Agent-FastAPI

通用 Agent 开发框架 — 基于 FastAPI 构建的 AI Agent 后端脚手架，开箱即用，专为快速构建对话式 AI Agent 应用而设计。

项目简介

Agent-FastAPI 是一个 通用的 Agent 开发框架，提供了构建对话式 AI Agent 所需的全部基础设施：

会话管理 — 创建、查询、重命名、删除会话
对话接口 — 兼容 OpenAI Chat Completions API 格式 (流式/非流式)
多模态图片输入 — 支持 OpenAI image_url 消息格式，统一走 /chat/completions
消息持久化 — 自动保存对话历史到 PostgreSQL
停止响应 — 支持中断正在进行的流式生成
SLS 流式观测 — 对每次流式回答记录请求和终态响应，便于线上追踪、统计和排障
Agent 信息 — 标准化的 Agent 元信息和能力声明
可扩展架构 — 通过继承 BaseAgentService 快速实现自定义 Agent

开发者无需关心对话管理、Session 持久化、流式传输等基础设施，只需专注于实现自己的 Agent 逻辑。

新版本更新

本版本重点增强了图片对话、多模态消息和会话安全性：

统一图片对话入口：图片 URL 直接放入 messages[*].content[*].image_url.url，仍然调用 POST /chat/completions，不再单独维护 /upload 接口。
OpenAI 多模态消息兼容：Message.content 支持字符串和 OpenAI content parts 数组，例如 text + image_url。
快捷字段：支持 query + images 快捷请求格式；当不传 messages 时，框架会自动构造一条用户多模态消息。
视觉模型自动切换：检测到 image_url 后，如果当前模型不是视觉模型，会自动切到 LLM_VISION_MODEL_NAME，默认 qwen-vl-max。
多模态历史持久化：图片消息会以 JSON 字符串保存到数据库，读取历史时会自动还原为多模态结构。
图片元数据回显：用户消息会把图片 URL 写入消息 metadata.images，并保留 chat_type。
会话用户隔离：恢复已有会话时要求同时传 session_id 和 user_id，避免跨用户串会话。
Swagger 多示例展示：对话接口使用 openapi_examples，可展示基础对话、多轮对话、图片 URL 对话多个示例。

核心特性

特性	说明
🤖 OpenAI 兼容	Chat Completions API 格式，前端可直接对接
🖼️ 多模态图片	支持 `content` 数组和 `image_url` 图片输入
👁️ 视觉模型路由	检测到图片后自动切换到 `LLM_VISION_MODEL_NAME`
🌊 流式/非流式	同时支持 SSE 流式和一次性 JSON 响应
📝 自动会话管理	自动创建会话、生成标题、持久化消息
🔌 插件式架构	继承 `BaseAgentService` 实现自定义 Agent
⏹️ 停止响应	支持中断流式生成
📡 SLS 日志	可选接入阿里云 SLS，记录 `llm_stream` 请求/响应生命周期
🗑️ 软删除	会话和消息支持软删除，数据可恢复
🎯 生命周期钩子	`on_before_chat` / `on_after_chat` 扩展点
🛡️ 异常处理	全局异常处理、参数校验、业务异常
📊 数据库监控	连接池监控、自动重试机制
🔄 Redis 支持	内置 Redis 缓存客户端和中间件(可选)

技术栈

组件	技术
Web 框架	FastAPI
ORM	SQLAlchemy 2.0 (AsyncIO)
数据库	PostgreSQL + asyncpg
缓存	Redis (可选)
HTTP 客户端	httpx
配置管理	pydantic-settings + python-decouple
日志	loguru + Aliyun SLS 可选上报

