Agent Context

此示例展示了如何将外部依赖项注入 Agent。Context 在 Agent 运行时进行评估，作用类似于 Agent 的依赖注入。

可以尝试的示例提示：

• “总结 HackerNews 的热门新闻”
• “当前有哪些热门技术讨论？”
• “分析当前热门新闻并找出趋势”
• “今天被点赞最多的故事是什么？”

代码

agent_context.py

import json
from textwrap import dedent

import httpx
from agno.agent import Agent
from agno.models.openai import OpenAIChat


def get_top_hackernews_stories(num_stories: int = 5) -> str:
    """获取并返回 HackerNews 的热门新闻。

    Args:
        num_stories: 要检索的热门新闻数量（默认为 5）
    Returns:
        包含新闻详细信息（标题、URL、得分等）的 JSON 字符串
    """
    # 获取热门新闻
    stories = [
        {
            k: v
            for k, v in httpx.get(
                f"https://hacker-news.firebaseio.com/v0/item/{id}.json"
            )
            .json()
            .items()
            if k != "kids"  # 排除讨论串
        }
        for id in httpx.get(
            "https://hacker-news.firebaseio.com/v0/topstories.json"
        ).json()[:num_stories]
    ]
    return json.dumps(stories, indent=4)


# 创建一个能访问实时 HackerNews 数据的 Context-Aware Agent
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    # Context 中的每个函数在 Agent 运行时都会被评估，
    # 可以将其视为 Agent 的依赖注入
    context={"top_hackernews_stories": get_top_hackernews_stories},
    # add_context 会自动将 context 添加到用户消息中
    # add_context=True,
    # 或者，您可以手动将 context 添加到指令中
    instructions=dedent("""\
        你是一位敏锐的技术趋势观察者！📰

        这是 HackerNews 的热门新闻：
        {top_hackernews_stories}\
    """),
    markdown=True,
)

# 示例用法
agent.print_response(
    "总结 HackerNews 的热门新闻并找出任何有趣的趋势。",
    stream=True,
)

用法

1. 创建虚拟环境

   打开 Terminal 并创建一个 python 虚拟环境。

   Mac

   python3 -m venv .venv
   source .venv/bin/activate
   
2. 安装库

   pip install openai httpx agno
   
3. 运行 Agent

   python agent_context.py