|
Modelscope-Agent（https://github.com/modelscope/modelscope-agent）是魔搭GPTs 开源的实现方案的底层框架，基于chatbot允许用户通过聊天、直接配置的方式进行agent的定制生成，可以允许用户使用自定义知识库以及接入多工具的能力。于此同时，Modelscope-Agent当前支持的知识库功能存在：可读文件类型有限、效果不稳定、召回策略固定、对大文件和多文件的支持较弱等问题。
为增强Modelscope-Agent的知识库能力，我们兼容适配了常用的RAG开源方案来增强这方面能力，目前主要功能以llama-index为主。llama-index 是一个简单、灵活的RAG数据框架，用于将自定义数据源连接到大型语言模型(LLM)。同时llama-index提供插件市场，支持社区开发者贡献不同类型文件reader、不同召回策略、chunk方法等。结合社区能力，可很好地对modelscope_agent的知识库能力做补充。
本系列文章，集中探索了利用开源的技术方案让Modelscope-Agent在不同的RAG场景中具备更强的方案解决能力，更灵活的配置能力，以及在一些核心场景中的更高的准确率和性能效果。
本文重点介绍通过引入llama-index后，Modelscope-Agent在多策略和多模态召回两个场景上的应用案例，后续还有更多其他能力的介绍。
在整体RAG能力提升的设计方案提出之初，希望开源方案，如llama-index的引入不对原有的知识库召回链路使用体验造成影响。因此，知识库的RAG处理沿用之前的方案，分为2个阶段：
在原有方案中，memory承载了所有长短期记忆包括外挂知识库RAG的操作，这样设计的目的是，映射人类学习新东西到记忆中，并且凭借记忆去寻找新学习到的技能的具体方法。
具体使用如下所示： from modelscope_agent.memory import MemoryWithRag
memory = MemoryWithRag(urls=['tests/samples/常见QA.pdf'])print(memory.run(query='高德天气api怎么申请'))
在Modelscope-Agent中支持RAG链路的的架构如下图所示，其中知识库内容的索引构建沿着浅绿色箭头所示，根据query召回知识库对应内容如深绿色箭头所示。 
在一个实际的agent使用场景下，RAG链路在Modelscope-Agent的应用如下所示。 from modelscope_agent.memory import MemoryWithRagfrom modelscope_agent.agents import RolePlay
# 初始化个性化agentrole_template = '知识库查询小助手，可以优先通过查询本地知识库来回答用户的问题'llm_config = {'model': 'qwen-max', 'model_server': 'dashscope'}function_list = []bot = RolePlay(function_list=function_list,llm=llm_config, instruction=role_template)
# 初始化memorymemory = MemoryWithRag(urls=['./tests/samples/常见QA.pdf'], use_knowledge_cache=False)
query = "高德天气API在哪申请"use_llm = True if len(function_list) else False # 如果agent需要调用工具，则让memory提前总结一次，获得更好的工具调用效果。
ref_doc = memory.run(query, use_llm=use_llm)response = bot.run(query, remote=False, print_info=True, ref_doc=ref_doc)text = ''for chunk in response:text += chunkprint(text)
按照上述流程，内部各模块都支持可灵活配置。接下来将依次介绍各个模块的使用细节。
文件读取文件读取（read）模块会从不同来源、不同类型文档中读取信息。read中默认提供如下类型文件的读取：`.hwp`, `.pdf`, `.docx`, `.pptx`, `.ppt`, `.pptm`, `.jpg`, `.png`, `.jpeg`, `.mp3`, `.mp4`, `.csv`, `.epub`, `.md`, `.mbox`, `.ipynb`, `txt`, `.pd`, `.html`。其他类型的文件未配置默认reader，可在插件市场选取更多类型文件reader、或自定义reader传入使用。未配置reader的其他类型文件传入时将被忽略。
from modelscope_agent.memory import MemoryWithRagfrom llama_index.readers.json import JSONReader
memory=MemoryWithRag(urls=['/home/test.json'],loaders={'.json':JSONReader})
构建索引 构建索引（indexing）包括对文档切片、将每个文档片段向量化（如有）等。由于索引构建方式与召回方式强相关，因此这部分内容与retriever的初始化（get_root_retriever）在一个函数内实现。其中，大文档chunk策略默认使用按语义切片（sentence_spliter）、默认使用向量召回、默认的embedding模型为dashscope提供的text-embedding-v2。
如果您想使用其他chunk方式或emb模型，可以通过transformations和emb参数传入。其中，transformations参数允许接收的类包括：TextSplitter、NodeParser、MetadataExtractor，详情可参考llama-index相关文档；emb模型可在插件市场选用
