LM Studio Bionic 发布面向开放模型的 AI 智能体完整实战指南最近在本地部署 AI 大模型时很多开发者都遇到了一个共同难题如何在不依赖云端 API 的情况下让多个开源模型协同工作实现复杂的智能体任务LM Studio 最新发布的 Bionic 版本正好解决了这个痛点。本文将从环境搭建到实战应用完整拆解 LM Studio Bionic 的核心功能帮助开发者快速掌握本地 AI 智能体的部署与开发。无论是想要实验多模型协作的研究人员还是需要在企业内部部署 AI 应用的企业开发者都能从本文找到完整的解决方案。我们将覆盖从基础概念到高级用法的全流程包含大量可运行的代码示例和配置细节。1. LM Studio Bionic 核心概念解析1.1 什么是 LM Studio BionicLM Studio Bionic 是 LM Studio 的一个重要版本更新专注于为开放模型提供 AI 智能体能力。与传统的单一模型对话工具不同Bionic 版本引入了多模型协调处理机制允许用户在同一环境中部署和管理多个开源大语言模型并通过智能体框架让这些模型协同完成复杂任务。从技术架构角度看Bionic 的核心创新在于其模型协调层。该层负责在不同模型之间分配任务、管理上下文传递、处理工具调用结果。这种设计使得开发者能够构建出能力更全面、专业性更强的本地 AI 应用而无需依赖特定的云端服务。1.2 AI 智能体与开放模型的关系AI 智能体AI Agent是指能够感知环境、进行决策并执行动作的智能系统。在 LM Studio Bionic 的语境中智能体通常由多个开放模型组成每个模型承担不同的角色。例如一个代码生成智能体可能包含专门负责代码编写的模型、负责代码审查的模型和负责文档生成的模型。开放模型指的是开源的大语言模型如 Llama、Mistral、CodeLlama 等。这些模型的优势在于可定制性强、数据隐私有保障、使用成本可控。Bionic 版本的价值就在于为这些分散的开放模型提供了统一的智能体框架让它们能够像团队一样协作。1.3 典型应用场景分析基于 LM Studio Bionic 的智能体系统在多个场景中表现出色代码开发助手可以配置一个包含代码生成、代码审查、单元测试生成等多个模型的智能体系统为开发团队提供全流程的编程支持。内容创作平台通过组合文案创作、风格优化、多语言翻译等模型构建能够适应不同内容需求的全能创作助手。企业内部知识库利用本地部署的优势将企业专有数据与开放模型结合构建安全可靠的知识问答和决策支持系统。学术研究工具研究人员可以配置专门针对特定学科领域的模型组合如文献分析、数据解读、论文写作等专业化智能体。2. 环境准备与安装配置2.1 系统要求与依赖检查在开始使用 LM Studio Bionic 之前需要确保系统满足基本要求。由于 Bionic 版本涉及多模型协调和本地推理对硬件资源有一定要求。最低配置要求操作系统Windows 10/11, macOS 12, Ubuntu 18.04 或其他主流 Linux 发行版内存16GB RAM推荐 32GB 以上存储至少 20GB 可用空间用于模型存储GPU支持 CUDA 的 NVIDIA GPU可选但强烈推荐软件依赖检查 在安装 LM Studio 之前需要确保系统环境已经配置好必要的运行库。对于 Windows 用户建议安装最新版本的 Visual C Redistributable对于 Linux 用户需要确保 glibc 版本在 2.28 以上。# Ubuntu/Debian 系统依赖检查 sudo apt update sudo apt install build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev # 检查 CUDA 驱动如使用 NVIDIA GPU nvidia-smi2.2 LM Studio Bionic 安装步骤LM Studio 提供了图形化安装包下载后按照向导即可完成安装。但对于生产环境或需要定制化配置的情况建议了解命令行安装方式。Windows 系统安装访问 LM Studio 官网下载最新版本的 Windows 安装包以管理员身份运行安装程序选择安装路径建议使用不含空格的目录完成安装后首次运行会自动下载必要的运行时组件Linux 系统安装 对于 Linux 用户除了使用图形化安装包外还可以通过命令行进行安装和配置# 下载 LM Studio Linux 版本 wget https://lmstudio.ai/download/latest/linux -O lm-studio.deb # 安装依赖Ubuntu/Debian sudo dpkg -i lm-studio.deb sudo apt-get install -f # 或者使用 AppImage 版本通用性更好 wget https://lmstudio.ai/download/latest/linux-appimage -O lm-studio.AppImage chmod x lm-studio.AppImage ./lm-studio.AppImage2.3 模型仓库配置与加速安装完成后首要任务是配置模型下载源。由于模型文件通常较大几个GB到几十个GB合理的下载配置至关重要。配置国内镜像源 如果从官方仓库下载速度较慢可以配置国内镜像源加速下载// LM Studio 配置文件位置~/.lmstudio/config.json { model_repositories: [ { name: 官方仓库, url: https://models.lmstudio.ai }, { name: 国内镜像, url: https://mirrors.ustc.edu.cn/lmstudio-models/ } ], download_threads: 4, download_timeout: 300 }常用模型下载命令 通过 LM Studio 的图形界面可以方便地搜索和下载模型也可以通过命令行预先下载常用模型# 创建模型存储目录 mkdir -p ~/.cache/lm-studio/models # 下载常用的 CodeLlama 模型 wget -P ~/.cache/lm-studio/models/ https://huggingface.co/codellama/CodeLlama-7b-Instruct-hf/resolve/main/pytorch_model.bin3. 核心功能深度解析3.1 多模型协调处理机制LM Studio Bionic 最核心的功能是多模型协调处理。与传统的单一模型调用不同Bionic 允许用户定义复杂的模型工作流让不同的模型在任务执行过程中各司其职。协调器配置示例 在 Bionic 中模型协调通过 YAML 配置文件定义。以下是一个简单的代码审查智能体配置# code_review_agent.yaml version: 1.0 agent: name: 代码审查智能体 models: - name: 代码理解模型 model_path: codellama-7b-instruct role: 代码分析 max_tokens: 2048 - name: 安全检测模型 model_path: starcoder-安全检测 role: 安全检查 max_tokens: 1024 workflow: - step: 代码分析 model: 代码理解模型 prompt_template: 分析以下代码的逻辑结构和潜在问题\n{{code}} - step: 安全检查 model: 安全检测模型 prompt_template: 检查以下代码的安全漏洞\n{{code}} dependencies: [代码分析]协调执行原理 Bionic 的协调器会按照工作流定义顺序执行每个步骤并将前一步骤的输出作为后续步骤的输入。