news 2026/6/9 18:40:44

Open-AutoGLM部署避坑：requirements安装失败解决方案

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Open-AutoGLM部署避坑：requirements安装失败解决方案

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
Windowsninja,torch缺少 MSVC 编译环境，预编译 wheel 获取困难
macOStorchwith CUDAApple 已弃用 CUDA，只能使用 CPU 版本
Linuxav,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：

  1. 优先安装 torch 系列包，使用官方--extra-index-url
  2. 切换至清华等国内镜像源提升下载成功率
  3. 分步安装 + 修改 requirements适应本地环境
  4. 使用虚拟环境避免依赖污染
  5. 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。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/6/7 11:06:37

NotaGen：基于LLM的古典符号化音乐生成神器

NotaGen&#xff1a;基于LLM的古典符号化音乐生成神器 1. 引言 1.1 技术背景与创新价值 在人工智能与艺术创作深度融合的今天&#xff0c;音乐生成技术正从传统的规则驱动、统计模型逐步迈向以大语言模型&#xff08;LLM&#xff09;为核心的范式转变。传统音乐生成系统多依…

作者头像 李华
网站建设 2026/6/8 15:16:13

bert-base-chinese实战教程：中文NLP入门必看的部署指南

bert-base-chinese实战教程&#xff1a;中文NLP入门必看的部署指南 1. 引言 自然语言处理&#xff08;NLP&#xff09;在人工智能领域中占据着核心地位&#xff0c;而预训练语言模型的出现极大地推动了该领域的技术进步。其中&#xff0c;BERT&#xff08;Bidirectional Enco…

作者头像 李华
网站建设 2026/6/8 14:21:27

IQuest-Coder-V1-40B部署教程：GitHub代码自动生成实战案例

IQuest-Coder-V1-40B部署教程&#xff1a;GitHub代码自动生成实战案例 1. 引言 1.1 项目背景与学习目标 随着大语言模型在软件工程领域的深入应用&#xff0c;自动化代码生成、智能补全和缺陷修复等能力正逐步重塑开发流程。IQuest-Coder-V1-40B-Instruct 作为面向软件工程和…

作者头像 李华
网站建设 2026/6/8 14:34:56

Qwen-1.5B与蒸馏版对比评测：DeepSeek-R1-Distill在垂直场景的优势分析

Qwen-1.5B与蒸馏版对比评测&#xff1a;DeepSeek-R1-Distill在垂直场景的优势分析 1. 背景与选型动机 随着大模型在实际业务中的广泛应用&#xff0c;如何在有限算力条件下实现高效推理成为关键挑战。尽管Qwen系列基础模型&#xff08;如Qwen2.5-Math-1.5B&#xff09;具备较强…

作者头像 李华
网站建设 2026/6/8 15:22:22

VibeThinker-1.5B部署问题汇总：常见错误及解决方法指南

VibeThinker-1.5B部署问题汇总&#xff1a;常见错误及解决方法指南 1. 简介与背景 VibeThinker-1.5B 是由微博开源的一款小参数量密集型语言模型&#xff0c;总参数规模为15亿&#xff08;1.5B&#xff09;&#xff0c;专为数学推理和编程任务设计。尽管其参数量较小&#xf…

作者头像 李华
网站建设 2026/6/8 14:21:34

HY-MT1.5翻译API监控：云端Prometheus+告警配置

HY-MT1.5翻译API监控&#xff1a;云端Prometheus告警配置 你是不是也遇到过这样的问题&#xff1a;线上翻译服务突然变慢&#xff0c;用户投诉增多&#xff0c;但等你发现时已经影响了大量请求&#xff1f;或者业务高峰期GPU资源打满&#xff0c;模型响应延迟飙升&#xff0c;…

作者头像 李华