1. 创建你的第一个 Agent

本章目标

与 LLM 跑通一次真实对话。学完你能：

• 初始化 AmritaCore 并创建 agent
• 理解 ChatObject 是什么、为什么它包装了整次对话
• 看到两种工作流：默认的简单对话与显式开启的 Step 循环

概念速览（用到才讲）

• Agent：绑定你 LLM 端点的工厂。你向它要对话（get_chatobject）。
• ChatObject：一次对话。它拥有流、会话状态和运行对话的工作流。
• 策略：决定 agent 如何行动的"驱动器"（调用工具、停止、作答）。 AmritaCore 内置 step 驱动的 ReAct 策略——通过显式传入 step 循环 工作流来启用它。

1. 初始化 AmritaCore

每个进程只需初始化一次配置：

import asyncio
import os

from amrita_core import create_agent, minimal_init


async def main() -> None:
    await minimal_init()
    agent = create_agent(
        base_url="https://api.openai.com/v1",
        api_key=os.environ["OPENAI_API_KEY"],
        model="gpt-4o-mini",
    )

create_agent() 返回 Agent 对象——对话的工厂。

2. ChatObject——对话的基本单位

一次对话就是一个 ChatObject。它拥有工作流、流和会话状态：

    chat = agent.get_chatobject("What is the capital of France?")
    async with chat.begin():
        async for msg in chat.io_stream.get_response_generator():
            print(msg, end="", flush=True)

• get_chatobject(text) 创建一次对话
• chat.begin() 运行工作流（流式内置）
• chat.io_stream.get_response_generator() 产出响应 chunk

3. 两种工作流：简单对话 vs Step 循环

不带任何额外参数调用 get_chatobject() 运行的是简单对话工作流： 一次 LLM 调用、一个回答。它是对话最快的路径——但不会分解任务， 也不运行 Step 循环。

    chat = agent.get_chatobject("What is the capital of France?")
    async with chat.begin():
        async for msg in chat.io_stream.get_response_generator():
            print(msg, end="", flush=True)

要运行内置的 Step 驱动的 ReAct 策略——LLM 把任务分解为计划、框架 逐 Step 走完、agent 可以调用工具甚至中途修订自己的计划——你必须 显式传入 step 循环工作流：

from amrita_core.chatmanager import _step_workflow_rendered

    chat = agent.get_chatobject(
        "What is the capital of France?",
        workflow=_step_workflow_rendered,
    )
    async with chat.begin():
        async for msg in chat.io_stream.get_response_generator():
            print(msg, end="", flush=True)

你可以把步骤作为结构化元数据观察：

    async with chat.begin():
        async for msg in chat.io_stream.get_response_generator():
            if isinstance(msg, str):
                print(msg, end="", flush=True)
            else:
                print(f"\n[meta:{msg.metadata}] {msg.content}", flush=True)

你会看到 step 事件（decompose / intro / leave）与文本交错出现—— 完整列表见流式与回调。

为什么要显式传入？ 默认使用简单工作流，是为了让裸调用 get_chatobject() 在普通对话场景下"开箱即用"。Step 循环用简单换取 计划驱动的自主性——需要时传 workflow=_step_workflow_rendered 即可。

刚才发生了什么

• minimal_init() + create_agent() → 可以对话
• ChatObject = 一次对话：工作流 + 流 + 会话
• 默认工作流 = 简单对话（一次调用、一个回答）
• Step 循环需要显式传 workflow=_step_workflow_rendered

下一步

2. 给 Agent 添加工具——让你的 agent 有事可做。