文档首页/ 智果（AgentArts）智能体平台/ 高代码开发/ 进阶示例：构建全能出行助手（集成模型/记忆/沙箱/网关/高德mcp）
更新时间：2026-06-04 GMT+08:00
查看PDF
分享

进阶示例：构建全能出行助手（集成模型/记忆/沙箱/网关/高德mcp）

场景概述

在基础示例中，创建了简单的对话智能体，并部署托管到云上的AgentArts环境中。但是在真实的生产环境中，企业级的智能体需要具备持久化记忆、安全沙箱以及无缝对接外部系统的能力。

本示例中将构建一个“全能出行助手”智能体，并重点展示以下能力：

  • 记忆库（Memory）：接入云端长短期记忆，实现跨会话的上下文持久化。
  • 网关（Gateway）：通过标准的MCP协议转换能力，接入外部工具。
  • 沙箱工具（Sandbox）：在平台提供的完全隔离的容器中安全执行Python代码。
  • 身份认证（Identity）：结合MCP网关，实现工具的标准化鉴权。

环境准备

  • 操作系统：Linux ARM64及X86，服务器可访问公网。
  • 安装Python：请确保Python 3.10及以上版本已安装。

    大多数Linux发行版（如Ubuntu）都预装了Python，您可以先通过python3 --version检查。如未安装，可以使用如下命令安装：

    sudo apt update
sudo apt install python3
  • 安装Docker：请确保Docker 18.06及以上版本已安装。如未安装，可以使用如下命令安装： 
    # 查询 Docker 版本
docker --version

# 安装Docker
sudo apt update
sudo apt install docker.io

    华为云SWR基础版不支持OCI镜像格式，如果您使用的是Docker 27及以上版本，并且需要处理OCI镜像，可以通过设置环境变量来关闭OCI支持。

    export DOCKER_BUILDKIT=0
# 或者
export BUILDKIT_USE_OCI_MEDIA_TYPES=0
  • 执行以下命令安装SDK（建议在Python虚拟环境中安装，以避免与系统包产生冲突）。 
    # 创建并激活虚拟环境 (linux) 
python3 -m venv venv
source venv/bin/activate

# 安装sdk
pip install agentarts-sdk
    • 执行pip install agentarts-sdk命令下载缓慢时可以更改为使用如下命令 
      pip install agentarts-sdk -i https://repo.huaweicloud.com/repository/pypi/simple --trusted-host repo.huaweicloud.com
    • 如果系统缺少python3-venv包，导致无法创建虚拟环境，请按照命令回显提示安装python3-venv包。

  • 执行以下命令配置华为云凭证，获取华为云凭证请参考认证鉴权。 
    export HUAWEICLOUD_SDK_AK="your-access-key"
export HUAWEICLOUD_SDK_SK="your-secret-key"

核心代码实现

  1. 在AgentArts平台创建记忆库。

    1. 登录AgentArts智能体平台。
    2. 在左侧导航栏选择“开发中心 > 组件库 ”，进入“记忆库”界面。
    3. 单击“创建记忆库”。填写记忆库名称、描述；勾选“私网访问”、“公网访问”；勾选全部的“长期记忆提取策略”，其余参数使用默认配置。
      图1 创建记忆库
    4. 记忆库创建完成后，单击记忆库名称，进入“基本信息”界面，获取记忆库ID。
      图2 获取记忆库ID
    5. 在“API Key”处单击“更新”。
      图3 更新API Key
    6. 弹框中单击“确定”后，复制或下载API Key。
      图4 复制或下载API Key

  2. 在AgentArt平台创建网关，配置高德MCP服务。

    1. 高德MCP如下，使用前，请参考高德开放平台文档，创建获取API Key。 
      {
  "mcpServers": {
    "amap-maps-streamableHTTP": {
      "url": "https://mcp.amap.com/mcp?key=您在高德官网上申请的key"
    }
  }
}
    2. 在AgentArts平台左侧导航栏中选择“开发中心 > 组件库”，并进入“网关”页面，单击“创建网关”。
    3. 填写网关基础信息并配置权限与身份认证。参考下表进行配置。
      表1 网关基础信息与权限身份认证配置