from modelscope_agent.memory import MemoryWithRagfrom llama_index.core.extractors import TitleExtractorfrom llama_index.embeddings.openai import OpenAIEmbedding
# transformations参数以TitleExtractor为例# emb模型切换以OpenAIEmbedding为例。注意，使用该emb模型时，需要在可访问openai接口的环境中（在环境变量中配置openai的api-key，且需要在能够访问openai的网络环境中）memory=MemoryWithRag(transformations=[TitleExtractor]，emb=OpenAIEmbedding)
缓存加载 缓存（storing）将indexing后的信息保存成文件，以便后续再次使用时无需重新indexing，同时也方便将indexing文件移动切换到其他环境使用。默认存储路径在./run下。可以通过storage_path配置。同时通过use_knowledge_cache控制初始化时是否使用cache。 from modelscope_agent.memory import MemoryWithRag
# 将2个文件indexing后存储到./tmp/目录MemoryWithRag(urls=['tests/samples/modelscope_qa_2.txt', 'tests/samples/常见QA.pdf'],storage_path='./tmp/',use_knowledge_cache=False,)# 从./tmp/目录加载memory = MemoryWithRag(storage_path='./tmp/',use_knowledge_cache=True,)
查询查询（querying）：根据query内容从候选的indexed数据中进行召回，用召回的chunks访问llm，得到整合总结后的结果返回给用户。使用上可以在初始化时将文档链接通过urls传入。
from modelscope_agent.memory import MemoryWithRag
memory = MemoryWithRag(urls=['tests/samples/常见QA.pdf', 'tests/samples/modelscope_qa_2.txt'])print(memory.run(query='高德天气api怎么申请'))
在运行过程中，可以指定本次访问使用的文档范围。如果某个文档在初始化时未被传入，在run的过程中也会先对该文档进行加载、索引、存储。
from modelscope_agent.memory import MemoryWithRag
memory = MemoryWithRag()print(memory.run(query='模型大文件上传失败怎么办',url=['tests/samples/modelscope_qa_2.txt']))
querying的流程主要可分为3步：从候选文档中召回相关片段、对召回内容后处理、传入llm进行总结。
召回根据查询的请求内容，在候选知识库中找到相关性最高的一个或多个。前面介绍index时提到，召回方法默认为向量召回。如果您想使用其他召回方法，可以通过配置retriever参数实现。 from modelscope_agent.memory import MemoryWithRagfrom llama_index.retrievers.bm25 import BM25Retriever
memory = MemoryWithRag(retriever=BM25Retriever)
后处理在querying的流程中，支持对召回的知识库片段内容进行自定义后处理。比如召回多条内容时，可按照与query的相关性进行重排；您可以在llama-index的插件市场找到不同的后处理方法。后处理方法可通过post_processors传入；如果该参数不传入，默认不进行后处理。 from modelscope_agent.memory import MemoryWithRagfrom llama_index.postprocessor.dashscope_rerank import DashScopeRerank
memory = MemoryWithRag(post_processors=[DashScopeRerank])
llm调用召回的文档片段可能内容很多，其中与query查询相关的内容可能仅有一两句，或者需要总结。因此需要llm对召回后的内容进行有效信息抽取总结。您可以配置不同的llm，这个llm可以是modelscope-agent的模型对象或llm_config配置方法；也可以是llama-index插件市场中的，初始化完成的llm对象。不配置时，默认使用dashscope提供的qwen-max。 from modelscope_agent.memory import MemoryWithRag
llm_config = {'model': 'qwen-max', 'model_server': 'dashscope'}memory = MemoryWithRag(llm=llm_config)
在实际应用中，对于同一文档中的不同组成部分（如pdf的标题、文字、与插图）、或不同来源的信息，对召回的需求不一致。如长文本召回需要模糊匹配，而代码片段的召回则需要精准匹配。为了达到更好的召回效果，可以对整个流程进行混合自定义。 
