在 ADK 中使用不同的模型

Note

Java ADK 目前支持 Gemini 和 Anthropic 模型。更多模型支持即将推出。

Agent Development Kit (ADK) 设计具有灵活性，允许你将各种大语言模型 (LLMs) 集成到你的智能体中。虽然 Google Gemini 模型的设置已在设置基础模型指南中介绍，但本页详细说明了如何有效利用 Gemini 并集成其他流行模型，包括那些外部托管或本地运行的模型。

ADK 主要使用两种机制进行模型集成：

1. 直接字符串 / 注册表： 适用于与 Google Cloud 紧密集成的模型（如通过 Google AI Studio 或 Vertex AI 访问的 Gemini 模型）或托管在 Vertex AI 端点上的模型。你通常直接向 LlmAgent 提供模型名称或端点资源字符串。ADK 的内部注册表将此字符串解析为适当的后端客户端，通常利用 google-genai 库。
2. 包装类： 为了更广泛的兼容性，特别是对于 Google 生态系统之外的模型或需要特定客户端配置的模型（如通过 LiteLLM 访问的模型）。你实例化一个特定的包装类（例如 LiteLlm）并将此对象作为 model 参数传递给你的 LlmAgent。

以下部分将根据你的需求指导你使用这些方法。

使用 Google Gemini 模型

这是在 ADK 中使用 Google 旗舰模型的最直接方式。

集成方法： 直接将模型的标识符字符串传递给 LlmAgent（或其别名 Agent）的 model 参数。

后端选项与设置：

ADK 内部用于 Gemini 的 google-genai 库可以通过 Google AI Studio 或 Vertex AI 连接。

语音/视频流的模型支持

为了在 ADK 中使用语音/视频流式处理，你需要使用支持 Live API 的 Gemini 模型。你可以在文档中找到支持 Gemini Live API 的模型 ID：

• Google AI Studio: Gemini Live API
• Vertex AI: Gemini Live API

Google AI Studio

• 使用场景： Google AI Studio 是开始使用 Gemini 最简单的方式。 你只需要 API 密钥。最适合快速原型开发和开发。
• 设置： 通常需要 API 密钥：
  • 设置为环境变量或
  • 在模型初始化期间通过 Client 传递（见下面的示例）

export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
export GOOGLE_GENAI_USE_VERTEXAI=FALSE

• 模型： 在 Google AI 开发者网站 上查找所有可用模型。

Vertex AI

• 使用场景： 推荐用于生产应用，利用 Google Cloud 基础设施。Vertex AI 上的 Gemini 支持企业级功能、安全性和合规控制。

• 设置：

  • 使用应用默认凭证 (ADC) 进行身份验证：

    gcloud auth application-default login
    

  • 将这些变量配置为环境变量或在初始化模型时直接提供它们。

    设置你的 Google Cloud 项目和位置：

    export GOOGLE_CLOUD_PROJECT="YOUR_PROJECT_ID"
    export GOOGLE_CLOUD_LOCATION="YOUR_VERTEX_AI_LOCATION" # 例如，us-central1
    

    明确告诉库使用 Vertex AI：

    export GOOGLE_GENAI_USE_VERTEXAI=TRUE
    

• 模型： 在 Vertex AI 文档 中查找可用的模型 ID。

示例：

PythonJava

from google.adk.agents import LlmAgent

# --- 使用稳定的 Gemini Flash 模型的示例 ---
agent_gemini_flash = LlmAgent(
    # 使用最新稳定的 Flash 模型标识符
    model="gemini-2.0-flash",
    name="gemini_flash_agent",
    instruction="你是一个快速且有帮助的 Gemini 助手。",
    # ... 其他智能体参数
)

# --- 使用强大的 Gemini Pro 模型的示例 ---
# 注意：始终查看官方 Gemini 文档以获取最新的模型名称，
# 包括特定的预览版本（如果需要）。预览模型可能有
# 不同的可用性或配额限制。
agent_gemini_pro = LlmAgent(
    # 使用最新普遍可用的 Pro 模型标识符
    model="gemini-2.5-pro-preview-03-25",
    name="gemini_pro_agent",
    instruction="你是一个强大且知识渊博的 Gemini 助手。",
    # ... 其他智能体参数
)

// --- 示例 #1：使用稳定的 Gemini Flash 模型和环境变量 ---
LlmAgent agentGeminiFlash =
    LlmAgent.builder()
        // 使用最新稳定的 Flash 模型标识符
        .model("gemini-2.0-flash") // 设置环境变量以使用此模型
        .name("gemini_flash_agent")
        .instruction("你是一个快速且有帮助的 Gemini 助手。")
        // ... 其他智能体参数
        .build();