      参数

      说明

      名称

      可自定义。

      描述（可选）

      网关的描述信息，可自定义。

      委托

      使用平台的默认值。

      入站身份认证

      选择API Key认证。

      API Key名称

      可自定义。

      日志记录

      选择开启。
      图5 填写网关基础信息与权限身份认证
    4. 单击“创建Target”，配置高德MCP服务。
      表2 高德Target配置

      参数

      说明

      名称

      可自定义。

      描述（可选）

      可自定义。

      类型

      选择“MCP”，使用现成的高德MCP服务，不需要使用直接对接外部REST API的方式。

      传输方式

      选择“Streamable HTTP”，与高德MCP的调用方式保持一致。

      MCP地址

      填写：https://mcp.amap.com/mcp

      出站身份认证

      选择“API Key”，单击“创建出站身份”，参数配置如下：

      • 身份名称：可自定义。
      • 认证类型：选择“API Key”。
      • API Key的值：填写高德开发平台中创建的API Key。

      出站身份创建完成后，返回“创建Target”页面，选择已创建的出站身份。

      • 位置：选择“查询参数”。
      • 参数名称：填写为key。
      • 前缀：不填。
      图6 创建出站身份
      图7 配置出站身份认证
    5. 配置完成后，单击“确定”创建Target。Target创建完成后，回到“创建网关”页面，高级配置选择“公网访问”后，单击“创建网关”。
    6. 网关创建完成后，回到网关列表页面。单击网关名称，记录网关URL及网关的API Key（注意是网关的API Key，不是高德mcp的key）。
      图8 网关列表
    7. 在网关详情页面获取网关URL。
      图9 获取网关URL
    8. 在网关详情页面，单击URN链接。进入Agent Identity页面，获取网关的API Key。
      图10 单击URN链接
      图11 获取网关API Key

  3. 执行如下命令安装langchain、langgraph、langchain-openai。 

    pip install -U langchain langgraph langchain-openai

  4. 在本地创建agent.py文件，编辑代码如下。

    示例代码中创建了出行助手智能体，并对接记忆库、网关、沙箱、身份认证、华为云MaaS服务提供的模型。

    """
================================================================================
AgentArts LangGraph 智能体核心实现
================================================================================
"""
import os
import uuid
import json
import requests
import urllib3
import re
from typing import List, Optional, Dict, Any, TypedDict, Annotated
from pathlib import Path
from dotenv import load_dotenv

# 禁用内网自签名证书的 SSL 警告
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

# ================================================================================
# 基础依赖：LangGraph + LangChain
# ================================================================================
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode
from langgraph.graph import MessagesState
from langchain_core.messages import BaseMessage, HumanMessage, SystemMessage, AIMessage, ToolMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

# 引入 AgentArts 平台级能力
from agentarts.sdk.integration.langgraph import AgentArtsMemorySessionSaver
try:
    from agentarts.sdk.memory import MemoryClient
except ImportError:
    MemoryClient = None
    print("[Warning] 未检测到 agentarts.sdk，将跳过云端记忆同步。")

# 从当前目录的 .env 文件加载环境变量
load_dotenv()

def clean_messages_for_llm(messages: List[BaseMessage]) -> List[BaseMessage]:
    """
    清洗消息队列，防止因历史记录截断或脏数据导致 ModelArts 报 81001 校验错误。