多策略如果单一的召回策略无法满足使用需求，需要定制复杂多策略。可以自定义实现多种召回器混用的召回策略。以下示例实现了一个混用向量召回和最佳匹配的召回器： from typing import Listfrom llama_index.core import VectorStoreIndexfrom llama_index.retrievers.bm25 import BM25Retrieverfrom llama_index.core.base.base_retriever import BaseRetrieverfrom llama_index.core.schema import NodeWithScorefrom llama_index.core.schema import QueryBundlefrom modelscope_agent.memory import MemoryWithRag
class MyRetriever(BaseRetriever):def __init__(self, index: VectorStoreIndex, **kwargs) -> None:self._vector_retriever = index.as_retriever()self._best_match_retriever = BM25Retriever.from_defaults(index)super().__init__(**kwargs)
def _retrieve(self, query_bundle: QueryBundle) -> List[NodeWithScore]:vector_nodes = self._vector_retriever.retrieve(query_bundle)bs_nodes = self._best_match_retriever.retrieve(query_bundle)print(f'向量召回的节点：{vector_nodes}\n')print(f'bm25召回的节点：{bs_nodes}\n')
vector_ids = {n.node.node_id for n in vector_nodes}bs_ids = {n.node.node_id for n in bs_nodes}combined_dict = {n.node.node_id: n for n in vector_nodes}combined_dict.update({n.node.node_id: n for n in bs_nodes})
retrieve_ids = vector_ids.union(bs_ids)
retrieve_nodes = [combined_dict[rid] for rid in retrieve_ids]return retrieve_nodes
memory = MemoryWithRag(retriever=MyRetriever, urls=['tests/samples/modelscope_qa_2.txt', 'tests/samples/常见QA.pdf'], use_knowledge_cache=False)print(memory.run(query='高德天气API怎么申请？'))
能看到运行结果中，向量召回的节点有2个，其中第一个节点的文档包含我们想要的内容：“⾼德天⽓ API 请在这⾥申请：https://lbs.amap.com/api/javascript-api-v2/guide/services/weather\n”：
[NodeWithScore(node=TextNode(id_='2ce30d75-244f-49ac-ad99-2c419f84d6cb',embedding=None,metadata={'page_label':'4','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},excluded_embed_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],excluded_llm_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],relationships={<NodeRelationship.SOURCE:'1'>:RelatedNodeInfo(node_id='f9871165-1501-4dd1-a4c8-55f29e71a352',node_type=<ObjectType.DOCUMENT:'4'>,metadata={'page_label':'4','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},hash='02ab04742f5c544bb2d390fa529db2d179d8e3f052635fb73047175367e252a3'),<NodeRelationship.PREVIOUS:'2'>:RelatedNodeInfo(node_id='a64fcd33-d497-4165-a9d5-ca6ff166d818',node_type=<ObjectType.TEXT:'1'>,metadata={'page_label':'3','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},hash='ea966d431e644b64f3baddc19af26273c8936aa177bb4328e84861ca0889e6a9'),<NodeRelationship.NEXT:'3'>:RelatedNodeInfo(node_id='33f28073-49e1-4ff2-874f-4b5b803a6330',node_type=<ObjectType.TEXT:'1'>,metadata={},hash='89a1d1e1805f714f0577089ddd4eb1b932977b9d29fc92271e96e848363218f1')},text='4/5对应的KEY申请链接：千问、万相、艺术字的API统⼀在这⾥申请：\nhttps://help.aliyun.com/zh/dashscope/developer-reference/activate-dashscope-and-create-an-api-\nkey。