AI工具生態入門：AI Agent平臺 與 AutoClaw 實戰筆記

為什么選 AI Agent平臺 和 AutoClaw

AI 工具鏈常卡在第一步：裝不起來。Python 版本沖突、CUDA 版本不匹配、文檔全是英文、配置項繞來繞去……這些不是門檻，是路障。

AI Agent平臺 和 AutoClaw 解決的是“能跑起來”這件事。它們不追求大而全，專注把訓練、推理、部署的鏈路壓到最短，中文文檔寫在代碼注釋里，報錯信息直接告訴你該刪哪行、該裝哪個 wheel。

兩者定位不同：

• AI Agent平臺 是本地優先的輕量訓練框架，模型訓完直接導出 ONNX，適合邊緣設備或離線場景；
• AutoClaw 是 API 優先的推理封裝，支持 HTTP/gRPC 調用，內置模型服務化邏輯（自動批處理、緩存、健康檢查），適合快速搭 demo 或集成進業務系統。

安裝 AI Agent平臺（Linux/macOS）

別碰系統 Python。用 pyenv 或手動編譯，確保干凈。

# 編譯 Python 3.9.16（推薦，避免 Ubuntu/Debian 的舊版問題）
wget https://www.python.org/ftp/python/3.9.16/Python-3.9.16.tgz
tar -xzf Python-3.9.16.tgz
cd Python-3.9.16
./configure --enable-optimizations --prefix=$HOME/.local
make -j$(nproc)
make install
export PATH="$HOME/.local/bin:$PATH"

創建隔離環境：

python3.9 -m venv ~/claw-env
source ~/claw-env/bin/activate
pip install --upgrade pip
pip install ai-agent

驗證安裝：

ai-agent --version
# 輸出類似：ai-agent 0.4.2

配置與訓練一個圖像分類模型

初始化生成默認配置：

ai-agent init
# 生成 config.yaml 和 datasets/ 目錄

編輯 config.yaml，關鍵字段：

model:
  name: "resnet18"
  pretrained: true
  num_classes: 10

data:
  train_dir: "datasets/mnist/train"
  val_dir: "datasets/mnist/val"
  batch_size: 32
  num_workers: 4

train:
  epochs: 10
  lr: 0.01
  optimizer: "sgd"

準備數據目錄結構（AI Agent平臺 要求標準 ImageFolder 格式）：

datasets/mnist/
├── train/
│   ├── 0/
│   ├── 1/
│   └── ...
└── val/
    ├── 0/
    ├── 1/
    └── ...

啟動訓練：

ai-agent train --config config.yaml

訓練日志實時輸出，每 epoch 結束后自動保存 checkpoints/epoch_9.pth。中斷后加 --resume checkpoints/epoch_5.pth 續訓。

安裝與使用 AutoClaw

AutoClaw 不訓練模型，只做推理服務。它依賴 AI Agent平臺 導出的模型文件（ONNX 或 TorchScript）。

pip install autoclaw

啟動服務前，先用 AI Agent平臺 導出模型：

ai-agent export --checkpoint checkpoints/epoch_9.pth --output model.onnx

啟動 AutoClaw 服務：

autoclaw serve --model model.onnx --port 8000
# 輸出：Serving on http://localhost:8000/docs (Swagger UI)

發送推理請求（curl 示例）：

curl -X POST "http://localhost:8000/predict" \
  -H "Content-Type: application/json" \
  -d '{"input": [[0.1, 0.2, ..., 0.9]]}'

返回：

{"prediction": 7, "confidence": 0.992}

AutoClaw 默認支持：

• 批量輸入（list of tensors）
• 自動 shape 推斷（不用手算 input shape）
• CPU/GPU 自動切換（有 CUDA 就用，沒有就 fallback 到 CPU）

真實場景：手寫數字識別 + API 化

1. 用 AI Agent平臺 在本地訓好 MNIST 模型（10 epoch，準確率 98.3%）；
2. ai-agent export 導出為 mnist.onnx；
3. autoclaw serve --model mnist.onnx --port 8001 啟動服務；
4. 前端頁面通過 fetch 調用 http://localhost:8001/predict，畫板傳入 28×28 灰度數組。

整個流程不依賴任何云服務，模型、服務、前端全在本機跑通。調試時改一行 config，重啟服務只要 2 秒。

常見問題直答

• ModuleNotFoundError: No module named 'torch'
  AI Agent平臺 依賴 PyTorch，但不自動安裝。運行 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu（CPU 版）或對應 CUDA 版。
• 訓練卡在 DataLoader
  把 config.yaml 中 num_workers 改成 0，排除多進程問題；確認圖片路徑沒中文、沒空格。
• AutoClaw 啟動報 ONNXRuntimeError
  檢查 ONNX 文件是否損壞：onnx.checker.check_model(onnx.load("model.onnx"))；或用 ai-agent export --opset 12 指定更低 opset 兼容舊 runtime。
• 推理結果和本地預測不一致
  AutoClaw 默認做歸一化（除以 255）和通道轉換（HWC → CHW）。如果自己預處理過，加 --no-preprocess 參數跳過。

下一步怎么走

• 把 ai-agent train 命令寫進 Makefile，一鍵拉起訓練；
• 用 autoclaw serve --reload 開發模式，改模型文件自動重載；
• 查看 ai-agent export --help，試試導出 TensorRT 引擎（需安裝 TRT）；
• 直接讀 AutoClaw 源碼：核心就三個文件 —— server.py、model_loader.py、predictor.py，不到 500 行。

工具的價值不在功能多，而在你第一次跑通時，心里那句“原來就這么簡單”。