    原理：
    当记忆库截断（只读取最近10条）时，可能把上一步的工具调用请求（AIMessage）丢弃，
    只留下了工具结果（ToolMessage），导致第一条消息不合规。
    本函数会自动检测并过滤掉所有无对应大模型请求的孤立 ToolMessage。
    """
    cleaned = []
    for msg in messages:
        if isinstance(msg, ToolMessage):
            # 只有前一个消息是 AIMessage 并且含有 tool_calls 时，这个 ToolMessage 才是合法的
            if cleaned and isinstance(cleaned[-1], AIMessage) and getattr(cleaned[-1], "tool_calls", None):
                cleaned.append(msg)
            else:
                # 发现由于截断产生的 ToolMessage，直接过滤掉，防止 81001 错误。
                print(f"[MaaS Guard] 检测到孤立的 ToolMessage，已自动过滤。")
        else:
            cleaned.append(msg)
    return cleaned


# ================================================================================
# 第一部分：配置模块
# ================================================================================
class ModelConfig:
    """模型配置类"""
    def __init__(self):
        self.name = os.getenv("MODEL_NAME", "deepseek-v3.2")
        self.url = os.getenv("MODEL_URL", "https://api.modelarts-maas.com/openai/v1")
        self.api_key = os.getenv("MODEL_API_KEY")
        if not self.api_key:
            raise ValueError("[错误] 未找到 MODEL_API_KEY！请在 .env 文件中进行配置。")
        self.model_type = os.getenv("MODEL_TYPE", "openai")

class AgentConfig:
    """Agent全局配置类，整合模型与平台组件配置"""
    def __init__(self):
        self.model = ModelConfig()

        # 记忆空间和区域配置（去除中文默认值）
        self.memory_space = os.getenv("MEMORY_SPACE_ID")
        if not self.memory_space:
            print("[Warning] 未配置 MEMORY_SPACE_ID，云端记忆库可能无法正常工作。")

        self.region = os.getenv("HUAWEICLOUD_SDK_REGION", "cn-southwest-2")

        # 全局递归控制（防止大模型无限调用工具陷入死循环）
        self.max_iterations = int(os.getenv("MAX_ITERATIONS", "50"))
        self.session_ttl = int(os.getenv("SESSION_TTL", "3600"))

config = AgentConfig()


# ================================================================================
# 第二部分：平台级记忆系统 (AgentArts Checkpoint)
# ================================================================================
_global_checkpointer = None

def get_checkpointer() -> AgentArtsMemorySessionSaver:
    """获取平台级 Checkpointer 实例"""
    global _global_checkpointer
    if _global_checkpointer is None and config.memory_space:
        _global_checkpointer = AgentArtsMemorySessionSaver(
            space_id=config.memory_space, 
            region=config.region
        )
    return _global_checkpointer

def get_thread_config(session_id: str) -> Dict[str, Any]:
    return {"configurable": {"thread_id": session_id}}


# ================================================================================
# 第三部分：工具定义 (MCP网关 + 安全沙箱)
# ================================================================================
def _call_mcp_gateway(tool_name: str, arguments: Dict[str, Any]) -> str:
    """发起实际的 MCP 网关请求"""
    gateway_url = os.getenv("GATEWAY_ENDPOINT")
    if not gateway_url:
        return "网关调用失败: 未配置 GATEWAY_ENDPOINT"

    headers = {
        "Content-Type": "application/json",
        "Accept": "application/json, text/event-stream",
        "mcp-session-id": str(uuid.uuid4()), 
        "Authorization": f"Bearer {os.getenv('GATEWAY_INBOUND_TOKEN', '')}"
    }
    payload = {
        "jsonrpc": "2.0", "id": "call-tool", "method": "tools/call",
        "params": {"name": tool_name, "arguments": arguments}
    }

    try:
        response = requests.post(gateway_url, headers=headers, json=payload, verify=False, timeout=30)
        raw_text = response.text
        if "data:" in raw_text:
            match = re.search(r'\{.*\}', raw_text, re.DOTALL)
            if match:
                parsed_json = json.loads(match.group())
                return json.dumps(parsed_json.get("result", parsed_json), ensure_ascii=False)
        return json.dumps(response.json().get("result", response.json()), ensure_ascii=False)
    except Exception as e:
        return f"网关调用异常: {str(e)}"

