5分钟从零到AI Agent服务agent-service-toolkit实战教程【免费下载链接】agent-service-toolkitFull toolkit for running an AI agent service built with LangGraph, FastAPI and Streamlit项目地址: https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit刚用 LangGraph 搭好一个智能体想让别人通过接口调起来你还得自己补服务层、客户端和界面。agent-service-toolkit 把这条链路做成了可直接运行的模板核心是 LangGraph服务层是 FastAPI界面是 Streamlit中间还包括对话记忆的存储。本文按这个顺序读项目概览与能力清单本地或容器两条路径完成首次运行三个与你最相关的核心功能详解实战搭一个自定义智能体以及部署常见坑 项目概览它面向用 LangGraph 做智能体开发、但不想自己搭服务层的开发者你只需提供智能体图定义它负责 FastAPI 端点、客户端 SDK、Streamlit 聊天界面以及默认的 PostgreSQL 会话存储重启后对话历史仍可查询。能力全景10个内置智能体模板chatbot、research-assistant、RAG 助手、supervisor 多智能体等每个都是可直接运行的样例双重流式输出/stream端点同时支持 token 级与消息级流式传输多智能体按 URL 路径访问一个服务起来后用/{agent_id}/invoke调用不同智能体内容安全过滤内置 Safeguard 内容审核需配置 Groq 密钥Docker 热重载开发docker compose watch自动同步代码改动无需手动重建 从零到第一次运行本地运行克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit配置至少一个 LLM 密钥echo OPENAI_API_KEYyour-key .env完整变量列表见 .env.example安装依赖uv sync --frozen会自动创建.venv虚拟环境用 pip 也可以启动服务source .venv/bin/activate python src/run_service.pyFastAPI 监听 8080 端口另开终端启动界面streamlit run src/streamlit_app.py浏览器打开 http://localhost:8501 进入聊天界面容器化运行cp .env.example .env # 填入你的 API 密钥 docker compose watch一条命令同时拉起 postgres、智能体服务、Streamlit 界面三个容器src/下的代码改动会自动同步并重启服务。 核心功能详解目录结构对应它的四层分工src/agents/放智能体src/service/是 FastAPI 服务src/client/是客户端 SDKsrc/streamlit_app.py是界面。下面三个功能与你日常使用关系最大。多智能体注册表按 URL 路径访问不同智能体一个服务起来之后多个智能体怎么区分src/agents/agents.py 维护一个agents字典作为注册表key 直接就是 URL 路径POST /research-assistant/invoke调用研究助手GET /rag-assistant/threads拉取该智能体的历史会话GET /info返回全部智能体与模型列表。每个智能体不用单独起服务Streamlit 界面里也能直接切换。双重流式token 级与消息级同时可用流式响应给前端时粒度常常是痛点。项目的/stream与/{agent_id}/stream端点同时支持 token 级逐字渲染和消息级完整消息节点两种流式前端按需取用。AgentClient从自己的代码里调用服务要把这套服务嵌进你自己的系统用 src/client/client.py 里的AgentClient同步 invoke 和异步 stream 都支持from client import AgentClient client AgentClient() response client.invoke(Tell me a brief joke?) response.pretty_print()完整用法示例见 src/run_client.py。️ 实战搭一个你自己的智能体以基于 chatbot 模板做一个专属智能体为例三步完成第一步改什么。复制 src/agents/chatbot.py 为src/agents/my_agent.py只改系统提示词和工具。第二步配什么。在 src/agents/agents.py 中导入并注册# src/agents/agents.py from agents.my_agent import my_agent agents { ... my-agent: Agent( descriptionMy first custom agent., graph_likemy_agent, ), }第三步怎么验证。重启服务后执行curl http://localhost:8080/info返回列表中出现my-agent即注册成功再POST /my-agent/invoke发一条消息实测。⚙️ 部署、调优与常见坑服务起来但没响应.env至少要有一个 LLM 密钥只用本地 Ollama 的话见 docs/Ollama.md依赖改了没生效docker compose watch只自动同步src/下的代码改动pyproject.toml或uv.lock后要跑docker compose up --build审核层缺失Safeguard 内容审核依赖GROQ_API_KEY不配也能跑但没有安全过滤对外暴露要认证在.env配置AUTH_SECRET启用 header 认证避免 8080 端口裸奔agent-service-toolkit 把智能体定义 → 服务暴露 → 界面接入整条链路压成一套模板跑通一次之后你的精力可以全部放在智能体逻辑本身。延伸阅读README.md、docs/RAG_Assistant.md、src/run_client.py服务启动后 API 参考在 http://localhost:8080/redoc。【免费下载链接】agent-service-toolkitFull toolkit for running an AI agent service built with LangGraph, FastAPI and Streamlit项目地址: https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考