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、身份驗證設定、透過Colab secrets連線可選的模型提供商，以及建立包含自定義技能和本地知識檔案的結構化工作區。我們還將透過Colab可訪問的URL啟動QwenPaw控制台，並可選地透過Cloudflare隧道將其公開。最後，我們將以程式設計方式測試流式聊天API，使QwenPaw既能作為互動式助手，又能作為API驅動的代理框架使用。

教程首先匯入所有必要的Python模組並設定主目錄。我們配置環境變數以支援身份驗證、日誌記錄、工作路徑和安全訪問控制台。同時定義輔助函式來執行shell命令、檢查埠、停止舊程序以及從Colab secrets或環境變數中讀取API金鑰。然後初始化QwenPaw工作目錄，並準備預設代理的基本配置檔案。我們定義了多個模型提供商選項，包括OpenAI、OpenRouter、DashScope、DeepSeek和Gemini，使得設定可以根據提供的API金鑰自動適應。接著，我們更新QwenPaw配置，包含預設代理配置檔案、工作區路徑、API設定和時區。

預設的QwenPaw代理配置包含控制台訪問、記憶體支援、流式輸出和受保護的工具執行。當Colab secrets或環境變數中存在支援的API金鑰時，系統會自動配置選定的模型提供商。我們會儲存活動模型和代理設定，以便QwenPaw在聊天和基於API的互動中使用配置好的提供商。最後，我們建立自定義技能檔案（research_brief），用於生成研究簡報，並建立一個演示知識檔案，其中包含本教程的筆記。工作區準備就緒後，可以啟動控制台並進行API測試。

該教程還涉及啟動QwenPaw控制台，透過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既能作為本地互動式工具，也能作為遠端API服務執行。整個設定過程強調了靈活性和安全性，例如自動生成控制台密碼、預設啟用工具防護等。此外，教程展示瞭如何透過環境變數控制QwenPaw的行為，例如設定日誌級別、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，透過Colab secrets管理敏感資訊，避免了硬編碼風險。透過實際的程式碼示例，使用者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。