QwenPaw Agent 工作区搭建教程：自定义技能、多模型提供商与流式 API 测试

一句话看懂

QwenPaw 是一个轻量级 Agent 框架，本文教你如何在 Google Colab 中一键搭建包含自定义技能、多模型后端和流式 API 的工作区。

详细发生了什么

QwenPaw 是一个开源的 Agent 工作流框架，支持自定义技能、多模型提供商（OpenAI、OpenRouter、DashScope、DeepSeek、Gemini）以及本地知识文件。本文提供了完整的 Colab 搭建教程，核心步骤包括：

1. 环境初始化：在 Colab 中安装 QwenPaw，设置工作目录、认证密码和日志路径。
2. 多模型配置：通过 Colab Secrets 或环境变量注入 API Key，自动检测并配置首选模型提供商（如 DashScope 的 qwen-plus、DeepSeek 的 deepseek-chat）。
3. 自定义技能与知识：在 workspace 目录下创建 skills 和 knowledge 文件夹，用户可放入 Python 脚本或本地文档作为 Agent 的扩展能力。
4. 控制台与 API 测试：启动 QwenPaw Console（通过 Colab URL 访问），并可选 Cloudflare 隧道暴露到公网；同时提供 Python 脚本测试流式聊天 API。

整个流程完全在 Colab 免费环境中运行，无需本地 GPU，适合快速原型验证。

中文圈视角

对中文开发者来说，QwenPaw 最大的吸引力在于原生支持阿里 DashScope（通义千问），国内用户无需梯子即可使用。相比 LangChain 或 AutoGPT，QwenPaw 更轻量，配置更简单，特别适合在 Colab 中做 Agent 原型验证。

与国产竞品对比：

• 相比 Dify（偏向低代码工作流），QwenPaw 更强调代码可控和 API 优先。
• 相比 MetaGPT（多角色协作），QwenPaw 更聚焦单 Agent 的灵活扩展。
• 相比 Coze（字节出品，云端托管），QwenPaw 完全本地/自托管，数据不出境。

中文用户场景：

• 快速测试不同模型（如 Qwen vs DeepSeek）在 Agent 任务上的表现。
• 结合本地知识文件（如 PDF 报告、Excel 数据）做 RAG 原型。
• 教育场景：在 Colab 中教学 Agent 开发，无需学生配置本地环境。

盲点提醒：目前中文社区对 QwenPaw 的讨论极少，但它的 DashScope 原生支持和 Colab 一键部署特性，使其成为国产模型 Agent 开发的隐藏利器。

几条值得记住的细节

• 支持 6 种模型提供商：OpenAI、OpenRouter、DashScope、DeepSeek、Gemini（通过 Google API Key）。
• 默认模型为 gpt-4o-mini 或 qwen-plus，可在环境变量中覆盖。
• 认证密码自动生成并保存到 .colab_ui_password 文件，格式为 “qpw-” + 随机串。
• 工作区目录结构：working/workspaces/default/ 下可放 skills/ 和 knowledge/ 文件夹。
• 控制台默认端口 8088，可通过 QWENPAW_COLAB_PORT 环境变量修改。

一句话总结

如果你在找一款轻量、支持国产模型、能在 Colab 免费跑的 Agent 框架，QwenPaw 值得一试。