项目结构

agent-fastapi/
├── main.py                          # 应用入口
├── requirements.txt                 # Python 依赖
├── create_chat_tables.sql           # 数据库建表脚本
├── .env                             # 环境变量配置 (需自行创建)
├── system_prompt.txt                # 系统提示词模板 (可选)
│
├── src/
│   └── main/
│       ├── api/                     # 🔵 API 路由层
│       │   ├── endpoints.py         # 路由注册入口
│       │   └── agent/
│       │       └── agent_router.py  # ⭐ Agent 核心路由 (所有 API 定义)
│       │
│       ├── service/                 # 🟢 服务层 (业务逻辑)
│       │   └── agent/
│       │       ├── base_agent_service.py     # ⭐ Agent 服务基类 (抽象)
│       │       ├── default_agent_service.py  # ⭐ 默认 Agent 实现
│       │       └── example_custom_agent.py   # 📖 自定义 Agent 示例
│       │
│       ├── schema/                  # 🟡 数据模型 (Pydantic)
│       │   ├── chat.py              # 对话相关请求/响应模型
│       │   └── agent.py             # Agent 信息模型
│       │
│       ├── models/                  # 🔴 ORM 模型
│       │   └── chat.py              # 会话 & 消息表定义
│       │
│       ├── repository/              # 🟣 数据访问层
│       │   └── chat_repository.py   # 会话/消息 CRUD
│       │
│       ├── config/                  # ⚙️ 配置
│       │   ├── manager.py           # 配置工厂
│       │   ├── settings/            # 环境配置 (dev/prod)
│       │   ├── handler/             # 异常/中间件/生命周期/SLS 日志处理器
│       │   └── middleware/          # Redis 缓存中间件
│       │
│       └── core/                    # 🧱 核心基础设施
│           ├── orm/                 # ORM 基类 (DB/Session/Repository/Service)
│           ├── schema/              # 通用响应模型
│           └── util/                # 工具类 (Redis/异常/格式化)
│
├── deploy/                          # 部署配置
│   ├── docker/                      # Docker 配置
│   └── k8s/                         # Kubernetes 配置

快速开始

1. 克隆项目

git clone <your-repo-url>
cd agent-fastapi

2. 安装依赖

pip install -r requirements.txt

3. 配置环境变量

创建 .env 文件：

# ===== 服务器配置 =====
ENVIRONMENT=DEV
BACKEND_SERVER_HOST=0.0.0.0
BACKEND_SERVER_PORT=18176
BACKEND_SERVER_WORKERS=1
API_PREFIX=/api
DOCS_URL=/api-doc.html
OPENAPI_URL=/api.json
REDOC_URL=/api-redoc.html
DOCS_AUTH_USERNAME=admin
DOCS_AUTH_PASSWORD=admin123

# ===== 数据库配置 (主库) =====
POSTGRES_CONNECT=postgresql
POSTGRES_HOST=localhost
POSTGRES_PORT=5432
POSTGRES_DB=agent_db
POSTGRES_USERNAME=postgres
POSTGRES_PASSWORD=postgres

# ===== 数据库配置 (副库，可与主库相同) =====
POSTGRES_CONNECT_ANOTHER=postgresql
POSTGRES_HOST_ANOTHER=localhost
POSTGRES_PORT_ANOTHER=5432
POSTGRES_DB_ANOTHER=agent_db
POSTGRES_USERNAME_ANOTHER=postgres
POSTGRES_PASSWORD_ANOTHER=postgres

# ===== 数据库连接池 =====
DB_MAX_POOL_CON=10
DB_POOL_SIZE=5
DB_POOL_OVERFLOW=10
DB_TIMEOUT=30
DB_POOL_RECYCLE=3600
DB_POOL_TIMEOUT=30
DB_POOL_RESET_ON_RETURN=rollback
DB_RETRY_ATTEMPTS=3
DB_RETRY_DELAY=1
DB_RETRY_BACKOFF=2
IS_DB_ECHO_LOG=false
IS_DB_FORCE_ROLLBACK=false
IS_DB_EXPIRE_ON_COMMIT=false

# ===== Redis 配置 =====
PROD_REDIS_HOST=localhost
PROD_REDIS_PORT=6379
PROD_REDIS_PASSWORD=
PROD_REDIS_DB=0
PROD_REDIS_CLUSTER=false
PROD_REDIS_NODES=
TEST_REDIS_HOST=localhost
TEST_REDIS_PORT=6379
TEST_REDIS_PASSWORD=
TEST_REDIS_DB=0

# ===== LLM 配置 =====
LLM_API_KEY=sk-your-api-key
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL_NAME=gpt-4o
LLM_VISION_MODEL_NAME=gpt-4o

# ===== Aliyun SLS 日志配置，可留空关闭 =====
ALIYUN_LOGGING_SERVER=
ALIYUN_LOGGING_AKID=
ALIYUN_LOGGING_AKSECRET=
ALIYUN_LOGGING_PROJECT=
ALIYUN_LOGGING_LOGSTORE=

