新闻详情

新闻详情

首页 / 资讯中心 / 详情

TuriX config.json配置详解:如何为brain、actor、memory、planner四个模型正确搭配LLM

发布时间:2026/11/20 4:07:05来源:尧图网络
TuriX config.json配置详解:如何为brain、actor、memory、planner四个模型正确搭配LLM
TuriX config.json配置详解如何为brain、actor、memory、planner四个模型正确搭配LLM【免费下载链接】TuriX-CUAThis is the official website for TuriX Computer-use-Agent项目地址: https://gitcode.com/gh_mirrors/tu/TuriX-CUATuriX 是一款开源的 AI 桌面操作智能体Computer-use-Agent它让大模型直接在你的电脑上点击、输入、开应用。TuriX 采用多模型分工架构所有模型都通过一个 examples/config.json 文件配置只要改brain_llm、actor_llm、memory_llm、planner_llm四段 JSON就能为每个角色自由搭配 LLM无需改一行代码。先看懂四个模型各自负责什么TuriX 把用电脑这件事拆成了四个角色每个角色独立配置一个 LLM角色配置项职责对模型的要求brain大脑brain_llm看截图、评估上一步成败、为每一步生成目标视觉理解强、输出格式稳定建议支持思考模式⚡actor执行者actor_llm把目标翻译成点击、输入、快捷键等具体动作视觉定位准、响应快memory记忆memory_llm压缩、总结历史步骤控制记忆 token 占用纯文本摘要能力好即可要求最低️planner规划者planner_llm把任务拆成步骤级计划、挑选相关 Skills可选长文本规划能力强四个角色的提示词定义在 src/agent/prompts.py 中主流程则位于 src/agent/service.py。注意planner 是可选的只有当agent.use_plan设为true时才需要它见 src/agent/planner_service.py。config.json 配置总览四个模型使用完全相同结构的配置块核心字段只有 4 个brain_llm: { provider: turix, model_name: turix-brain, api_key: YOUR_API_KEY, base_url: https://your-endpoint/v1 }, actor_llm: { provider: ..., model_name: ..., api_key: ..., base_url: ... }, memory_llm: { provider: ..., model_name: ..., api_key: ..., base_url: ... }, planner_llm:{ provider: ..., model_name: ..., api_key: ..., base_url: ... }provider决定用哪种客户端接入目前内置turixOpenAI 兼容、gpt、google_flash、google_pro、anthropic、deepseek、minimax、kimi、ollama等定义在 examples/main.py 的build_llm函数中model_name/api_key/base_url模型名称、密钥与你的模型服务地址除provider、model_name外还支持temperature、max_tokens、timeout、model_kwargs等可选字段如果想接入其他模型只需在main.py中按同样方式扩展一个新的 provider 分支即可。如何为每个角色正确搭配 LLMbrain选最强的视觉模型brain 每一步都要分析 1~2 张截图判断上一步成功了吗下一步该干什么是整个 Agent 成败的关键。给它配置视觉能力最强的模型并通过顶层字段brain_enable_thinking见 examples/main.py开启思考模式复杂任务会更稳。actor选定位准、响应快的视觉模型actor 负责把 brain 的目标落到 0~1000 归一化坐标的点击和输入上对坐标定位精度要求高。actor 默认关闭思考模式固定enable_thinkingFalse所以不必选想得多的模型快而准更重要。memory性价比之选memory 只做一件事把历史步骤压缩成结构化摘要提示词见 src/agent/prompts.py。纯文本模型即可胜任可以复用 brain 的模型或换一个便宜的小模型来省成本。与之相关的memory_budget_tokens、summary_memory_budget_tokens控制记忆占用上限。planner开启计划才需要配置planner 只在agent.use_plan: true时加载examples/main.py负责生成步骤级计划并挑选 Skills且默认开启思考模式。如果你的任务较简单、关闭了 planning这一段可以不填也不报错。省事搭配四个角色填同一个视觉大模型也能跑追求效果再按brain 最强、actor 求快、memory 求省的原则分别升级。进阶四个角色全部指向本地 Ollama本地部署时把四个provider都改为ollamabase_url指向本机 Ollama 服务地址model_name写你拉取的视觉模型如 llama3.2-vision即可api_key可省略。这样 brain、actor、memory、planner 全程离线运行适合数据敏感的场景。⚠️ 常见配置坑planner 没配又开了 planning——use_plan: true时planner_llm必须填写否则启动报错base_url 漏填——turix/deepseek之外的部分 provider 会兜底默认地址但turix与ollama缺失时行为不同建议显式填写api_key 找不到—— 会自动回退读取环境变量API_KEY或OPENAI_API_KEY任务描述含糊——agent.task的清晰度直接影响成功率写清应用名和具体目标配置完成一键运行保存 examples/config.json 后执行python examples/main.pyAgent 会在.turix_tmp目录由output_dir控制中输出日志和 brain / actor / planner 的对话记录save_brain_conversation_path等字段可自定义文件名方便你回看每个角色的思考过程快速定位是哪个模型拖了后腿。四段配置看懂了你的 TuriX 就能换上最合适的大脑让桌面自动化又快又稳 【免费下载链接】TuriX-CUAThis is the official website for TuriX Computer-use-Agent项目地址: https://gitcode.com/gh_mirrors/tu/TuriX-CUA创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