Platform For AI:Quick start: Create a code-based application

Pré-requisitos

Antes de começar, verifique se você possui:

• Uma conta Alibaba Cloud com o PAI ativado

• Uma chave de API do Alibaba Cloud Model Studio

Etapa 1: Crie 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, em seguida, escolha LLM Basic.
   Name	Insira um nome para sua aplicação, como agent_demo.
   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: Configure variáveis de ambiente

Crie um arquivo .env no diretório raiz do projeto, no painel EXPLORER à esquerda, com o seguinte conteúdo:

Nota: Esta operação requer um ambiente de runtime vinculado e em execução.

DASHSCOPE_API_KEY=your-api-key-here

O runtime carrega as variáveis de ambiente do arquivo .env 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: Entenda 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 service.

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

Etapa 4: Depure 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: Implante o service

Após a depuração, implante a aplicação como um service 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 service, a Virtual Private Cloud (vpc) e o vSwitch. O LangStudio empacota sua aplicação FastAPI em um service PAI-EAS.

   Importante

   O service LLM requer acesso à internet pública, mas os services PAI-EAS não possuem acesso de saída à internet por padrão. Associe um NAT Gateway à sua vpc e ao vSwitch para habilitar esse acesso. Sem isso, todas as chamadas LLM falharão. Consulte Access public or private network resources from EAS para 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. Quando concluída, 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.

Teste o service 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?"}'

Utilize os recursos de monitoramento e rastreamento na página do service EAS para acompanhar métricas de desempenho e inspecionar rastreamentos de requisições em tempo real.

Etapa 6: Personalize 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):
        # ...