Microsoft Agent-Lightning 設定與應用指南

本文檔介紹了如何利用 microsoft/agent-lightning 自動優化 GIIP 代理的提示詞（Prompt）。

🚀 概述

Agent-Lightning 是一個透過強化學習 (RL) 對代理提示詞進行微調的框架。它利用操作歷史作為資料集，尋找能讓代理發揮更高性能的最佳指令。

[!IMPORTANT] Windows 用戶注意：由於 agent-lightning 使用了 Unix 專屬庫，請務必在 WSL2 或 Linux 環境下執行。

🛠️ 安裝方法 (基於 WSL2 / Linux)

1. 準備 Python 環境：

   # 推薦使用 Python 3.10+
   python3 -m venv venv
   source venv/bin/activate

2. 安裝庫：

   pip install agentlightning

3. 配置 API 金鑰： 設置環境變數，以便學習循環可以呼叫 LLM。

   export AZURE_OPENAI_API_KEY="your-key"
   export AZURE_OPENAI_ENDPOINT="your-endpoint"

📈 應用流程

第一步：生成訓練資料

在 Windows 環境的終端執行以下命令，將專案內的操作記錄轉換為資料集：

python giipdb/scripts/prompt_optimization/generate_dataset.py

成功後將生成 giipdb/scripts/prompt_optimization/giip_training_data.jsonl 檔案。

第二步：啟動強化學習 (WSL2)

使用生成的資料集微調代理指令：

# 在 WSL 終端執行
python giipdb/scripts/prompt_optimization/train_giip_role.py

第三步：應用優化結果

訓練完成後，將得出的 Optimal Prompt 更新到 .agent/roles/ 資料夾內相應의 Markdown 檔案中。

📊 預期效果

• 提高成功率：學習過往失敗案例，防止類似錯誤再次發生。
• 自動提示詞工程：利用基於資料的数据驱动優化，替代手動調優。
• 自主改進系統：在整個專案運營過程中提升代理的平均智能水平。

🩺 疑難排解

症狀	原因	解決
在 Windows 上安裝或執行訓練時出現 Unix 庫相關錯誤	agent-lightning 依賴 Unix 專屬庫	訓練（第二步）在 WSL2 或 Linux 中執行。僅在 Windows 上執行資料集生成（第一步）
執行第二步訓練時找不到資料集	未執行第一步的 generate_dataset.py，或路徑不同	先執行第一步，確認是否生成了 giipdb/scripts/prompt_optimization/giip_training_data.jsonl
訓練循環呼叫 LLM 時出現認證錯誤	未設置 AZURE_OPENAI_API_KEY / AZURE_OPENAI_ENDPOINT 環境變數	在 WSL 工作階段中使用 export 設置這兩個環境變數後重新執行
python: command not found 或版本錯誤	Python 低於 3.10，或未啟用 venv	安裝 Python 3.10+ 後，使用 source venv/bin/activate 啟用虛擬環境