跳转到内容
AggregaAggrega
选择语言: 简体中文
本页面由机器翻译。阅读英文原文。

导入 Microsoft Agent Framework 声明式智能体 — 一个智能体和一个 MCP 服务器

一个 Microsoft Agent Framework 声明式智能体 — 一个基于 OpenAI 模型、通过 MCP 服务器搜索文档的智能体 — 由 aggrega import 起草为 Aggrega 文件,应用程序的镜像在一个应答文件中一次性给出,并为 Docker Compose 构建。

导入 Microsoft Agent Framework 声明式智能体 逐步讲解了这一过程:命令、它询问的内容、它写入的文件以及每一行存在的原因、构建,以及运行中的智能体。此文件夹保存了该演练的每个阶段:

文件夹或文件内容
source/声明式智能体 support-agent.yaml、使该文件夹成为工作区的 .aggrega-config.yaml,以及 import-answers.yaml,即任何声明式智能体都不包含的值:应用程序的镜像,以及面向 Kubernetes 的构建从中读取 OpenAI 密钥的 Kubernetes Secret 的名称
draft/aggrega import support-agent.yaml --target compose 写入的文件(未经修改,包括 release.lock),以及它打印的内容:stdout.txt 为标准输出,import.txt 为标准错误

该声明式智能体是为本示例编写的。加载它的应用代码不属于本示例:导入过程从不读取这些代码,Release 指定应用运行所用的镜像。

在文档仓库的检出副本中,check.sh 会重新运行导入,将其写入和打印的内容与 draft/ 比较,将演练引用的代码块与这些文件比较,并验证和构建导入所写入的内容。它需要将标准库目录(获取途径)检出在此仓库旁边,或在 AGGREGA_CATALOG_DIRS 中指定其目录。

生成示例

你可以使用下面的命令运行本示例的导入,或者让你的 AI 助手替你运行。

将示例写入一个以其命名的新文件夹:

Terminal window
aggrega scaffold --example import-agent-framework

然后它会打印接下来要运行的命令。第一条命令进入新文件夹:

Terminal window
cd import-agent-framework

构建

导入会在声明式智能体旁边的 source/ 中起草 Aggrega 文件。它根据标准库目录评估该项目,该目录由工作区的默认注册表以签名快照的形式发布:首次导入会获取它、验证它、将其保存在工作区的内容缓存中,并在写在草稿旁边的记录中以其摘要标识它。如果工作区指定了自己的目录文件夹 — 在 AGGREGA_CATALOG_DIRS 中,或在 workspace.catalog_dirs 下 — 则改为根据这些文件夹进行导入。导入从 import-answers.yaml 读取镜像,然后拉取所起草的 Release 所依赖的内容,因此可以立即进行构建:

Terminal window
cd source
aggrega import support-agent.yaml --target compose
aggrega build --release release.yaml

示例中指定的镜像代表你从自己的项目构建的镜像;如何构建它以及运行该栈,请参阅上方链接的演练。

借助 AI 助手

已配置 Aggrega 工具的 AI 助手也能完成同样的操作:把下面这条提示粘贴给它。

只使用 Aggrega 工具,不要自行创建任何文件夹。如果工作区文件夹中还没有 `import-agent-framework` 文件夹,调用一次 `scaffold` 工具,将 `example` 设为 `import-agent-framework`,且不设置 `dir`:它会把示例写入新的 `import-agent-framework` 文件夹,其中的 `source` 文件夹存放本示例要导入的内容。然后调用 `import` 工具,将 `workspace_root` 设为 `import-agent-framework/source`,`source` 设为 `support-agent.yaml`,`target` 设为 `compose`:它从 `support-agent.yaml` 旁边的 `import-answers.yaml` 读取所需的答案,把草稿写入 `import-agent-framework/source`,并拉取这些草稿所需的内容。然后调用 `validate` 工具,将 `workspace_root` 设为 `import-agent-framework/source`,`release` 设为 `release.yaml`;再调用 `build` 工具,将 `workspace_root` 设为 `import-agent-framework/source`,`release` 设为 `release.yaml`,`write` 设为 true。告诉我这次构建写入了哪些文件;它们位于 `import-agent-framework/source/dist/` 下。

测试

按照分步指南的方式运行该栈后,一个请求会到达智能体。下面的路由属于分步指南自己的程序,即监听 8000 端口的一个小型 HTTP 服务器;你自己的程序会决定自己的路由。Release 在 127.0.0.1:8000 上发布该智能体,因此请求从你的机器发出:

Terminal window
curl -sS -X POST http://127.0.0.1:8000/ask -H 'Content-Type: application/json' \
-d '{"question": "In one short sentence: what is Azure Container Apps?"}'
{"error": "the agent failed: ChatClientException: (\"<class 'agent_framework_openai._chat_client.OpenAIChatClient'> service failed to complete the prompt: Error code: 401 - Incorrect API key provided: sk-place************-key. [… omitted: where to find an API key, and the same error repeated as the exception it wraps]"}

这次运行的密钥是占位符,因此得到的回答是 OpenAI 对它的拒绝。在 Kubernetes 上,将一个本地端口转发到该 Deployment(它没有 Service),然后从另一个终端向它发送同样的请求:

Terminal window
kubectl port-forward deploy/supportagent 8000:8000
Terminal window
curl -sS -X POST http://127.0.0.1:8000/ask -H 'Content-Type: application/json' \
-d '{"question": "In one short sentence: what is Azure Container Apps?"}'

回答相同。