如何構建QwenPaw代理工作區：自定義技能、模型提供商、控制台訪問和流式API測試

在本教程中，我們將逐步實現一個QwenPaw工作流，為構建和測試基於代理的助手提供實用的環境。整個過程在Google Colab中完成，從安裝QwenPaw開始，依次進行工作目錄配置、身份驗證設置、通過Colab secrets連接可選的模型提供商，以及創建包含自定義技能和本地知識文件的結構化工作區。我們還將通過Colab可訪問的URL啓動QwenPaw控制台，並可選地通過Cloudflare隧道將其公開。最後，我們將以編程方式測試流式聊天API，使QwenPaw既能作為交互式助手，又能作為API驅動的代理框架使用。

教程首先導入所有必要的Python模塊並設置主目錄。我們配置環境變量以支持身份驗證、日誌記錄、工作路徑和安全訪問控制台。同時定義輔助函數來執行shell命令、檢查端口、停止舊進程以及從Colab secrets或環境變量中讀取API密鑰。然後初始化QwenPaw工作目錄，並準備默認代理的基本配置文件。我們定義了多個模型提供商選項，包括OpenAI、OpenRouter、DashScope、DeepSeek和Gemini，使得設置可以根據提供的API密鑰自動適應。接着，我們更新QwenPaw配置，包含默認代理配置文件、工作區路徑、API設置和時區。

默認的QwenPaw代理配置包含控制台訪問、內存支持、流式輸出和受保護的工具執行。當Colab secrets或環境變量中存在支持的API密鑰時，系統會自動配置選定的模型提供商。我們會保存活動模型和代理設置，以便QwenPaw在聊天和基於API的交互中使用配置好的提供商。最後，我們創建自定義技能文件（research_brief），用於生成研究簡報，並創建一個演示知識文件，其中包含本教程的筆記。工作區準備就緒後，可以啓動控制台並進行API測試。

該教程還涉及啓動QwenPaw控制台，通過Cloudflare隧道實現外部訪問，以及使用Python requests庫測試流式聊天API。這些步驟確保了QwenPaw既能作為本地交互式工具，也能作為遠程API服務運行。整個設置過程強調了靈活性和安全性，例如自動生成控制台密碼、默認啓用工具防護等。此外，教程展示瞭如何通過環境變量控制QwenPaw的行為，例如設置日誌級別、技能掃描模式、是否重置工作區等。對於模型提供商的配置，詳細列出了每個提供商的API端點、模型名稱和認證方式。安全方面，通過Colab secrets管理敏感信息，避免了硬編碼風險。通過實際的代碼示例，用户可以快速上手並自定義工作區，滿足不同的研究和開發需求。