Platform For AI:Início rápido: Criar uma aplicação baseada em código

Pré-requisitos

Antes de começar, verifique se você tem:

• Uma conta Alibaba Cloud com o PAI ativado

• Uma chave de API do Alibaba Cloud Model Studio

Etapa 1: Criar uma aplicação

1. Faça login no PAI console. Na barra de navegação superior, selecione uma região, como China (Hangzhou).

2. No painel de navegação à esquerda, escolha Model Application > Application Development (LangStudio).

3. Na aba Applications, clique em Create Application e selecione Code Mode na lista suspensa.

4. Na página Create Application, configure os seguintes parâmetros:

   Parâmetro	Descrição
   Creation method	Selecione Create from Template e escolha LLM Basic.
   Name	Insira um nome para a aplicação, como AI Chat Agent.
   Select runtime	O runtime é o ambiente de computação para executar e depurar seu código. Selecione um runtime existente na lista suspensa. Se nenhum estiver disponível, clique em New Runtime para criar um com as configurações padrão. Várias aplicações podem compartilhar o mesmo runtime.
   Working path	Caminho do bucket do OSS para armazenar configurações de workflow, logs e arquivos temporários. Preenchido automaticamente após a seleção de um runtime.
   Description	(Opcional) Uma breve descrição da aplicação.

5. Clique em Confirm. O LangStudio redireciona você para a página de desenvolvimento.

Etapa 2: Configurar variáveis de ambiente

O modelo LLM Basic usa o Alibaba Cloud Model Studio como provedor de LLM. Crie um arquivo .env no diretório raiz do projeto com sua chave de API:

DASHSCOPE_API_KEY=your-api-key-here

O runtime carrega esse arquivo automaticamente durante a inicialização.

# Change from:
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"

# To:
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"

Etapa 3: Entender a estrutura do projeto

O modelo LLM Basic fornece um projeto de Agent funcional pronto para uso:

project/
├── agent.py          # Entry file: defines the FastAPI app and API endpoints
├── agent_loop.py     # Core logic: handles LLM calls and the tool execution loop
├── agui.py           # AG-UI Protocol event stream transformation
├── skills.py         # Skill system: discovers, loads, and executes skills
├── skills/           # Skills directory
│   ├── get-current-time/
│   └── create-plan/
├── requirements.txt  # Python dependencies
├── .env              # Environment variable file (create this manually)
└── README.md         # Detailed documentation

O arquivo agent.py é o ponto de entrada padrão e deve expor um objeto global FastAPI chamado app. O LangStudio detecta e carrega esse objeto para iniciar o serviço.

Consulte o arquivo README.md para obter detalhes sobre como estender o modelo.

Etapa 4: Depurar o Agent

Clique em Run no canto superior direito da página de desenvolvimento. O LangStudio inicia o runtime e carrega seu código. Quando estiver pronto, o painel de depuração aparecerá à direita.

{
  "question": "What is the weather like in Beijing today?"
}

{
  "answer": "The weather in Beijing today is sunny, with temperatures between 10°C and 20°C."
}

Etapa 5: Implantar o serviço

Após a depuração, implante a aplicação como um serviço online escalável.

1. Clique em Confirm no canto superior direito da página de desenvolvimento.

2. Na caixa de diálogo, configure os recursos de implantação, o nome do serviço, a Virtual Private Cloud (VPC) e o vSwitch. O LangStudio empacota sua aplicação FastAPI em um serviço PAI-EAS.

   Importante

   O serviço de LLM requer acesso à internet pública, mas os serviços PAI-EAS não têm acesso de saída à internet por padrão. Associe um NAT Gateway à sua VPC e ao vSwitch para habilitar esse acesso. Sem essa configuração, todas as chamadas de LLM falharão. Consulte Acessar recursos de rede públicos ou privados a partir do EAS para obter instruções de configuração.

3. Na página Deployment Flow, verifique o conteúdo da implantação e clique em Submit deployment.

4. A implantação leva de 5 a 10 minutos. Após a conclusão, clique em Go to EAS no canto superior direito.

5. Na aba Overview, vá até a seção Basic Information e clique em View Endpoint Information para obter a URL do endpoint e o token de autenticação.

Testar o serviço implantado:

# Replace <EAS_ENDPOINT> and <EAS_TOKEN> with your endpoint URL and authentication token.
curl -X POST '<EAS_ENDPOINT>' \
  -H 'Authorization: Bearer <EAS_TOKEN>' \
  -H "Content-Type: application/json" \
  -d '{"question": "What is the weather like in Beijing today?"}'

Use os recursos de monitoramento e rastreamento na página de serviço do EAS para acompanhar métricas de desempenho e inspecionar rastreamentos de solicitações em tempo real.

Etapa 6: Personalizar seu Agent

O modelo LLM Basic serve como ponto de partida. Veja abaixo as formas mais comuns de estendê-lo.

def to_messages(self) -> list:
    return [
        {"role": "system", "content": "You are a professional travel planning assistant. Your answers should be concise, actionable, and presented as a checklist."},
        {"role": "user", "content": self.question},
    ]

def geocode(city: str) -> str:
    """Get the geographical coordinates of a city."""
    # Replace with an actual API call
    return '{"lat": 39.9042, "lng": 116.4074}'

@app.post("/")
async def query(req: QueryRequest) -> QueryResponse:
    tools = [get_weather, geocode]
    async for chunk in agent_loop(req.to_messages(), tools=tools):
        # ...