这种机制确保了不同模型之间的有效协作每个模型都能在其擅长的领域发挥作用。3.2 工具扩展与 API 集成智能体的强大之处在于能够使用外部工具。Bionic 提供了完善的工具扩展机制允许智能体调用外部 API、执行系统命令、访问数据库等。工具定义示例 以下是一个简单的天气查询工具定义# weather_tool.py import requests from typing import Dict, Any class WeatherTool: def __init__(self, api_key: str): self.api_key api_key self.base_url http://api.weatherapi.com/v1 def get_current_weather(self, city: str) - Dict[str, Any]: 获取指定城市的当前天气信息 url f{self.base_url}/current.json?key{self.api_key}q{city} response requests.get(url) return response.json() def describe_weather(self, city: str) - str: 生成天气描述 data self.get_current_weather(city) temp data[current][temp_c] condition data[current][condition][text] return f{city}当前天气温度{temp}°C{condition} # 在 LM Studio 中注册工具 from lmstudio.bionic import register_tool weather_tool WeatherTool(your-api-key) register_tool(get_weather, weather_tool.describe_weather)工具调用流程智能体分析用户请求判断是否需要调用工具生成工具调用参数执行工具并获取结果将工具结果整合到回复中3.3 上下文管理与记忆机制有效的上下文管理是智能体能够进行复杂对话的关键。Bionic 提供了多层次的上下文管理机制包括对话历史、工具调用记录、用户偏好等。上下文配置示例# context_config.yaml context_management: max_tokens: 8192 strategy: sliding_window memory_types: - type: conversation max_turns: 10 - type: tool_calls max_entries: 20 - type: user_preferences persistent: true summarization: enabled: true trigger: token_threshold threshold: 4096 model: summarization-model记忆机制实现 Bionic 的记忆系统不仅存储对话历史还能够识别和保存重要的用户信息、任务状态等。这种机制使得智能体在长期交互中能够保持一致性提供个性化的服务。4. 完整实战案例构建代码审查智能体4.1 项目需求分析我们将构建一个完整的代码审查智能体该智能体需要具备以下能力支持多种编程语言的代码审查能够识别常见的安全漏洞和代码坏味道提供具体的改进建议支持批量文件审查生成详细的审查报告4.2 环境配置与模型准备首先准备所需的模型资源针对代码审查任务我们需要组合使用多个专门化模型# 创建项目目录结构 mkdir code-review-agent cd code-review-agent mkdir models configs tools # 下载所需的模型文件 # 代码理解模型 wget -P models/ https://huggingface.co/codellama/CodeLlama-7b-Instruct-hf/resolve/main/pytorch_model.bin # 安全检测模型 wget -P models/ https://huggingface.co/security-code/securecoder-1b/resolve/main/pytorch_model.bin # 代码风格检查模型 wget -P models/ https://huggingface.co/style-check/codestyle-1b/resolve/main/pytorch_model.bin4.3 智能体配置文件编写创建智能体的核心配置文件定义模型组合和工作流程# configs/code_review_agent.yaml version: 1.1 agent: name: 高级代码审查智能体 description: 多模型协作的代码质量检查系统 models: - id: code_understanding name: 代码理解模型 path: ../models/codellama-7b-instruct type: instruct context_window: 4096 parameters: temperature: 0.1 top_p: 0.9 - id: security_analysis name: 安全分析模型 path: ../models/securecoder-1b type: instruct context_window: 2048 parameters: temperature: 0.1 - id: style_checker name: 代码风格检查器 path: ../models/codestyle-1b type: instruct context_window: 1024 workflow: - step: initial_analysis model: code_understanding prompt: | 请分析以下代码的整体结构和逻辑流程 {{code}} 重点关注 1. 代码的可读性和维护性 2. 主要的逻辑流程是否清晰 3. 潜在的架构问题 - step: security_check model: security_analysis prompt: | 基于以下代码分析结果进行安全检查 前置分析{{initial_analysis.output}} 原始代码{{code}} 检查重点 1. SQL注入风险 2. 缓冲区溢出 3. 权限控制问题 4. 数据泄露风险 - step: style_evaluation model: style_checker prompt: | 代码{{code}} 请检查代码风格问题 1. 命名规范 2. 代码格式 3. 注释质量 4. 函数长度控制 - step: report_generation model: code_understanding prompt: | 综合以下分析结果生成详细审查报告 初始分析{{initial_analysis.output}} 安全检查{{security_check.output}} 风格检查{{style_evaluation.output}} 要求生成结构化的Markdown格式报告。