@tool
def gaode_get_weather(city: str) -> str:
    """查询指定城市的天气。Args: city: 城市名称或标准adcode"""
    print(f"\n[MCP Gateway] 查询天气: {city}")
    return _call_mcp_gateway("gaodemap_maps_weather", {"city": city})

@tool
def gaode_get_location(address: str) -> str:
    """将详细的地址转换为经纬度或位置基本信息。Args: address: 地址"""
    print(f"\n[MCP Gateway] 获取地理位置: {address}")
    return _call_mcp_gateway("gaodemap_maps_geo", {"address": address})

@tool
def execute_python(code: str) -> str:
    """在平台沙箱环境中安全执行 Python 代码。Args: code: 待执行的Python代码"""
    from agentarts.sdk.tools import code_session
    print(f"\n[Sandbox] 正在安全沙箱中执行代码...")

    sandbox_name = os.getenv("SANDBOX_NAME")
    if not sandbox_name:
        return "沙箱调用失败: 未在环境变量中配置 SANDBOX_NAME"

    try:
        with code_session(config.region, sandbox_name) as client:
            res = client.invoke(operate_type="execute_code", arguments={"code": code, "language": "python"})
        return json.dumps(res.get("result"))
    except Exception as e:
        return f"沙箱执行失败: {str(e)}"

def get_all_tools():
    return [gaode_get_weather, gaode_get_location, execute_python]


# ================================================================================
# 第四部分：LangGraph 工作流构建
# ================================================================================
class AgentState(MessagesState):
    iteration: int    

def should_continue(state: AgentState) -> str:
    """条件边判断：如果 LLM 返回了工具调用，则继续执行 tools 节点"""
    last_message = state["messages"][-1]
    if hasattr(last_message, "tool_calls") and last_message.tool_calls:
        return "continue"
    return "end"

class TravelAgent:
    def __init__(self):
        self._llm = ChatOpenAI(
            model=config.model.name,
            base_url=config.model.url,
            api_key=config.model.api_key,
            temperature=0.1, # 较低的温度值保障工具调用的 JSON 格式稳定
        )
        self._checkpointer = get_checkpointer()
        self.graph = self._build_graph()
        self.system_prompt = "你是一个智能体助手，可以调用高德mcp和代码沙箱"

    def _build_graph(self):
        def model_node(state: AgentState) -> AgentState:
            llm_with_tools = self._llm.bind_tools(get_all_tools())

            # 在将历史消息发送给大模型接口前，进行安全性清洗
            # 过滤掉由于记忆截断产生的孤立 ToolMessage，防止触发 ModelArts 81001 错误
            safe_messages = clean_messages_for_llm(state["messages"])

            response = llm_with_tools.invoke(safe_messages)
            return {"messages": [response], "iteration": state.get("iteration", 0) + 1}

        workflow = StateGraph(AgentState)
        workflow.add_node("agent", model_node)
        workflow.add_node("tools", ToolNode(get_all_tools()))

        workflow.set_entry_point("agent")
        workflow.add_conditional_edges("agent", should_continue, {"continue": "tools", "end": END})
        workflow.add_edge("tools", "agent")

        return workflow.compile(checkpointer=self._checkpointer)

    def run(self, user_input: str, session_id: str) -> str:
        """主运行方法，集成记忆与工具循环"""
        if MemoryClient is not None and config.memory_space:
            try:
                MemoryClient().create_memory_session(
                    space_id=config.memory_space, 
                    id=session_id, 
                    actor_id="user_123"
                )
            except Exception as e:
                if "Session id already exists" not in str(e):
                    print(f"[Warning] 云端记忆会话同步失败: {e}")

        thread_config = {"configurable": {"thread_id": session_id}}
        current_state = self.graph.get_state(thread_config)

