跳转至

Blog

  • 分类于 python
  • 需要 5 分钟阅读时间

使用agent-chat-ui 调试 langgraph

在之前的文章中，使用langgraph 创建的agent，在进行调试时，都是写 python 代码来自己调用，今天介绍一种更加方便的在线调试langgraph 应用的方案，使用 agent-chat-ui 进行调试。

Agent Chat UI 是一个 Next.js 应用程序，它可以通过聊天界面使用 messages 键与任何 LangGraph 服务器进行聊天。

agent-chat-ui 项目地址 https://github.com/langchain-ai/agent-chat-ui

初始化项目，安装依赖

1
2
3
4
uv init langgraphui --python 3.11
cd langgraphui
uv sync
uv add langgraph-cli[inmem]
  • 分类于 agent
  • 需要 3 分钟阅读时间

还在自己开发代码执行沙箱吗？试试langchain 官方的这个沙箱吧

在大模型agent 开发过程中，经常会遇到需要代码执行的操作，以往我们会单独创建一个沙箱，对外暴露一个web 端口，接受用户的代码，将执行结果返回给调用端，这种方式是一种比较安全的方式，但是需要开发沙箱服务，且还要返回符合大模型规范的内容。

langchain 团队近期开源了一个沙箱服务，专门用于执行python 代码，且这个项目和langchain 生态相结合，可以很方便的开发出代码执行工具。

项目地址 https://github.com/langchain-ai/langchain-sandbox

让我们来看一下它的使用吧。

  • 分类于 python
  • 需要 3 分钟阅读时间

如何使用uv更新项目依赖

使用uv 管理的python项目，开发了一段时间以后，有很多第三方的依赖有更新了，这时需要更新一下，本文介绍一下如何使用uv 来更新项目依赖。

先安装几个包的老版本

1
2
uv add "fastapi==0.114.2"
uv add "httpx<=0.28.0"

此时 pyproject.toml 中的配置信息为 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
[project]
name = "version-demo"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.12"
dependencies = [
    "fastapi==0.114.2",
    "httpx<=0.28.0",
]

[[tool.uv.index]]
url = "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"
  • 分类于 python
  • 需要 3 分钟阅读时间

把 openai 的 agents 运行起来可真费劲

最近看各种 agent 框架有点上头，查看openai 自己的agent 框架文档时，觉得好简单，于是就想实践一下，可是真正操作起来却是困难重重。。。

下面记录一下遇到的各种问题。

  • 分类于 python
  • 需要 2 分钟阅读时间

pip install fastapi[standard] 中的 "[standard] " 是什么东西？

我们在python 中安装第三方包的时候经常使用 pip 安装 常见的命令有 

1
2
pip install requests
pip install httpx

但是你应该也见过下面这样的命令

image.png

这个是fastapi 官方文档首页提示的安装命令，你是否会好奇，这里为什么会有个 [standard]？ 它和直接安装 pip install fastapi 有什么区别？

类似的还有 

1
2
pip insall mcp[cli]
pip install crewai_tool[mcp]

使用 uv 也可以这样

1
2
uv add mcp[cli]
uv add crewai_tool[mcp]

接下来让我们一起看一下这个中括号是什么东西。

  • 分类于 python
  • 需要 4 分钟阅读时间

为你的mcp server 添加认证功能

使用 python 开发mcp server 非常简单，但是官方文档对于在sse 或者 streamable 服务里如何添加认证写的很不清晰，我们可以非常快速的开发一个mcp server 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
from mcp.server.fastmcp import FastMCP
import datetime

mcp = FastMCP("simple-mcp-server")

@mcp.tool(name="获取当前时间", description="获取当前时间")
async def get_current_time() -> str:
    return datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")


def run():
    mcp.run(transport="sse")

if __name__ == "__main__":
    run()

以上是一个获取当前时间的mcp server ，很简单，只作为演示，但是如果我们不想让所有人都可以访问，需要添加一些认证信息，目前来讲，由于FastMCP 封装的太高级了，不太好添加，官方有提供基于 OAuth 的认证方式，但是有点复杂，我还没有测试成功过，本文介绍一种简单的在header 中添加认证信息。

这里分别演示 SSE 和 streamable 两种类型如何改造，原理差不太多， 通过创建一个自定义的中间件，在请求处理之前获取一下header 中的 Authorization 参数。

  • 分类于 python
  • 需要 4 分钟阅读时间

从零开始使用ADK开发agent智能体(2)-多agent开发

上一篇文章我们构建了一个天气查询的agent，这个agent 功能比较单一，只能完成天气的查询，一个功能丰富的智能体系统，应该可以做很多事情，比如一个学术研究系统，会有信息搜索，文章总结，而信息搜索可能会使用到google 搜索，学术搜索，api 调用，RAG 检索等工具，文章总结可能包含大纲生成，图片生成，文章总结等等工具，且不同的agent 可能用到不同的模型，协调器的模型需要强大的规划推理模型，画图的agnet需要文生图的模型，文本总结可能一般的模型就可以胜任，这也是处于成本的考虑，不同的agent 只关注自身能力擅长的工作，对于复杂的系统，可能会由数量非常多的拥有不同工具能力的agent组成。

本文让我们来跟着官方文档尝试构建一个多agent 系统，我们在之前的天气查询agent 基础之上添加以下功能

  1. 不同的agent 使用不同的模型
  2. 添加子agent 功能
  3. 实现代理之间的智能委派
  • 分类于 python
  • 需要 7 分钟阅读时间

从零开始使用ADK开发agent(1)-单agent开发

目前市场上有很多的agent 框架，如 autogen,langgraph,crewai,agno 等等，不同的框架对于agent 的实现有些差异，有的框架侧重点在流程编排如 langGraph，有的框架提供很多内置的工具如crewai，但总体而言，这些agent 框架的基本能力包含工具调用，agent 协同。

前段时间 google 提出了A2A 协议，意在统一这些框架直接的交互方式。本系列我准备从零开始学习一下agent 的开发。

框架我选择了google 的 adk，一来这个框架使用起来比较简单，二来这个框架由google开发维护，对于A2A 协议有着很好的支持。

  • 分类于 n8n
  • 需要 4 分钟阅读时间

从零开始使用n8n-环境搭建与快速入门

n8n 最近的热度很高，这里不想做太多的介绍，最近也在使用n8n 做些项目，所以也从基础开始记录以下学习的过程。

环境搭建

命令行运行

1
npx n8n

docker 运行

1
2
3
docker volume create n8n_data

docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n