4.4 工具类实现实现代码解析和报告生成的相关工具# tools/code_analyzer.py import ast import os from pathlib import Path from typing import Dict, List, Any class CodeAnalyzer: def __init__(self): self.supported_languages [.py, .js, .java, .cpp, .c, .go] def analyze_file(self, file_path: str) - Dict[str, Any]: 分析单个代码文件 path Path(file_path) if path.suffix not in self.supported_languages: return {error: f不支持的文件类型: {path.suffix}} try: with open(file_path, r, encodingutf-8) as f: content f.read() analysis { file_name: path.name, file_size: len(content), lines_of_code: len(content.splitlines()), language: path.suffix[1:], content: content } # 基础代码度量 analysis.update(self._calculate_metrics(content)) return analysis except Exception as e: return {error: f文件分析失败: {str(e)}} def _calculate_metrics(self, code: str) - Dict[str, Any]: 计算代码基础度量 lines code.splitlines() non_empty_lines [line for line in lines if line.strip()] return { total_lines: len(lines), non_empty_lines: len(non_empty_lines), comment_lines: len([line for line in lines if line.strip().startswith((#, //, /*))]), avg_line_length: sum(len(line) for line in lines) / len(lines) if lines else 0 } def analyze_directory(self, directory: str) - Dict[str, Any]: 分析整个目录的代码 path Path(directory) if not path.exists(): return {error: 目录不存在} analysis_results {} total_files 0 supported_files 0 for file_path in path.rglob(*): if file_path.is_file() and file_path.suffix in self.supported_languages: total_files 1 file_analysis self.analyze_file(str(file_path)) if error not in file_analysis: supported_files 1 analysis_results[str(file_path)] file_analysis return { total_files: total_files, supported_files: supported_files, analysis_results: analysis_results } # tools/report_generator.py from datetime import datetime from typing import Dict, Any class ReportGenerator: def generate_markdown_report(self, analysis_results: Dict[str, Any]) - str: 生成Markdown格式的审查报告 report [ # 代码审查报告, f**生成时间**: {datetime.now().strftime(%Y-%m-%d %H:%M:%S)}, f**审查文件数**: {analysis_results.get(supported_files, 0)}, \n## 审查摘要\n ] # 添加摘要统计 if analysis_results in analysis_results: files analysis_results[analysis_results] total_lines sum(files[f][total_lines] for f in files) avg_complexity sum(files[f].get(complexity, 0) for f in files) / len(files) if files else 0 report.extend([ f- 总代码行数: {total_lines}, f- 平均复杂度: {avg_complexity:.2f}, f- 审查通过率: {self._calculate_pass_rate(files):.1%}, \n## 详细审查结果\n ]) # 每个文件的详细结果 for file_path, file_analysis in files.items(): report.extend([ f### 文件: {file_path}, f- **语言**: {file_analysis.get(language, Unknown)}, f- **代码行数**: {file_analysis.get(total_lines, 0)}, f- **审查结果**: {self._get_review_status(file_analysis)}, \n**主要问题**:\n ]) # 添加具体问题列表 issues file_analysis.get(issues, []) for issue in issues[:5]: # 显示前5个问题 report.append(f- {issue}) if len(issues) 5: report.append(f- ... 