\n⾼德天⽓API请在这⾥申请：https://lbs.amap.com/api/javascript-api-v2/guide/services/weather\n7.如何贡献tool？\n可以将API注册为Tool，成为smartAPI，⽅便社区其他⽤户使⽤。具体注册流程请⻅Agent实操\n（三）：将API注册为tool，成为smartAPI，⽅便社区开发者调⽤：\nhttps://modelscope.cn/headlines/article/268\n8.如何调⽤API\n具体⽂档可参考：低代码调⽤API创建更加酷炫的\nAgenthttps://modelscope.cn/headlines/article/267\n①进⼊“Configure（配置）”类的Agent创建\n②选择“OpenAPIConfiguration”对其“schema配置”进⾏配置，规范如下：\nOpenapi\nschema\n编写解释，根据api详情进⾏编写复制代码\n③“AuthenticationType”选择：\nAuthenticationType选择了None，则⽆需填写。\nAuthenticationType选择了APIKey，则这⾥需要填⼊key（也可被称为token）。dashscope的key\n的获取⽅式⻅⽂档：https://help.aliyun.com/zh/dashscope/developer-reference/activate-\ndashscope-and-create-an-api-key/?spm=a2c4g.11174283.0.0.',start_char_idx=0,end_char_idx=873,text_template='{metadata_str}\n\n{content}',metadata_template='{key}:{value}',metadata_seperator='\n'),score=0.4076330930534659),NodeWithScore(node=TextNode(id_='c79298d9-5deb-4760-b49f-7181aba08959',embedding=None,metadata={'page_label':'2','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},excluded_embed_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],excluded_llm_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],relationships={<NodeRelationship.SOURCE:'1'>:RelatedNodeInfo(node_id='39809dc5-830c-4f21-8527-5a1f57bb15da',node_type=<ObjectType.DOCUMENT:'4'>,metadata={'page_label':'2','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},hash='ccac944f78a9b50a6601a958c732626c22dbcdb37fdc55c386bc4a141cf175b9'),<NodeRelationship.PREVIOUS:'2'>:RelatedNodeInfo(node_id='50a487c6-eab8-4a60-97ba-e7c07baf5cc5',node_type=<ObjectType.TEXT:'1'>,metadata={'page_label':'1','file_name':'常见QA.pdf','file_path':'tests/samples/常见QA.pdf','file_type':'application/pdf','file_size':898222,'creation_date':'2024-06-06','last_modified_date':'2024-06-06'},hash='b2b79f4dfb9613a5d16dba31f26d3fd16b3a738fe346140dfbb71f204d9827f8'),<NodeRelationship.NEXT:'3'>:RelatedNodeInfo(node_id='a64fcd33-d497-4165-a9d5-ca6ff166d818',node_type=<ObjectType.TEXT:'1'>,metadata={},hash='1248852b934bf9ea7cc6de4178a6567e47139f9b678f0d17c34e2ef4bfa26c64')},text='2/5⾼德天⽓API请在这⾥申请：https://lbs.amap.com/api/javascript-api-v2/guide/services/weather后\n填⼊\n3-2：AGENT_URL保持默认即可\n4.如何找到我发布的Agent\n4-1：通过创空间⻚⾯查询：进⼊创空间⻚⾯，点击筛选条件“更新时间”即可查询。\n4-2：通过⾸⻚“我创建的”查询：https://modelscope.cn/my/myspace\n5.如何修改已发布的Agent\n背景知识：agent的instruction等信息被存在AGENT_URL',start_char_idx=0,end_char_idx=288,text_template='{metadata_str}\n\n{content}',metadata_template='{key}:{value}',metadata_seperator='\n'),score=0.3573998250977543)]
而bm25召回的2个节点中，并不包含有高德天气API的内容，其召回内容主要集中在传入的第一个url。
