Gradio 是一个用于快速构建网页应用的 Python 包。只需要很少的代码，就可以开发应用。
本人用 Gradio 开发了一个 智能体应用，效果如下＼(`Δ’)／
它支持联网搜索、绘制图表、执行代码、多步规划、长上下文自动压缩 ...
用过 Gradio 的都知道，它的前端并不好调。调成这样虽算不上完美，但已经是一个极简且堪用的壳儿了。后端没有新鲜事，主要使用本指南介绍过的各种技术，比如工具、MCP、中间件、多智能体、上下文工程等。唯一让我感觉踩坑的地方是 Agent 的流式输出和增量渲染。为了理解 LangChain 对异步事件流的处理方式，花了不少时间做单测。好在一切都是值得的，最终成品令我满意。当然最开心的是让朋友们都用上这个应用 ✧\(>o<)ﾉ✧
一、功能展示¶
下面截取了一些案例，来看看 Agent 是怎么回答的吧！
1）角色扮演¶
| 测试用例 | 女神说她闹肚子了，怎么安慰她 |
| 调用工具 | role-play（功能：生成多种人设的回复话术） |
| 结果自评 | ⭐⭐⭐ 「用了 AI 就不是真物了」 |
2）代码执行¶
| 测试用例 | 3D 接雨水 |
| 调用工具 | code-execution（功能：执行 Python 代码） |
| 结果自评 | ⭐⭐⭐⭐⭐ 「一遍 AC，顺便超越了 88% 的用户」 |
3）高德地图¶
| 测试用例 | 从北京邮电大学到北京师范大学需要几步 |
| 调用工具 | amap-maps（功能：获取高德地图出行数据） |
| 结果自评 | ⭐⭐⭐⭐ 「答案是三步：报考北京师范大学、参加考试、拿到录取通知书」 |
想解锁更多有趣案例？快来部署这个 APP，尝试更多问题吧！
二、如何部署¶
GitHub 链接 👇
主项目（本教程）：dive-into-langgraph
子项目（本APP）：dive
-into -langgraph /app
1）下载代码¶
将仓库克隆到本地：
git clone https://github.com/luochang212/dive-into-langgraph.git进入项目目录：
cd dive-into-langgraph/app2）配置环境变量¶
首先创建 .env 文件：
cp .env.example .env然后注册 阿里云百炼 账号，获取 API_KEY 并配置到 .env 文件。
3）启动智能体应用¶
在开始之前，请确保你的 Python ≥ 3.10
python -V本 Web APP 提供三种启动方式，总有一款适合你。
💻 Python 启动
1. 安装依赖包
pip install -r requirements.txt2. 启动应用
python app.py🚀 UV 启动
如果你想用 pyproject.toml 中锁定的包版本，可以使用 uv 启动。
1. 安装 uv
pip install uv -U2. 使用 uv 同步虚拟环境
uv sync3. 启动应用
uv run python app.py📦 Docker Compose 启动
使用以下命令启动 Docker 容器：
docker compose up -d初始化完成后，可以在浏览器访问：http://
三、后日谈¶
在《阿里发布新版 Quick BI，聊聊 ChatBI 的底层架构、交互设计和云计算生态》一文中，我写了一段关于智能体的思考：
只要是基于 Agent 技术开发的产品，都难以跳出现阶段 Agent 科技的限制。
有哪些限制？我举几个例子：
长期记忆：精炼有用对话，遗忘无用对话，跨对话提升问答效果
验证能力：光有记忆没用，还要学会判断，也就是 Verification 的能力
知识体系：有验证能力之后，还要运用验证能力将记忆加工成知识
长期记忆、验证能力、知识体系 ... 小半年过去了，这些东西的进展依然有限。但我还挺乐观，觉得它们在工程上一定是有解的，只不过是解到最后泛化到什么程度的问题。
放到十年前，你能想象今天的 LLM 吗？其实我们已经获得了传说级别的技术，正以前所未有的加速度接近人类智能的真相。只是这波技术最终能否通往 AGI 还是未知数。身处其中的我们就像被强化学习驱动的小人，必须亲身翻越高山深谷，才能获得一点关于前进方向的信号。
我觉得短期内 AGI 的概率很小，因为人类智能没那么容易被 hack。只要 AI 的泛化性不如人类，人类技能就会自发向尚未泛化的地方转移。好消息是，工作依然需要我们；坏消息是，我们依然需要工作。
心向往之，素履之往。期待我们在不需要工作的世界，再次相遇 ૮₍˶˘～˘˶₎ა
— 2026-01-14 · 夜宿北京