4. 初始化数据库

psql -U postgres -d agent_db -f create_chat_tables.sql

5. 启动服务

python main.py

服务启动后访问：

API 文档: http://localhost:18176/api-doc.html
ReDoc: http://localhost:18176/api-redoc.html

API 接口一览

所有接口前缀: /api/agent/v1

对话接口

方法	路径	说明
`POST`	`/chat/completions`	对话接口 (流式/非流式)

会话管理

方法	路径	说明
`GET`	`/sessions`	获取会话列表 (支持分页)
`POST`	`/sessions`	创建新会话
`GET`	`/sessions/{session_id}`	获取会话详情及消息记录
`PUT`	`/sessions/{session_id}`	更新会话信息
`DELETE`	`/sessions/{session_id}`	删除会话 (软删除/硬删除)
`PATCH`	`/sessions/{session_id}/rename`	重命名会话

流控制

方法	路径	说明
`POST`	`/sessions/{session_id}/stop`	停止流式响应

消息管理

方法	路径	说明
`DELETE`	`/sessions/{session_id}/messages/{message_id}`	删除消息

Agent 信息

方法	路径	说明
`GET`	`/agent/info`	获取 Agent 基本信息
`GET`	`/agent/models`	获取可用模型列表

系统

方法	路径	说明
`GET`	`/health`	健康检查

SLS 日志分析

方法	路径	说明
`GET`	`/sls/v1/analysis`	读取 SLS `llm_stream` 日志并返回实时聚合指标

接口详细说明

POST `/chat/completions` — 对话

请求体:

{
  "messages": [
    {"role": "user", "content": "你好"}
  ],
  "user_id": "user_001",
  "session_id": null,
  "stream": true,
  "model": "gpt-4o",
  "temperature": 0.7,
  "max_tokens": 2048,
  "chat_type": "chat",
  "metadata": {}
}

session_id 为空时自动创建新会话
传 session_id 恢复历史时建议同时传 user_id，框架会按用户隔离会话
stream=true 返回 SSE 流式响应
stream=false 返回标准 JSON 响应 (OpenAI 格式)
content 可为普通字符串，也可为 OpenAI 多模态 content parts 数组
不传 messages 时，可用 query + images 快捷字段自动构造用户消息

图片 URL 请求体 (OpenAI 多模态格式):

{
  "messages": [
    {
      "role": "user",
      "content": [
        {"type": "text", "text": "请描述这张图片"},
        {
          "type": "image_url",
          "image_url": {
            "url": "https://example.com/image.png"
          }
        }
      ]
    }
  ],
  "chat_type": "vision",
  "stream": true
}

图片 URL 快捷请求体:

{
  "query": "请描述这张图片",
  "images": ["https://example.com/image.png"],
  "chat_type": "vision",
  "stream": true
}

检测到 image_url 后，默认实现会自动使用 LLM_VISION_MODEL_NAME。例如默认文本模型是 qwen3-max 时，图片请求会自动切到 qwen-vl-max。

流式响应格式 (SSE):

data: {"type": "session_info", "session_id": "xxxx-xxxx"}

data: {"choices": [{"delta": {"content": "你"}}]}

data: {"choices": [{"delta": {"content": "好"}}]}

data: [DONE]

GET `/sessions` — 获取会话列表

参数:

参数	类型	默认	说明
`limit`	int	20	每页数量 (1-100)
`offset`	int	0	偏移量
`user_id`	string	null	按用户筛选

响应:

{
  "total": 42,
  "items": [
    {
      "id": "uuid",
      "title": "关于天气的对话",
      "user_id": "user_001",
      "model": "gpt-4o",
      "created_at": "2026-02-24T10:00:00",
      "updated_at": "2026-02-24T10:05:00"
    }
  ]
}

DELETE `/sessions/{session_id}` — 删除会话

参数:

参数	类型	默认	说明
`hard`	bool	false	是否硬删除 (不可恢复)

