elkar 的安装和配置教程
2025-05-18 17:52:03作者:管翌锬
项目基础介绍
elkar 是一个开源的任务管理层,用于构建基于 Google 的 Agent2Agent 协议(A2A)的人工智能代理。它允许开发者轻松地发送、跟踪和协调跨 AI 代理的任务。elkar 提供了一个 Python SDK,以及其他语言的即将支持,以简化 A2A 协议的实现,并且还有一个应用和 API 来管理、监控和调试代理任务。
主要编程语言
elkar 项目主要使用 Python 编程语言。
项目使用的关键技术和框架
- A2A 协议:Google 开发的 Agent2Agent 协议,用于代理间的通信。
- 异步操作:使用 Python 的异步编程特性来处理任务。
- RESTful API:提供 API 以便其他应用或服务与之交互。
- Supabase 或其他后端存储:用于任务存储和管理。
准备工作
在开始安装 elkar 之前,请确保您的系统中已经安装了以下软件:
- Python 3.8 或更高版本
- pip(Python 包管理器)
- Node.js 和 npm(用于运行调试器)
安装步骤
步骤 1:安装 Python SDK
首先,确保您的 Python 环境已经准备好。然后,使用 pip 安装 elkar SDK:
pip install elkar
步骤 2:创建任务处理器
在您的 Python 文件中,定义一个异步函数来处理任务。下面是一个基本的任务处理器示例:
from elkar.a2a_types import *
from elkar.server.server import A2AServer
from elkar.task_manager.task_manager_base import RequestContext
from elkar.task_manager.task_manager_with_task_modifier import TaskManagerWithModifier
from elkar.task_modifier.base import TaskModifierBase
async def task_handler(task: TaskModifierBase, request_context: RequestContext):
await task.set_status(
TaskStatus(
state=TaskState.WORKING,
message=Message(
role="agent",
parts=[TextPart(text="我理解了任务,正在处理中...")]
)
)
)
await task.upsert_artifacts([
Artifact(
parts=[
TextPart(text="任务完成,这是结果...")
],
index=0
)
])
await task.set_status(
TaskStatus(
state=TaskState.COMPLETED,
message=Message(
role="agent",
parts=[TextPart(text="任务已完成!")]
),
is_final=True
)
)
步骤 3:创建代理卡片
代理卡片是根据 A2A 协议的要求定义的。在您的 Python 文件中创建一个代理卡片:
agent_card = AgentCard(
name="测试代理",
description="测试代理描述",
url="https://example.com",
provider=AgentProvider(
organization="Elkar",
url="https://www.elkar.co"
),
documentationUrl="https://example.com/documentation",
version="1.0.0",
skills=[
AgentSkill(
id="1",
name="生成图像",
description="根据提示描述生成图像",
inputModes=["text"],
outputModes=["image"]
),
],
capabilities=AgentCapabilities(
streaming=True,
pushNotifications=True,
stateTransitionHistory=True
)
)
步骤 4:创建 A2A 服务器
实例化您的 A2A 服务器,使用托管服务作为任务存储:
api_key = "YOUR_ELKAR_API_KEY" # 替换为您的实际 Elkar API 密钥
store = ElkarClientStore(
base_url="https://api.elkar.co/api",
api_key=api_key
)
task_manager = TaskManagerWithModifier(
agent_card,
send_task_handler=task_handler,
store=store
)
server = A2AServer(
task_manager,
host="0.0.0.0",
port=5001,
endpoint="/"
)
server.start() # 注意:这在生产环境中应使用 ASGI 服务器如 Uvicorn
步骤 5:运行和调试
如果想要仅用于调试 A2A 服务器,可以运行调试器:
cd a2a-client
npm run a2adebugger
然后,在浏览器中打开 http://localhost:5173 进行调试。
以上步骤就是 elkar 的安装和配置的基本教程。在实际应用中,您可能需要根据自己的需求进行更多的配置和定制。
登录后查看全文
热门项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
539
3.76 K
Ascend Extension for PyTorch
Python
348
414
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
889
609
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
338
185
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
986
252
openGauss kernel ~ openGauss is an open source relational database management system
C++
169
233
暂无简介
Dart
778
193
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.34 K
758
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
114
140