        # 构造消息历史
        if not current_state.values.get("messages"):
            messages = [SystemMessage(content=self.system_prompt), HumanMessage(content=user_input)]
        else:
            messages = [HumanMessage(content=user_input)]

        # 执行并限制最大迭代次数
        result = self.graph.invoke(
            {"messages": messages}, 
            config=thread_config,
            recursion_limit=config.max_iterations 
        )
        return result["messages"][-1].content

    @property
    def session_id(self) -> Optional[str]:
        return self._last_session_id

  5. 创建.env环境变量配置文件。 

    # ==========================================
# 1. 模型配置 (对接华为云MaaS模型)
# ==========================================
MODEL_NAME=deepseek-v3.2
MODEL_URL=https://api.modelarts-maas.com/openai/v1
MODEL_API_KEY=替换为真实的模型API Key
MODEL_TYPE=openai

# ==========================================
# 2. AgentArts 记忆库配置
# ==========================================
MEMORY_SPACE_ID=替换为记忆库 ID
HUAWEICLOUD_SDK_MEMORY_API_KEY=替换为记忆库的API Kry
HUAWEICLOUD_SDK_REGION=cn-southwest-2

# ==========================================
# 3. 网关配置
# ==========================================
# 网关地址
GATEWAY_ENDPOINT=替换为网关的URL
# 网关的 apikey
GATEWAY_INBOUND_TOKEN=替换为网关的API Key

# ==========================================
# 4. Agent 全局配置
# ==========================================
MAX_ITERATIONS=50
SESSION_TTL=3600
# 本地测试启动 HTTP Server 时绑定的端口
AGENT_RUN_PORT=8080

    获取模型API Key的方法请参考获取华为云MaaS服务模型API Key。

    agent.py文件的示例中，使用华为云MaaS服务提供的deepseek-v3.2模型，如果使用其他模型注意MODEL_NAME的值，需填写为模型接口中model参数的值，可以参考如下方式获取。注意需要选择OpenAI兼容接口。

    图12 获取OpenAI兼容接口的model值

  6. 创建main.py文件，用于本地运行智能体，并进行测试。

    测试脚本中设计了4个对话，用于测试agent.py中集成的基础对话、MCP工具调用、沙箱工具，记忆恢复能力。

    """
my-agent 本地多轮对话与工具测试脚本
"""
import uuid
from agent import TravelAgent

def main():
    print("正在初始化智能体助手 (集成 MCP 网关、安全沙箱与云端记忆)...")
    try:
        agent = TravelAgent()
    except Exception as e:
        print(f"\n[初始化失败] 请检查 .env 文件配置: {e}")
        return

    # 生成符合华为云记忆库校验规则的、标准格式的 UUID 字符串作为会话 ID
    session_id = str(uuid.uuid4())
    print(f"当前分配的会话 ID (标准 UUID): {session_id}\n")

    # =====================================================================
    # 第一轮测试：基础人设与大模型连通性
    # 目的：验证模型能一句话完成符合人设的自我介绍
    # =====================================================================
    print("=" * 60)
    prompt1 = "你好，请用一句话做个自我介绍。"
    print(f"用户: {prompt1}")
    response1 = agent.run(prompt1, session_id=session_id)
    print(f"\nAgent 回复: \n{response1}")

    # =====================================================================
    # 第二轮测试：高德 MCP 工具调用 (天气查询)
    # 目的：验证模型能否在公有云网关下，成功调用天气接口并返回真实天气。
    # =====================================================================
    print("\n" + "=" * 60)
    prompt2 = "帮我查一下现在杭州的天气怎么样？"
    print(f"用户: {prompt2}")
    response2 = agent.run(prompt2, session_id=session_id)
    print(f"\nAgent 回复: \n{response2}")

