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
• 看到内置 step 策略在运行（无需任何配置）

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 默认内置 step 驱动的 ReAct 策略。

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. 内置 ReAct 策略

默认情况下，ChatObject 运行 Step 驱动的 ReAct 策略：agent 可以调用 工具，框架通过 Step 循环（decompose → execute → summarize）驱动它。 你不需要做任何事——简单问题直接回答；多步任务自动分解。

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

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
• 内置策略已默认激活——无需任何配置

下一步

2. 给 Agent 添加工具——让你的 agent 有事可做。