如何10分钟上手ACE？从环境安装到第一次训练的完整教程（uv + DeepSeek实战）

人工智能大模型AI Agent提示工程【免费下载链接】aceEvolve your language agent with Agentic Context Engineering (ACE)项目地址https://gitcode.com/gh_mirrors/ace45/ace点击查看免费下载ACEAgentic Context Engineering智能体上下文工程是一个让大语言模型自我进化的开源框架它把上下文当作不断生长的 Playbook策略手册通过 Generator、Reflector、Curator 三个角色协作让模型从自己的执行经验中积累策略、修正错误。本教程带你用 uv 搭建环境并调用 DeepSeek-V3.1 模型完成第一次 ACE 训练。什么是 ACE让上下文长大而非微调传统做法要么靠微调模型慢且贵要么反复重写提示词容易丢失细节即 context collapse。ACE 的思路不同Generator生成器带着当前 Playbook 回答新问题产生推理轨迹Reflector反思者分析答错的轨迹提炼出经验教训并给 Playbook 中的条目打上 helpful/harmful 计数Curator整理者把经验转换成增量式delta更新合并重复项、剪枝失效项让 Playbook 越滚越精据官方数据ACE 在 Agent 任务上平均提升10.6%、在金融领域基准上提升8.6%且适配延迟比现有自适应方法低 86.9%。架构入口在 ace/ace.py三个角色分别位于 ace/core/generator.py、ace/core/reflector.py、ace/core/curator.py。准备工作3 个前置条件条件要求说明Python≥ 3.10仓库锁定 3.12见 .python-versionuv 会自动处理uv任意近期版本快速 Python 包与虚拟环境管理器LLM API Key四选一SambaNova / Together / OpenAI / CommonstackDeepSeek-V3.1 在 SambaNova、Together 上可用 ACE 默认三个角色都使用DeepSeek-V3.1模型这也是DeepSeek 实战的核心所在。一键安装步骤clone 仓库并用 uv 初始化环境Step 1克隆仓库git clone https://gitcode.com/gh_mirrors/ace45/ace cd aceStep 2安装 uv已安装可跳过curl -LsSf https://astral.sh/uv/install.sh | shStep 3一键同步依赖uv syncuv sync会读取 pyproject.toml 中的声明openai、faiss-cpu、sentence-transformers、tiktoken 等自动创建虚拟环境并安装全部依赖无需手动pip install。配置 API Key只需改一个 .env 文件cp .env.example .env打开 .env 填入你需要的那个 key 即可例如用 SambaNova 跑 DeepSeek-V3.1SAMBANOVA_API_KEY你的key四个 provider 与环境变量、默认模型的对应关系可以在 utils.py 的initialize_clients()中查到——每个 provider 都会为 Generator / Reflector / Curator 各自创建一个 OpenAI 兼容客户端。⚠️ 未配置 key 时运行会直接报错SambaNova api key not found in environment variables先检查.env是否已复制到仓库根目录。第一次训练前认识内置的金融任务数据ACE 自带FiNER金融信息抽取和XBRL Formula结构化公式推理两个任务数据均为 JSONL 格式路径配置见 eval/finance/data/sample_config.json训练集finer_train_batched_1000_samples.jsonl1000 条验证集finer_val_batched_500_samples.jsonl500 条测试集finer_test_subset_006_seed42.jsonl每条样本包含contextXBRL 专家提示、question、target标准答案等字段训练时无需任何额外处理。运行第一次训练offline 模式一条命令在仓库根目录执行uv run python -m eval.finance.run \ --task_name finer \ --mode offline \ --save_path results这条命令由 eval/finance/run.py 驱动默认配置DeepSeek-V3.1 × 3 个角色、1 个 epoch、每 100 步验证一次、每 50 步保存中间 Playbook。