[NodeWithScore(node=TextNode(id_='828f0384-028b-4bf5-8ee9-193f0684517a',embedding=None,metadata={'file_path':'tests/samples/modelscope_qa_2.txt','file_name':'modelscope_qa_2.txt','file_type':'text/plain','file_size':2174,'creation_date':'2024-01-11','last_modified_date':'2024-01-11'},excluded_embed_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],excluded_llm_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],relationships={<NodeRelationship.SOURCE:'1'>:RelatedNodeInfo(node_id='ff093ebe-9d34-4298-8012-74d3d231d378',node_type=<ObjectType.DOCUMENT:'4'>,metadata={'file_path':'tests/samples/modelscope_qa_2.txt','file_name':'modelscope_qa_2.txt','file_type':'text/plain','file_size':2174,'creation_date':'2024-01-11','last_modified_date':'2024-01-11'},hash='44a9f5346e712206f940ae909dbb992a5429e9522666302ba3eec202c5ffed12'),<NodeRelationship.NEXT:'3'>:RelatedNodeInfo(node_id='0ef0404b-e5c9-4272-9696-64e88971bf80',node_type=<ObjectType.TEXT:'1'>,metadata={},hash='c9e633a6f17f545e5f3f4d51cd39747778c4595a03655901484c96f5048f9615')},text="Q8：多卡环境，如何指定卡推理？\n\n推理可以传递参数device，pipeline参数:device设置'gpu:0'即可。\n\nQ9：zero-shot分类模型可以用下游的自己的数据作微调吗？\n\n可以。如果您的数据label变化较大，出于追求模型效果，classifier可以initweight处理。如果您的数据label变化不大，可以直接在classifier上继续微调。\n\nQ10：在哪里可以看得到ModelScope教程和实战资料？\n\n您可以查看ModelScope实战训练营，点击报名后即可查看所有录制的视频课程。\n\nQ11：ModelScope有没有已经搭好的docker镜像，以及我应该在哪里下载使用？\n\nModelScope提供GPU镜像和CPU镜像，具体可在环境安装内查看最新版本镜像信息。\n\nQ12：ModelScope是否支持算法评测？\n\n目前API支持单个模型的finetune和评测，批量评测功能还在持续建设中，您暂时可以写个脚本来实现。关于算法评测，可以参考这里。\n\nQ13：ModelScope是否会推出纯离线的SDK版本？\n\n现在模型大部分还是需要基于服务端的算力支持，纯端上的模型的剪枝和转化可以需要用一些工具来解决，这部分工具能力还在规划开放中。\n\nQ14：通过SDK上传数据集或模型时，报错“requests.exceptions.HTTPError:400ClientError:BadRequestforurl:”怎么办？\n\n您可以先检查下当前的Library版本，确认下是否为最新。",start_char_idx=0,end_char_idx=711,text_template='{metadata_str}\n\n{content}',metadata_template='{key}:{value}',metadata_seperator='\n'),score=0.0),NodeWithScore(node=TextNode(id_='0ef0404b-e5c9-4272-9696-64e88971bf80',embedding=None,metadata={'file_path':'tests/samples/modelscope_qa_2.txt','file_name':'modelscope_qa_2.txt','file_type':'text/plain','file_size':2174,'creation_date':'2024-01-11','last_modified_date':'2024-01-11'},excluded_embed_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],excluded_llm_metadata_keys=['file_name','file_type','file_size','creation_date','last_modified_date','last_accessed_date'],relationships={<NodeRelationship.SOURCE:'1'>:RelatedNodeInfo(node_id='ff093ebe-9d34-4298-8012-74d3d231d378',node_type=<ObjectType.DOCUMENT:'4'>,metadata={'file_path':'tests/samples/modelscope_qa_2.txt','file_name':'modelscope_qa_2.txt','file_type':'text/plain','file