部署避坑：requirements安装失败解决方案