    # =====================================================================
    # 第三轮测试：安全沙箱工具调用 (Python执行)
    # 目的：验证大模型能否利用 Python 代码沙箱安全计算复杂数理问题。
    # =====================================================================
    print("\n" + "=" * 60)
    prompt3 = "请用 Python 帮我计算一下 12345 乘以 6789 的结果是多少？"
    print(f"用户: {prompt3}")
    response3 = agent.run(prompt3, session_id=session_id)
    print(f"\nAgent 回复: \n{response3}")

    # =====================================================================
    # 第四轮测试：长短期记忆校验
    # 目的：测试在经历了复杂的工具调用后，云端记忆库的跨轮次记忆提取能力是否正常。
    # =====================================================================
    print("\n" + "=" * 60)
    prompt4 = "考考你的记性，我刚才让你查的是哪个城市的天气？"
    print(f"用户: {prompt4}")
    response4 = agent.run(prompt4, session_id=session_id)
    print(f"\nAgent 回复: \n{response4}")
    print("=" * 60)

if __name__ == "__main__":
    main()

  7. 将agent.py、.env、main.py上传至服务器中。

    如果您使用MobaXterm、Xshell这类客户端软件，可以直接在软件界面上拖拽上传。

  8. 执行python main.py命令对智能体进行本地测试。

    由于在main.py文件中已经设置好了问题，智能体本地运行时会调用大模型进行回复。有正常的回复即表示本地测试成功。

  9. 创建app.py文件，并上传至服务器中。该文件会将本地的Agent逻辑封装为符合AgentArts平台规范的Web服务。 

    import os
from typing import Dict, Any
from agentarts.sdk import AgentArtsRuntimeApp, RequestContext

# 导入出行助手智能体 TravelAgent
from agent import TravelAgent

# 实例化平台运行时应用
app = AgentArtsRuntimeApp()

try:
    # 实例化高级智能体 TravelAgent
    my_agent = TravelAgent()
except Exception as e:
    print(f"Agent 初始化失败: {e}")
    my_agent = None

# ================================================================================
# 第三部分：AgentArts 平台标准化接入 (核心)
# ================================================================================
@app.entrypoint
async def handler(payload: Dict[str, Any], context: RequestContext = None) -> Dict[str, Any]:
    """
    AgentArts 平台标准 HTTP 暴露入口
    """
    if not my_agent:
        return {"response": "服务未正确初始化，请检查环境变量。", "status": "error"}

    # 获取用户输入
    query = payload.get("message", "")

    # 从平台上下文中提取 session_id
    # 如果 context 存在且包含 session_id，则使用平台的；否则生成一个默认的
    current_session_id = context.session_id if context and hasattr(context, 'session_id') else "default_web_session"

    try:
        # 将提取到的 session_id 传给 agent.run()，激活云端记忆
        response = my_agent.run(query, session_id=current_session_id)

        return {"response": response, "status": "success"}
    except Exception as e:
        return {"response": f"执行出错: {str(e)}", "status": "error"}

if __name__ == "__main__":
    # 平台托管时，必须读取 AGENT_RUN_PORT 环境变量以匹配容器端口契约
    run_port = int(os.getenv("AGENT_RUN_PORT", 8080))
    app.run(port=run_port)
EOF

  10. 执行python app.py启动http server，执行以下命令调用。通过该方法，在将代码真正推送到云端之前，在本地模拟云端环境，验证Agent的HTTP接口是否已经被正确封装且能正常通信。

    执行python app.py回显效果如下。

    打开一个新的终端窗口（保持原窗口运行），使用curl命令进行测试。测试完成后，可以使用Ctrl + C停止运行的进程。 
    curl --location --request POST 'http://localhost:8080/invocations' \
--header 'Content-Type: application/json' \
--data-raw '{"message": "你好，请用一句话做个自我介绍，并查询下杭州的天气。"}'

