别再手写 FastAPI 和 Streamlit：agent-service-toolkit 五分钟拉起一套 LangGraph 多智能体服务
【免费下载链接】agent-service-toolkitFull toolkit for running an AI agent service built with LangGraph, FastAPI and Streamlit项目地址: https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit
图画完了，想让智能体真正能用，还得自己包 FastAPI、搭 Streamlit 聊天窗、写 Dockerfile。agent-service-toolkit 把 LangGraph 智能体、FastAPI 服务、客户端 SDK 和 Streamlit 界面打成一套模板，内置 10 个智能体示例，clone 下来换个 API 密钥就能跑。
🧩 能力清单：先知道它能干什么
上手前先看能力版图，方便你决定拿它干什么。
| 能力 | 说明 |
|---|---|
| 10 个内置智能体示例 | chatbot、research-assistant、rag-assistant、supervisor 多智能体、interrupt 人在环、GitHub MCP 等 |
| 双模式流式 | token 级与消息级流式同时支持 |
| 多 LLM 提供商 | OpenAI、Anthropic、Google、VertexAI、Ollama、Bedrock、DeepSeek、OpenRouter 等，环境变量切换 |
| 内容安全 | 内置 Safeguard 做提示注入检测（需 Groq 密钥） |
| 对话历史 | /threads接口 + 界面侧边栏 Previous Chats |
| 检查点存储 | sqlite / postgres / mongo 三种后端可切 |
⚡ 跑通它：本地三条命令，容器两行
两条路线：Python 裸跑和 Docker 跑，都不超过三步。
本地裸跑。先拿代码、配密钥：
git clone https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit cd agent-service-toolkit echo 'OPENAI_API_KEY=your_openai_api_key' >> .env这步就是把仓库拿下来并给服务配上一个 LLM 密钥（任意提供商均可，完整变量参考.env.example）。接着装依赖并启动 FastAPI 服务，uv 会自动建好虚拟环境：
curl -LsSf https://astral.sh/uv/0.12.5/install.sh | sh uv sync --frozen source .venv/bin/activate python src/run_service.py最后在新终端启动聊天界面，浏览器开http://localhost:8501即可，API 文档在http://localhost:8080/redoc：
streamlit run src/streamlit_app.py容器化启动。团队用 Docker 的话就两行：
cp .env.example .env # 填入密钥 docker compose watchcompose.yaml会同时拉起 postgres、FastAPI 服务、Streamlit 三个容器，watch 模式下改代码自动重载；改动pyproject.toml时需要docker compose up --build重建。
🛠️ 加一个自己的智能体：复制、注册、完事
分层的原因：改图逻辑只动src/agents/下的文件，服务和界面不用跟着改。
加自己的智能体，走三步：
- 复制示例改造：以 src/agents/research_assistant.py 或 src/agents/chatbot.py 为底，换 prompt 和 tools；
- 注册：在 src/agents/agents.py 的
agents字典里加一行； - 界面想贴合新功能再调 src/streamlit_app.py，不追求就跳过。
"my-agent": Agent(description="My custom agent.", graph_like=my_agent),my_agent本体可以极简，一个 StateGraph 就够：
graph = StateGraph(AgentState) graph.add_node("process", process_message) graph.add_edge(START, "process") graph.add_edge("process", END) return graph.compile()注册完，/my-agent/invoke和/my-agent/stream两个路径自动可用，/info会列出全部智能体与可用模型。
🔌 进阶玩法：跑起来后的三个真问题
跑通之后，接下来想问的通常是：怎么换模型、怎么加自己的知识库、怎么别让 API 裸奔。
不想绑死单一模型提供商？设OLLAMA_MODEL=llama3.2即可切到本地 Ollama 模型，服务跑在容器里再加一个OLLAMA_BASE_URL，见 docs/Ollama.md。
想让智能体基于你的文档回答？把 pdf/docx 放进data/，跑python scripts/create_chroma_db.py建好向量库，rag-assistant就能检索作答，见 docs/RAG_Assistant.md。
担心 API 被裸奔？设AUTH_SECRET后请求必须带 Bearer 头，客户端会自动附带；要并发就用ainvoke/astream异步接口，现成例子在 src/run_client.py。
收束
agent-service-toolkit 是一套从智能体定义到聊天界面全流程可见的 LangGraph 智能体服务模板，最快的开始方式是 clone 下来改：
git clone https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit【免费下载链接】agent-service-toolkitFull toolkit for running an AI agent service built with LangGraph, FastAPI and Streamlit项目地址: https://gitcode.com/GitHub_Trending/ag/agent-service-toolkit
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