还有 {len(issues) - 5} 个问题) report.append(\n) return \n.join(report) def _calculate_pass_rate(self, files: Dict[str, Any]) - float: 计算审查通过率 if not files: return 0.0 passed_files sum(1 for f in files.values() if f.get(review_status) PASS) return passed_files / len(files) def _get_review_status(self, analysis: Dict[str, Any]) - str: 获取审查状态 issues analysis.get(issues, []) if len(issues) 0: return ✅ 通过 elif len(issues) 3: return ⚠️ 需要改进 else: return ❌ 需要重大改进4.5 主程序与集成测试创建主程序文件集成所有组件并进行测试# main.py import os import yaml from pathlib import Path from tools.code_analyzer import CodeAnalyzer from tools.report_generator import ReportGenerator from lmstudio.bionic import AgentRunner class CodeReviewAgent: def __init__(self, config_path: str): self.config_path config_path self.analyzer CodeAnalyzer() self.report_generator ReportGenerator() self.agent_runner None self._load_config() def _load_config(self): 加载配置文件 with open(self.config_path, r, encodingutf-8) as f: self.config yaml.safe_load(f) # 初始化智能体运行器 self.agent_runner AgentRunner(self.config) def review_single_file(self, file_path: str) - Dict[str, Any]: 审查单个文件 print(f开始审查文件: {file_path}) # 分析代码文件 file_analysis self.analyzer.analyze_file(file_path) if error in file_analysis: return {error: file_analysis[error]} # 使用智能体进行深度分析 analysis_results self.agent_runner.execute_workflow({ code: file_analysis[content], file_info: { name: file_analysis[file_name], language: file_analysis[language], size: file_analysis[file_size] } }) # 生成审查报告 report self.report_generator.generate_markdown_report({ supported_files: 1, analysis_results: {file_path: {**file_analysis, **analysis_results}} }) return { file_analysis: file_analysis, ai_analysis: analysis_results, report: report } def review_project(self, project_path: str) - Dict[str, Any]: 审查整个项目 print(f开始审查项目: {project_path}) # 分析项目目录 project_analysis self.analyzer.analyze_directory(project_path) if error in project_analysis: return {error: project_analysis[error]} results {} for file_path, file_analysis in project_analysis[analysis_results].items(): try: result self.review_single_file(file_path) results[file_path] result except Exception as e: results[file_path] {error: str(e)} # 生成总体报告 overall_report self.report_generator.generate_markdown_report({ supported_files: project_analysis[supported_files], analysis_results: results }) return { project_analysis: project_analysis, file_reviews: results, overall_report: overall_report } def main(): # 初始化代码审查智能体 agent CodeReviewAgent(configs/code_review_agent.yaml) # 测试单个文件审查 test_file examples/sample_code.py if os.path.exists(test_file): result agent.review_single_file(test_file) print(单个文件审查完成) # 保存报告 with open(review_report.md, w, encodingutf-8) as f: f.write(result[report]) print(审查报告已保存至 review_report.md) # 测试项目审查 test_project examples/project if os.path.exists(test_project): result agent.review_project(test_project) print(项目审查完成) with open(project_review_report.md, w, encodingutf-8) as f: f.write(result[overall_report]) print(项目审查报告已保存至 project_review_report.md) if __name__ __main__: main()4.6 测试用例与验证创建测试用例验证智能体功能# examples/sample_code.py 这是一个示例代码文件用于测试代码审查智能体 def calculate_average(numbers): 计算数字列表的平均值 if not numbers: return 0 total 0 for num in numbers: total num return total / len(numbers) def process_user_data(user_data): 处理用户数据存在安全风险的示例 # 潜在的安全问题未经验证的用户输入 query fSELECT * FROM users WHERE id {user_data[id]} # 执行数据库查询模拟 result execute_query(query) return result def execute_query(query): 模拟数据库查询执行 print(f执行查询: {query}) return {status: success} # 测试代码 if __name__ __main__: numbers [1, 2, 3, 4, 5] avg calculate_average(numbers) print(f平均值: {avg})运行测试并验证结果# 运行代码审查智能体 python main.py # 查看生成的报告 cat review_report.md5. 