  11. 部署智能体运行时。

    按上述步骤完成后，基本代码开发已经完成，接下来准备将本地创建好的智能体部署托管到AgentArts平台。

    首先准备依赖文件requirements.txt，内容可参考如下：

    # ================================================================================
# AgentArts LangGraph Agent Demo - 依赖清单
# ================================================================================
#
# 本项目基于 AgentArts 平台，使用 LangGraph 框架构建 AI Agent
# 依赖分为两部分：基础框架依赖 + 平台 SDK 依赖
#
# 安装方式:
#   pip install -r requirements.txt
#
# ================================================================================


# ================================================================================
# 第一部分：LangGraph & LangChain 核心框架
# ================================================================================
# LangGraph: AI Agent 工作流编排框架
# - 状态图定义与执行
# - Checkpoint 持久化机制
# - 条件边与节点路由
langgraph>=0.2.0


# LangChain: LLM 应用开发工具链
# - 消息类型定义 (HumanMessage, AIMessage, SystemMessage)
# - 工具系统 (@tool 装饰器)
# - LLM 客户端封装
langchain>=0.3.0
langchain-core>=0.3.0
langchain-community>=0.3.0


# ================================================================================
# 第二部分：LLM Provider 支持
# ================================================================================
# OpenAI 兼容接口
openai>=1.0.0
langchain-openai>=0.1.0


# Anthropic (Claude) 支持
anthropic>=0.18.0
langchain-anthropic>=0.1.0


# ================================================================================
# 第三部分：HTTP & 网络
# ================================================================================
requests>=2.31.0
httpx>=0.27.0


# ================================================================================
# 第四部分：工具与配置
# ================================================================================
# 环境变量管理
python-dotenv>=1.0.0


# 异步支持
aiofiles>=23.0.0


# JSON/YAML 支持
pyyaml>=6.0


# ================================================================================
# 第五部分：AgentArts 平台 SDK（核心依赖） 
# ================================================================================
agentarts-sdk

  12. 执行如下命令配置智能体。 

    agentarts configure --entrypoint app:app

    执行后按照操作指引进行配置。

    配置智能体名称（以小写字母开头，以小写字母或数字结尾，可以包含小写字母、数字和中划线）、服务部署区域（使用cn-southwest-2，仅支持此区域）、requirements.txt依赖文件、SWR Organization镜像组织名称（如果使用自定义的镜像组织名，需要在SWR服务控制台贵阳一region创建）

  13. 执行命令部署智能体。 

    agentarts launch

    该命令会自动完成以下步骤：

    1. 本地构建Docker镜像。
    2. 将Docker镜像推送到华为云SWR镜像仓库。
    3. 部署到AgentArts运行时托管环境。

  14. 调用云端Agent进行会话。 

    agentarts invoke '{"message": "你好，请用一句话做个自我介绍。"}'

常见问题

  • 执行agentarts launch命令时 出现AK/SK认证报错
    执行以下命令配置华为云凭证，获取华为云凭证请参考认证鉴权。 
    export HUAWEICLOUD_SDK_AK="your-access-key"
export HUAWEICLOUD_SDK_SK="your-secret-key"

  • 执行agentarts launch命令出现运行时Runtime名称错误

    智能体的名称需要以小写字母开头，以小写字母或数字结尾，可以包含小写字母、数字和中划线，长度为2-48个字符。

    请重新执行agentarts configure --entrypoint app:app命令进行配置。

  • 执行agentarts launch命令，在执行requirements.txt步骤中出现Read timed out ... files.pythonhosted.org报错。

    问题现象及原因

    Docker镜像在构建过程中，尝试从官方PyPI服务器下载在requirements.txt里写的那些Python包，由于网络环境原因造成超时。

    解决方案

    执行以下命令让其在安装依赖时使用华为云官方的Python镜像加速器。 
    sed -i 's|pip install --no-cache-dir -r requirements.txt|pip install --no-cache-dir -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple --trusted-host repo.huaweicloud.com|g' Dockerfile
  • 执行python main.py或者python app.py命令出现Memory记忆库报错。

    请检查记忆库ID以及记忆库API Key配置是否正确，建议重新配置该值。

相关文档