POST `/sessions/{session_id}/stop` — 停止响应

停止指定会话正在进行的流式输出。前端点击"停止生成"按钮时调用。

开发指南

创建自定义 Agent

核心步骤: 继承 BaseAgentService，实现 process_chat() 方法。

# src/main/service/agent/my_agent_service.py

from typing import AsyncGenerator, List, Dict, Any, Optional
from src.main.service.agent.base_agent_service import BaseAgentService
from src.main.schema.chat import ChatRequest
from src.main.schema.agent import AgentInfoResponse


class MyAgentService(BaseAgentService):
    """我的自定义 Agent"""

    def get_agent_info(self) -> AgentInfoResponse:
        return AgentInfoResponse(
            name="My Agent",
            description="我的自定义 AI Agent",
            version="1.0.0",
        )

    def get_system_prompt(self, request=None) -> Optional[str]:
        return "你是一个专业的助手。"

    async def process_chat(
        self,
      messages: List[Dict[str, Any]],
        request: ChatRequest,
        session_id: str,
    ) -> AsyncGenerator[str, None]:
        """
        在这里实现你的 Agent 核心逻辑:
        - RAG 检索增强
        - Function Calling
        - 多模型路由
        - 业务数据注入
        - ...
        """
        # 示例: 调用 LLM
        import httpx, json
        from src.main.config.manager import settings

        async with httpx.AsyncClient(timeout=120) as client:
            async with client.stream(
                "POST",
                f"{settings.LLM_BASE_URL}/chat/completions",
                json={"model": settings.LLM_MODEL_NAME, "messages": messages, "stream": True},
                headers={"Authorization": f"Bearer {settings.LLM_API_KEY}"},
            ) as response:
                async for line in response.aiter_lines():
                    if self.is_stream_cancelled(session_id):
                        break
                    if line.strip():
                        yield f"{line}\n\n"

框架扩展点

BaseAgentService 提供以下可覆盖的方法:

方法	必须实现	说明
`process_chat()`	✅	核心对话处理逻辑 — 接收上下文消息，流式返回 SSE 格式响应
`get_agent_info()`	❌	返回 Agent 元信息 (名称、能力、版本等)
`get_system_prompt()`	❌	返回系统提示词 (支持根据 request 动态生成)
`get_available_models()`	❌	返回可用模型列表
`on_before_chat()`	❌	对话前钩子 — 预处理、校验、审计日志
`on_after_chat()`	❌	对话后钩子 — 统计、评估、异步任务

框架自动处理的事项 (开发者无需关心):

✅ 会话创建/恢复
✅ 历史消息上下文构建
✅ 用户消息持久化
✅ 助手回复持久化
✅ 会话标题自动生成
✅ 流式传输管理
✅ 停止响应支持
✅ 异常捕获和错误响应

切换 Agent 实现

在 agent_router.py 中，将 DefaultAgentService 替换为你的实现:

# src/main/api/agent/agent_router.py

# 替换前:
from src.main.service.agent.default_agent_service import DefaultAgentService

# 替换后:
from src.main.service.agent.my_agent_service import MyAgentService as DefaultAgentService

或者更精细地控制:

# 只替换 chat_completions 端点中的依赖
@router.post("/chat/completions")
async def chat_completions(
    request: ChatRequest = Body(...),
    agent_service: MyAgentService = Depends(
        get_async_service(ser_type=MyAgentService, repo_type=ChatRepository)
    ),
):
    ...

数据库设计

agent_chat_sessions_test (会话表)

字段	类型	说明
`id`	UUID	主键
`user_id`	VARCHAR(64)	用户ID
`title`	VARCHAR(255)	会话标题 (自动生成)
`model`	VARCHAR(100)	使用的模型名称
`system_prompt`	TEXT	会话级系统提示词
`metadata`	JSONB	自定义元数据
`is_deleted`	BOOLEAN	软删除标记
`created_at`	TIMESTAMP	创建时间
`updated_at`	TIMESTAMP	更新时间

agent_chat_messages_test (消息表)

字段	类型	说明
`id`	UUID	主键
`session_id`	UUID	所属会话ID (外键, CASCADE)
`user_id`	VARCHAR(64)	用户ID
`role`	VARCHAR(20)	角色: system / user / assistant / tool
`content`	TEXT	消息内容
`token_count`	VARCHAR(20)	Token 消耗量
`metadata`	JSONB	自定义元数据
`is_deleted`	BOOLEAN	软删除标记
`created_at`	TIMESTAMP	创建时间

配置说明

所有配置通过 .env 文件或环境变量注入。

核心配置项

变量名	说明	示例
`ENVIRONMENT`	运行环境	`DEV` / `PROD`
`BACKEND_SERVER_HOST`	服务地址	`0.0.0.0`
`BACKEND_SERVER_PORT`	服务端口	`18176`
`API_PREFIX`	API 路径前缀	`/api`

