快速入门
通过实用的分步示例开始使用 Dapr Agents
Dapr Agents 快速入门展示了如何使用 Dapr Agents 构建具有 LLM 驱动的自主代理和事件驱动工作流的应用程序。快速入门是一个单一渐进式教程，从基本 LLM 调用逐步构建到持久代理、工作流、多代理编排和可观测性。
开始之前
- 设置本地 Dapr 环境。
- 安装 uv（快速入门使用的 Python 包管理器）。
- 安装 Ollama 进行本地 LLM 推理（默认），或获取 OpenAI API 密钥。
Dapr Agents 基础
Dapr Agents 基础快速入门在单个编号 Python 脚本目录中覆盖了完整的 Dapr Agents 编程模型。每一步都构建在前一步之上。
| 步骤 | 文件 | 你将学到 |
|---|---|---|
| 1 | 01_llm_client.py | 使用 DaprChatClient 通过 Dapr Conversation API 调用 LLM |
| 2 | 02_durable_agent_http.py | 运行由 Dapr 工作流支持的持久代理，通过 HTTP 暴露 |
| 3 | 03_durable_agent_pubsub.py | 通过发布订阅而非 HTTP 触发持久代理 |
| 4 | 04_workflow_llm.py | 构建调用 LLM 作为活动的确定性 Dapr 工作流 |
| 5 | 05_workflow_agents.py | 将多个专业代理编排为子工作流 |
| 6 | 06_durable_agent_tracing.py | 使用 Zipkin 为代理和工作流启用分布式追踪 |
| 7 | 07_durable_agent_hot_reload.py | 通过 Dapr Configuration Store 在运行时热重载代理配置 |
有关完整的设置说明，包括 LLM 配置和先决条件，请参阅快速入门 README。
示例
Dapr Agents 示例目录包含更高级和特定功能的场景，是对快速入门的补充：
| 示例 | 你将学到 |
|---|---|
| LLM 调用 – Dapr Chat Client | 通过 DaprChatClient 进行文本生成、LLM 提供商切换、韧性和 PII 混淆 |
| LLM 调用 – OpenAI Client | 使用原生 OpenAI 客户端进行聊天完成、结构化输出、音频和嵌入。也适用于 ElevenLabs、Hugging Face 和 NVIDIA。 |
| 独立代理工具调用 | 使用 DurableAgent 和 AgentRunner.run 构建具有工具的对话代理 |
| 持久代理工具调用 | 使用 AgentRunner.run/subscribe/serve 升级到持久工作流支持的代理 |
| 基于 LLM 的工作流 | 使用 LLM 活动的确定性多步骤工作流（链式调用、并行化、路由） |
| 基于代理的工作流 | 在 Dapr 工作流内编排代理活动 |
| 消息路由器工作流 | 使用 @message_router 将工作流绑定到 Dapr 发布订阅主题 |
| 多代理工作流 | 指环王主题的事件驱动多代理系统，具有 LLM、随机和轮询编排策略 |
| Kubernetes 上的多代理工作流 | 在 Kubernetes 中部署和编排多代理系统 |
| 使用 Chainlit 的文档代理 | 可以上传和学习非结构化文档并具有长期记忆的对话代理 |
| MCP 客户端 – SSE | 通过服务器发送事件连接到远程 MCP 服务器 |
| MCP 客户端 – stdio | 通过 stdio 连接到本地 MCP 服务器 |
| MCP 客户端 – Streamable HTTP | 通过 Streamable HTTP 传输连接到 MCP 服务器 |
| 使用 MCP 和 Chainlit 的数据代理 | 通过 MCP 使用类 ChatGPT UI 对 Postgres 数据库进行自然语言查询 |
| 具有可观测性的代理作为活动 | 使用 OpenTelemetry 和 Zipkin 端到端追踪代理活动 |
| 代理作为工具 | 将其他 DurableAgent 实例——以及来自其他框架的代理——作为子工作流工具调用 |
| 持久代理热重载 | 在运行时热重载代理角色和 LLM 设置而无需重启 |