elkar 的安装和配置教程
2025-05-18 19:56:03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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147