随着大模型技术从单一对话向多智能体（Agent）协作演进，如何低成本、高效率地完成应用开发与落地成为行业焦点。
近日，LazyLLM 正式与PPIO 达成深度合作，通过LazyLLM的统一接口和灵活的编排能力，配合PPIO提供的稳定、低延迟、高性价比的API支持，开发者可以轻松构建具备长程记忆、能自主调用外部工具的智能体。
LazyLLM是构建和优化Multi-Agent应用的一站式开发工具，为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建AI应用，并可以持续地迭代优化效果。以下为完整教程，简单几步即可开启基于PPIO高性能模型API的智能体搭建。
#01 LazyLLM×PPIO配置教程
LazyLLM项目地址（好项目必点Star！）： https://github.com/LazyAGI/LazyLLM
PPIO官网： https://ppio.com/
step1：注册PPIO账号并获取APIKey。
（1）获取API密钥
打开API密钥管理页面，点击创建按钮，输入自定义密钥名称，生成API密钥。
（2）生成并保存API密钥。
!!注意：密钥在服务端是加密存储，创建后无法再次查看，请妥善保存好密钥；若遗失需要在控制台上删除并创建一个新的密钥。
（3）在【模型广场】获取模型ID
推荐使用的模型：
-
GLM-4.7-Flash
-
Qwen3-VL
-
DeepseekV3.2
-
KimiK2Thinking
step2：环境配置，安装LazyLLM。
详情可参考：https://docs.lazyllm.ai/zh-cn/latest/
下面以从pip为例，首先确保系统中已经安装好了Python、Pip和Git。
（1）LazyLLM支持用pip直接安装:
pip3 install lazyllm
上述命令能够安装LazyLLM基础功能的最小依赖包。可以支持使用各类线上模型服务。
lazyllm install rag
运行后可以搭建基础的大模型应用，如基础的RAG系统与Agent。
（2）安装不同场景下的依赖：
成功安装LazyLLM后，您可以在命令行中使用lazyllminstallxxx的命令，以针对不同的使用场景安装响应的依赖。
例如：安装LazyLLM的所有功能最小依赖包。不仅支持线上模型的微调和推理，而且支持离线模型的微调（主要依赖LLaMA-Factory）和推理（主要依赖vLLM）。
lazyllm install standard
step3：调用API即可使用。
使用以下命令，输入获取的APIKey，设置对应的环境变量。
export LAZYLLM_PPIO_API_KEY=<申请到的api key>
#02 案例教程
#三行代码构建聊天机器人
import lazyllm
chat = lazyllm.OnlineModule('deepseek-v3.2')
lazyllm.WebModule(chat, port=23466).start().wait()
#输出示例
#ReactAgent构建流程
# -*- coding: utf-8 -*-
"""
PPIO ReactAgent 构建示例
参考文档: https://docs.lazyllm.ai/zh-cn/stable/Learn/learn/#7-agent
ReactAgent 遵循 ReAct（推理和行动）范式：
Thought -> Action -> Observation -> Thought... -> Finish
"""
import lazyllm
from lazyllm.tools import fc_register, ReactAgent
# 步骤 1: 定义可被 Agent 调用的 Tool
# 每个 Tool 应该保持能力单一、边界清晰
@fc_register("tool")
def multiply_tool(a: int, b: int) -> int:
"""
乘法工具：计算两个整数的乘积
Args:
a(int): 被乘数
b(int): 乘数
Returns:
int: a 和 b 的乘积
"""
return a * b
@fc_register("tool")
def add_tool(a: int, b: int) -> int:
"""
加法工具：计算两个整数的和
Args:
a(int): 加数
b(int): 加数
Returns:
int: a 和 b 的和
"""
return a + b
# 步骤 2: 创建 PPIO LLM 实例
llm = lazyllm.OnlineChatModule(
source="ppio",
model="deepseek/deepseek-v3.2"
)
# 步骤 3: 定义工具列表
tools = ["multiply_tool", "add_tool"]
# 步骤 4: 创建 ReactAgent
agent = ReactAgent(
llm=llm,
tools=tools,
max_retries=5,
return_trace=False,
stream=False
)
# 步骤 5: 使用 Agent 处理查询
# Agent 会根据问题自动决定是否需要调用工具，以及调用哪个工具
query = "What is 20+(2*4)? Calculate step by step."
result = agent(query)
print(result)
#输出示例
#03 结语
以上就是本次联合解决方案的完整实操指南。LazyLLM的一站式工具链配合PPIO的算力底座，为AI应用开发提供了一条”即开即用”的捷径。我们希望通过这一标准化的流程，帮助大家从繁琐的底层调试中解放出来。
目前，双方的适配已全面上线，欢迎各位开发者即刻接入体验，我们期待看到更多富有创造力的智能体应用在这一生态中诞生。
欢迎升级体验 LazyLLM v0.7.1，请大家去github上点一个免费的star，支持一下～
仓库链接🔗：
更多技术内容，欢迎移步 “LazyLLM” 讨论！
</div>