高级功能与性能优化5.1 模型性能调优在多模型协作场景下性能优化至关重要。以下是一些实用的性能调优策略模型加载优化# configs/performance_optimization.yaml model_loading: preload_strategy: demand # 按需加载或预加载 cache_models: true cache_size: 2GB gpu_memory_optimization: true inference_optimization: batch_size: 4 max_parallel_models: 2 token_streaming: true early_stopping: true内存管理配置# utils/memory_manager.py import psutil import gc from typing import Dict, Any class MemoryManager: def __init__(self, max_memory_usage: float 0.8): self.max_memory_usage max_memory_usage self.model_memory_usage {} def check_memory_status(self) - Dict[str, Any]: 检查系统内存状态 memory psutil.virtual_memory() return { total: memory.total, available: memory.available, used: memory.used, percent: memory.percent } def can_load_model(self, estimated_size: int) - bool: 检查是否可以加载新模型 memory_status self.check_memory_status() available_memory memory_status[available] # 预留20%的安全空间 safe_available available_memory * 0.8 return estimated_size safe_available def optimize_memory_usage(self): 优化内存使用 # 清理未使用的模型 self._cleanup_unused_models() # 执行垃圾回收 gc.collect() # 压缩模型缓存如果支持 if hasattr(self, compress_model_cache): self.compress_model_cache()5.2 自定义工具开发扩展智能体的能力需要通过开发自定义工具来实现。以下是几个实用的工具开发示例数据库查询工具# tools/database_tool.py import sqlite3 from contextlib import contextmanager from typing import List, Dict, Any class DatabaseTool: def __init__(self, db_path: str): self.db_path db_path contextmanager def get_connection(self): 获取数据库连接 conn sqlite3.connect(self.db_path) try: yield conn finally: conn.close() def execute_safe_query(self, query: str, params: tuple None) - List[Dict[str, Any]]: 安全执行查询防止SQL注入 with self.get_connection() as conn: cursor conn.cursor() if params: cursor.execute(query, params) else: cursor.execute(query) # 获取列名 columns [col[0] for col in cursor.description] if cursor.description else [] # 获取结果 results [] for row in cursor.fetchall(): results.append(dict(zip(columns, row))) return results def get_table_info(self, table_name: str) - Dict[str, Any]: 获取表结构信息 query PRAGMA table_info(?) columns self.execute_safe_query(query, (table_name,)) return { table_name: table_name, columns: columns, column_count: len(columns) }文件系统工具# tools/filesystem_tool.py import os import shutil from pathlib import Path from typing import List, Dict, Any class FileSystemTool: def __init__(self, base_path: str .): self.base_path Path(base_path).resolve() def list_files(self, pattern: str **/*) - List[Dict[str, Any]]: 列出匹配模式的文件 files [] for file_path in self.base_path.rglob(pattern): if file_path.is_file(): stat file_path.stat() files.append({ name: file_path.name, path: str(file_path.relative_to(self.base_path)), size: stat.st_size, modified: stat.st_mtime, is_directory: False }) return files def read_file_content(self, relative_path: str, max_size: int 1024*1024) - Dict[str, Any]: 读取文件内容带大小限制 file_path self.base_path / relative_path if not file_path.exists(): return {error: 文件不存在} if file_path.stat().st_size max_size: return {error: f文件过大超过限制 {max_size} 字节} try: with open(file_path, r, encodingutf-8) as f: content f.read() return { content: content, size: len(content), encoding: utf-8 } except UnicodeDecodeError: return {error: 无法以UTF-8编码读取文件}5.3 工作流优化策略复杂智能体任务需要优化的工作流设计并行执行优化# configs/parallel_workflow.yaml