_size':2174,'creation_date':'2024-01-11','last_modified_date':'2024-01-11'},hash='44a9f5346e712206f940ae909dbb992a5429e9522666302ba3eec202c5ffed12'),<NodeRelationship.PREVIOUS:'2'>:RelatedNodeInfo(node_id='828f0384-028b-4bf5-8ee9-193f0684517a',node_type=<ObjectType.TEXT:'1'>,metadata={'file_path':'tests/samples/modelscope_qa_2.txt','file_name':'modelscope_qa_2.txt','file_type':'text/plain','file_size':2174,'creation_date':'2024-01-11','last_modified_date':'2024-01-11'},hash='ce683c72508ea8d2768fbd7678f548bd4165021fc5eb8e84d516d39c63716369'),<NodeRelationship.NEXT:'3'>:RelatedNodeInfo(node_id='50a487c6-eab8-4a60-97ba-e7c07baf5cc5',node_type=<ObjectType.TEXT:'1'>,metadata={},hash='63a25c47fe4e6e1e2ea871f2934bd009333cb93abb9d5c798a7910858e8605d9')},text='关于算法评测，可以参考这里。\n\nQ13：ModelScope是否会推出纯离线的SDK版本？\n\n现在模型大部分还是需要基于服务端的算力支持，纯端上的模型的剪枝和转化可以需要用一些工具来解决，这部分工具能力还在规划开放中。\n\nQ14：通过SDK上传数据集或模型时，报错“requests.exceptions.HTTPError:400ClientError:BadRequestforurl:”怎么办？\n\n您可以先检查下当前的Library版本，确认下是否为最新。然后检查下采用的token是否为SDKtoken。若还不能解决该问题，请联系官方协助您解决。\n\nQ15：使用官方镜像，但加载模型过程中会存在报错，应该怎么解决？\n您可以先通过piplist等方式，对照环境安装内版本号看当前镜像是否为最新版本，若非最新版本，可更新后重试。若重试依然无法解决问题，请通过官方钉钉群联系我们。\n\nQ16:模型大文件上传遇到问题如何解决？\n模型文件一般都比较大，我们通过gitlfs管理模型中的大文件，首先确保您安装了正确版本的git-lfs,另外请确保您的大文件在文件列表中(.gitattributes文件).',start_char_idx=466,end_char_idx=995,text_template='{metadata_str}\n\n{content}',metadata_template='{key}:{value}',metadata_seperator='\n'),score=0.0)]
取两个召回器召回内容并集的结果，memory.run总结得到输出：
高德天气API可以在以下链接申请：[https://lbs.amap.com/api/javascript-api-v2/guide/services/weather](https://lbs.amap.com/api/javascript-api-v2/guide/services/weather) 不同的召回方式对不同类型文档的召回能力表现各有差异，灵活混用可以让各召回器在各自擅长的领域发挥最大作用。
多模态前面介绍文件读取时有提到，默认支持的除文本文件外，还支持 .jpg, .png, .jpeg, .mp3, .mp4等图片、音频、视频模态文件。以图片模态为例，图片对应的阅读器是ImageReader，其参数`parse_text`为True时，会自动从hf下载调用识图模型naver-clova-ix/donut-base-finetuned-cord-v2，对图像内容进行理解，作为图像信息供后续的召回参考。由于从hf下载模型需要在特定的网络环境下，因此默认不使用读图功能，因此在默认配置中，图像模态给到召回器可参考的信息只有：这是个图像+图片路径与文件名。例如有一个名为rag的图片： from modelscope_agent.memory import MemoryWithRag
memory = MemoryWithRag(urls=['tests/samples/rag.png'], use_knowledge_cache=False)
print(memory.run('我想看rag的流程图'))# 输出结果：我无法直接提供文件内容或显示图像，但您可以查看位于tests/samples/rag.png的流程图来获取所需信息。print(memory.run('我想看rag的流程图', use_llm=False))# 输出结果：file_path: tests/samples/rag.png
后续我们会对此进行优化，增加图像理解模型的可选范围。如果当前您想使用图像理解功能，在能够使用naver-clova-ix/donut-base-finetuned-cord-v2的环境下可以这样操作：
from modelscope_agent.memory import MemoryWithRagfrom llama_index.readers.file import ImageReader
memory=MemoryWithRag(urls=['tests/samples/rag.png'],loaders={'.png':ImageReader(parse_text=True)})
更多ModelScope-Agent介绍：
|