LLM 配置

变量名	说明	示例
`LLM_API_KEY`	API 密钥	`sk-xxxx`
`LLM_BASE_URL`	API 地址 (兼容 OpenAI 格式)	`https://api.openai.com/v1`
`LLM_MODEL_NAME`	默认模型	`gpt-4o`
`LLM_VISION_MODEL_NAME`	图片/多模态请求默认视觉模型	`qwen-vl-max` / `gpt-4o`

支持任何兼容 OpenAI API 格式的 LLM 服务，如: OpenAI、Azure OpenAI、通义千问、DeepSeek、Ollama 等。图片理解需要模型本身支持视觉能力；纯文本模型即使收到 image_url 也无法分析图片。

数据库配置

变量名	说明
`POSTGRES_HOST`	数据库地址
`POSTGRES_PORT`	数据库端口
`POSTGRES_DB`	数据库名
`POSTGRES_USERNAME`	用户名
`POSTGRES_PASSWORD`	密码
`DB_POOL_SIZE`	连接池大小

SLS 流式日志

项目可选接入阿里云 SLS。未配置 ALIYUN_LOGGING_* 时，SLS sink 会自动跳过，不影响服务启动和本地日志。

配置项

变量名	说明
`ALIYUN_LOGGING_SERVER`	SLS endpoint，例如 `cn-hangzhou.log.aliyuncs.com`
`ALIYUN_LOGGING_AKID`	AccessKey ID
`ALIYUN_LOGGING_AKSECRET`	AccessKey Secret
`ALIYUN_LOGGING_PROJECT`	SLS Project
`ALIYUN_LOGGING_LOGSTORE`	SLS Logstore

记录内容

流式回答由 BaseAgentService.stream_chat() 统一记录，每次对话最多写两条 llm_stream 日志：

phase	触发时机	关键字段
`request`	用户消息入库后、调用模型前	`stream_id`、`request_id`、`session_id`、`user_id`、`model`、`chat_type`、`prompt`、`image_count`、`request_body`
`response`	流式回答结束、取消、断连或异常时	`stream_id`、`response_body`、`answer`、`duration_ms`、`ttft_ms`、`chunk_count`、`finish_reason`、`error`

stream_id 用于关联同一次请求的 request/response 两条记录。SLS 中绑定字段以 extra. 前缀保存，例如 extra.event=llm_stream、extra.phase=response、extra.finish_reason=complete。

行为约定

只发送 logger.bind(event="llm_stream", ...) 等白名单事件，普通 logger.info() 保持本地输出。
上传使用后台线程批量发送，业务请求不会等待 SLS 写入。
队列满时丢弃最旧日志，避免流式回答被日志系统拖慢。
SDK 缺失、配置为空或上传失败都不会阻塞应用启动；上传失败只打印到 stderr，避免日志递归。

实时分析接口

GET /api/sls/v1/analysis 会从 SLS 读取最近一段时间的 llm_stream 终态响应日志，并返回成功、拦截、失败、取消/断连等聚合指标。

参数	默认	范围	说明
`window_minutes`	`5`	`1-1440`	查询最近多少分钟
`limit`	`1000`	`1-5000`	最多读取多少条 SLS 日志
`detail_limit`	`50`	`1-200`	返回多少条失败/拦截/取消明细

分析接口使用全文查询 "llm_stream" 后在本地过滤 extra.event、extra.phase 和 extra.finish_reason，不依赖 SLS key-value 索引。details[].raw 会保留原始 SLS 字段，details[].response_body 会优先尝试按 JSON 解析，便于前端检查完整响应。