workflow_optimization: enable_parallel_execution: true max_parallel_tasks: 3 dependency_analysis: true resource_allocation: cpu_intensive: 低优先级 memory_intensive: 顺序执行 task_prioritization: strategy: critical_path factors: - 模型加载时间 - 任务依赖关系 - 资源需求 - 用户优先级错误处理与重试机制# utils/error_handler.py import time from typing import Callable, Any, Dict class ErrorHandler: def __init__(self, max_retries: int 3, backoff_factor: float 1.0): self.max_retries max_retries self.backoff_factor backoff_factor def retry_with_backoff(self, func: Callable, *args, **kwargs) - Any: 带指数退避的重试机制 last_exception None for attempt in range(self.max_retries): try: return func(*args, **kwargs) except Exception as e: last_exception e if attempt self.max_retries - 1: sleep_time self.backoff_factor * (2 ** attempt) time.sleep(sleep_time) raise last_exception def handle_model_error(self, error: Exception, model_id: str) - Dict[str, Any]: 处理模型相关错误 error_type type(error).__name__ handling_strategies { ModelLoadError: { action: reload_model, message: f模型 {model_id} 加载失败尝试重新加载 }, InferenceError: { action: fallback_model, message: f模型 {model_id} 推理失败使用备用模型 }, TimeoutError: { action: retry, message: f模型 {model_id} 响应超时重新尝试 } } strategy handling_strategies.get(error_type, { action: log_and_continue, message: f未知错误: {str(error)} }) return strategy6. 常见问题与解决方案6.1 安装与配置问题问题1模型下载速度慢现象从官方仓库下载模型时速度极慢甚至失败解决方案配置国内镜像源使用下载工具分段下载# 使用 aria2 加速下载 aria2c -x 16 -s 16 https://models.lmstudio.ai/model-file.bin # 或者使用 wget 断点续传 wget -c https://mirrors.ustc.edu.cn/lmstudio-models/model-file.bin问题2GPU 内存不足现象加载大模型时出现内存溢出错误解决方案使用 CPU 推理或量化模型# 配置模型使用 CPU model_config: use_gpu: false cpu_threads: 8 memory_map: true # 或者使用量化版本 quantization: enabled: true method: q4_k_m target_size: 4GB6.2 模型协调问题问题3模型间输出格式不一致现象不同模型的输出格式差异导致后续处理失败解决方案统一输出格式规范# utils/output_formatter.py import json from typing import Any, Dict class OutputFormatter: staticmethod def format_model_response(raw_output: str, expected_format: str json) - Dict[str, Any]: 统一格式化模型输出 try: if expected_format json: # 尝试解析为JSON return json.loads(raw_output) else: # 其他格式处理 return {raw_output: raw_output, format: text} except json.JSONDecodeError: # 如果JSON解析失败尝试提取结构化信息 return OutputFormatter._extract_structured_info(raw_output) staticmethod def _extract_structured_info(text: str) - Dict[str, Any]: 从文本中提取结构化信息 # 实现具体的文本解析逻辑 return {content: text, structured: False}问题4工作流死锁现象模型间循环依赖导致工作流无法继续解决方案实现依赖检测和死锁解除机制# utils/dependency_checker.py from typing import Dict, List, Set class DependencyChecker: def __init__(self): self.dependencies {} def add_dependency(self, task: str, depends_on: List[str]): 添加任务依赖关系 self.dependencies[task] depends_on def check_for_cycles(self) - List[List[str]]: 检查循环依赖 visited set() recursion_stack set() cycles [] def dfs(task: str, path: List[str]): if task in recursion_stack: # 发现循环 cycle_start path.index(task) cycles.append(path[cycle_start:] [task]) return if task in visited: return visited.add(task) recursion_stack.add(task) path.append(task) for dependent in self.dependencies.get(task, []): dfs(dependent, path.copy()) recursion_stack.remove(task) path.pop() for task in self.dependencies: if task not in visited: dfs(task, []) return cycles def get_execution_order(self) - List