三种运行模式怎么选模式命令参数适用场景offline--mode offline有 train/val/test 划分离线训练并在验证集上选出最佳 Playbookonline--mode online边跑测试边进化 Playbook模拟真实流式场景eval_only--mode eval_only只评估加载已有best_playbook.txt做推理测试想调参数也很简单例如训练 3 轮、每 50 步评估一次uv run python -m eval.finance.run \ --task_name finer --mode offline --save_path results \ --num_epochs 3 --eval_steps 50 --max_tokens 4096查看训练产出你的 Playbook 长这样训练结束后results/下会生成一个以时间戳命名的目录结构见 README.md重点看这几个文件best_playbook.txt验证集上表现最好的上下文offline 模式专属final_test_results.json/initial_test_results.json训练前后测试集对比curator_operations_diff.jsonlCurator 的每次合并/剪枝操作记录进化后的 Playbook 采用统一结构每条经验带 ID 和 helpful/harmful 计数## STRATEGIES INSIGHTS [str-00001] helpful5 harmful0 :: Always verify data types before processing ## FORMULAS CALCULATIONS [cal-00003] helpful8 harmful0 :: NPV Σ(Cash Flow / (1r)^t) ## COMMON MISTAKES TO AVOID [mis-00004] helpful6 harmful0 :: Dont forget timezone conversions打开它就能看到 ACE 从 1000 条训练样本里自学出的策略——这正是整个框架的精华。关键参数速查表参数默认值作用--num_epochs1训练轮数--max_num_rounds3答错样本的最大反思轮数--curator_frequency1每 N 步运行一次 Curator--eval_steps100每 N 步在验证集上评估--save_steps50每 N 步保存中间 Playbook--max_tokens4096LLM 最大输出 tokens--playbook_token_budget80000Playbook 总 token 预算--api_providersambanova可选sambanova / together / openai / commonstack进阶把自己的任务接入 ACEACE 的扩展成本很低只需实现DataProcessor的 3 个方法process_task_data()把原始数据转成{context, question, target}标准格式answer_is_correct()判断预测是否等于标准答案evaluate_accuracy()计算准确率并行测试、结果聚合等繁琐逻辑已由 utils.py 中的可复用工具接管。完整开发者指南见 EXTENDING_ACE.md新增数据集的操作步骤见 tutorials/ExtendingDatasets.md。常见问题快速排查❓ 报错api key not found确认.env在仓库根目录且api_provider与所填 key 对应例如用 Together 的 key 就要加--api_provider together。❓ 想降低训练成本把--num_epochs保持为 1并用--eval_steps 100以上的间隔ACE 论文的核心卖点之一就是在更少的 rollouts 下拿到更高质量不必盲目加大轮数。❓ 想验证已有 Playbook 效果用eval_only模式加载历史产物uv run python -m eval.finance.run \ --task_name finer --mode eval_only \ --initial_playbook_path results/ace_run_.../best_playbook.txt \ --save_path test_results小结10 分钟路线图uv sync装好环境约 2 分钟cp .env.example .env填入 API Key1 分钟一条eval.finance.run命令跑通 offline 训练打开best_playbook.txt见证上下文进化的成果至此你就完成了 ACE 从安装到训练的全流程接下来可以尝试online模式或把自有数据接入框架让 ACE 在你的业务场景上持续自我改进 赞分享人工智能大模型AI Agent提示工程【免费下载链接】aceEvolve your language agent with Agentic Context Engineering (ACE)项目地址https://gitcode.com/gh_mirrors/ace45/ace点击查看免费下载相关推荐如何10分钟上手SkillsBench从安装BenchFlow到第一次评测的完整教程如何10分钟上手SkillsBench从安装BenchFlow到第一次评测的完整教程 SkillsBench 是目前首个专门评测「AI Agent 如何调用技人工智能大模型AI 评测Agent 评测如何10分钟上手Stellar从安装、启动服务到第一次特权操作的完整教程如何10分钟上手Stellar从安装、启动服务到第一次特权操作的完整教程 Stellar 是一个基于 Shizuku 的深度定制分支它是一个 Android移动开发认证鉴权10分钟上手SpiderFoot从安装到首次OSINT扫描的完整实战教程10分钟上手SpiderFoot从安装到首次OSINT扫描的完整实战教程 你还在为手动收集开源情报OSINT而烦恼吗SpiderFoot作为一款强大的自网络安全创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考