部署指南

Docker 部署

# 构建镜像
docker build -f deploy/docker/Dockerfile -t agent-fastapi .

# 运行容器
docker run -d \
  --name agent-fastapi \
  -p 8000:8000 \
  --env-file .env \
  agent-fastapi

Docker Compose

cd deploy/docker
docker-compose up -d

Kubernetes

# 测试环境
kubectl apply -f deploy/k8s/test/

# 生产环境
kubectl apply -f deploy/k8s/prod/

架构设计

┌──────────────────────────────────────────────────────────────┐
│                        Client (前端/SDK)                      │
│              POST /chat/completions  (SSE Stream)             │
└─────────────────────────┬────────────────────────────────────┘
                          │
┌─────────────────────────▼────────────────────────────────────┐
│                     API Router Layer                          │
│                   (agent_router.py)                           │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────────────┐  │
│  │ /chat/       │ │ /sessions    │ │ /agent/info          │  │
│  │ completions  │ │ CRUD         │ │ /agent/models        │  │
│  └──────┬───────┘ └──────┬───────┘ │ /health              │  │
│         │                │         └──────────┬───────────┘  │
└─────────┼────────────────┼────────────────────┼──────────────┘
          │                │                    │
┌─────────▼────────────────▼────────────────────▼──────────────┐
│                     Service Layer                             │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │              BaseAgentService (抽象基类)                  │  │
│  │  ┌───────────────────────────────────────────────────┐  │  │
│  │  │  stream_chat()      ← 框架核心流程 (自动管理)      │  │  │
│  │  │  non_stream_chat()  ← 非流式封装                   │  │  │
│  │  │  stop_stream()      ← 停止响应                     │  │  │
│  │  └───────────────────────────────────────────────────┘  │  │
│  │  ┌───────────────────────────────────────────────────┐  │  │
│  │  │  process_chat()     ← ⭐ 开发者实现 (核心逻辑)     │  │  │
│  │  │  get_system_prompt() ← 开发者可选覆盖              │  │  │
│  │  │  on_before_chat()   ← 前置钩子                     │  │  │
│  │  │  on_after_chat()    ← 后置钩子                     │  │  │
│  │  └───────────────────────────────────────────────────┘  │  │
│  └─────────────────────────────────────────────────────────┘  │
│                           ↓                                   │
│  ┌──────────────────────────────────┐                         │
│  │  DefaultAgentService (默认实现)    │  ← 直接代理 LLM        │
│  │  ExampleCustomAgent  (示例)       │  ← 参考实现             │
│  │  YourAgentService    (你的实现)    │  ← 开发者自定义         │
│  └──────────────────────────────────┘                         │
└──────────────────────────┬───────────────────────────────────┘
                           │
┌──────────────────────────▼───────────────────────────────────┐
│                   Repository Layer                            │
│                 (chat_repository.py)                          │
│           Session CRUD  |  Message CRUD                       │
└──────────────────────────┬───────────────────────────────────┘
                           │
┌──────────────────────────▼───────────────────────────────────┐
│                   Database (PostgreSQL)                        │
│              agent_chat_sessions_test  |  agent_chat_messages_test          │
└──────────────────────────────────────────────────────────────┘

核心设计原则:

关注点分离 — API 路由 / 服务逻辑 / 数据访问 / 模型定义各层职责清晰
开放-封闭原则 — 框架处理基础设施，开发者通过继承扩展业务逻辑
兼容性 — OpenAI Chat Completions API 格式，前端/SDK 可无缝对接
渐进式 — 可从 DefaultAgentService 开始，逐步添加 RAG、Tool Use 等能力

License

MIT

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
src		src
.env.template		.env.template
.gitignore		.gitignore
README.md		README.md
create_chat_tables.sql		create_chat_tables.sql
login_html.py		login_html.py
main.py		main.py
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

Agent-FastAPI

目录

项目简介

新版本更新

核心特性

技术栈

项目结构

快速开始

1. 克隆项目

2. 安装依赖

3. 配置环境变量

4. 初始化数据库

5. 启动服务

API 接口一览

对话接口

会话管理

流控制

消息管理

Agent 信息

系统

SLS 日志分析

接口详细说明

POST /chat/completions — 对话

GET /sessions — 获取会话列表

DELETE /sessions/{session_id} — 删除会话

POST /sessions/{session_id}/stop — 停止响应

开发指南

创建自定义 Agent

框架扩展点

切换 Agent 实现

数据库设计

agent_chat_sessions_test (会话表)

agent_chat_messages_test (消息表)

配置说明

核心配置项

LLM 配置

数据库配置

SLS 流式日志

配置项

记录内容

行为约定

实时分析接口

部署指南

Docker 部署

Docker Compose

Kubernetes

架构设计

License

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

POST `/chat/completions` — 对话

GET `/sessions` — 获取会话列表

DELETE `/sessions/{session_id}` — 删除会话

POST `/sessions/{session_id}/stop` — 停止响应

Packages