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
uv init langgraphui --python 3.11
cd langgraphui
uv sync
uv add langgraph-cli[inmem]
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。
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。
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
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。