// --- 示例 #2：使用强大的 Gemini Pro 模型并在模型中设置 API 密钥 ---
LlmAgent agentGeminiPro =
    LlmAgent.builder()
        // 使用最新普遍可用的 Pro 模型标识符
        .model(new Gemini("gemini-2.5-pro-preview-03-25",
            Client.builder()
                .vertexAI(false)
                .apiKey("API_KEY") // 设置 API 密钥（或）项目/位置
                .build()))
        // 或者，你也可以直接传递 API_KEY
        // .model(new Gemini("gemini-2.5-pro-preview-03-25", "API_KEY"))
        .name("gemini_pro_agent")
        .instruction("你是一个强大且知识渊博的 Gemini 助手。")
        // ... 其他智能体参数
        .build();

// 注意：始终查看官方 Gemini 文档以获取最新的模型名称，
// 包括特定的预览版本（如果需要）。预览模型可能有
// 不同的可用性或配额限制。

使用 Anthropic 模型

你可以通过使用其 API 密钥或从 Vertex AI 后端将 Anthropic 的 Claude 模型直接集成到你的 Java ADK 应用程序中，使用 ADK 的 Claude 包装类。

对于 Vertex AI 后端，请参阅 Vertex AI 上的第三方模型 部分。

先决条件：

1. 依赖项：

   • Anthropic SDK 类（传递性）： Java ADK 的 com.google.adk.models.Claude 包装器依赖于 Anthropic 官方 Java SDK 的类。这些通常作为传递依赖项包含。

2. Anthropic API 密钥：

   • 从 Anthropic 获取 API 密钥。使用秘密管理器安全地管理此密钥。

集成：

实例化 com.google.adk.models.Claude，提供所需的 Claude 模型名称和配置有你的 API 密钥的 AnthropicOkHttpClient。然后，将此 Claude 实例传递给你的 LlmAgent。

示例：

import com.anthropic.client.AnthropicClient;
import com.google.adk.agents.LlmAgent;
import com.google.adk.models.Claude;
import com.anthropic.client.okhttp.AnthropicOkHttpClient; // 来自 Anthropic 的 SDK

public class DirectAnthropicAgent {

  private static final String CLAUDE_MODEL_ID = "claude-3-7-sonnet-latest"; // 或你首选的 Claude 模型

  public static LlmAgent createAgent() {

    // 建议从安全配置加载敏感密钥
    AnthropicClient anthropicClient = AnthropicOkHttpClient.builder()
        .apiKey("ANTHROPIC_API_KEY")
        .build();

    Claude claudeModel = new Claude(
        CLAUDE_MODEL_ID,
        anthropicClient
    );

    return LlmAgent.builder()
        .name("claude_direct_agent")
        .model(claudeModel)
        .instruction("你是一个由 Anthropic Claude 提供支持的有帮助的 AI 助手。")
        // ... 其他 LlmAgent 配置
        .build();
  }

  public static void main(String[] args) {
    try {
      LlmAgent agent = createAgent();
      System.out.println("成功创建直接 Anthropic 智能体：" + agent.name());
    } catch (IllegalStateException e) {
      System.err.println("创建智能体时出错：" + e.getMessage());
    }
  }
}

通过 LiteLLM 使用云和专有模型

要访问来自 OpenAI、Anthropic（非 Vertex AI）、Cohere 和许多其他提供商的大量 LLM，ADK 通过 LiteLLM 库提供集成。

集成方法： 实例化 LiteLlm 包装类并将其传递给 LlmAgent 的 model 参数。

LiteLLM 概述： LiteLLM 充当翻译层，为 100 多个 LLM 提供标准化的、与 OpenAI 兼容的接口。

设置：

1. 安装 LiteLLM：

   pip install litellm
   

2. 设置提供商 API 密钥： 为你打算使用的特定提供商配置 API 密钥作为环境变量。

   • OpenAI 示例：

     export OPENAI_API_KEY="YOUR_OPENAI_API_KEY"
     

   • Anthropic 示例（非 Vertex AI）：

     export ANTHROPIC_API_KEY="YOUR_ANTHROPIC_API_KEY"
     

   • 查阅 LiteLLM 提供商文档 了解其他提供商的正确环境变量名称。

     示例：

     from google.adk.agents import LlmAgent
     from google.adk.models.lite_llm import LiteLlm
     
     # --- 使用 OpenAI 的 GPT-4o 的智能体示例 ---
     # （需要 OPENAI_API_KEY）
     agent_openai = LlmAgent(
         model=LiteLlm(model="openai/gpt-4o"), # LiteLLM 模型字符串格式
         name="openai_agent",
         instruction="你是一个由 GPT-4o 提供支持的乐于助人的助手。",
         # ... 其他智能体参数
     )
     
     # --- 使用 Anthropic 的 Claude Haiku（非 Vertex）的智能体示例 ---
     # （需要 ANTHROPIC_API_KEY）
     agent_claude_direct = LlmAgent(
         model=LiteLlm(model="anthropic/claude-3-haiku-20240307"),
         name="claude_direct_agent",
         instruction="你是一个由 Claude Haiku 提供支持的助手。",
         # ... 其他智能体参数
     )
     

Windows 用户注意事项

在 Windows 上避免 LiteLLM UnicodeDecodeError

在 Windows 上使用带有 LiteLlm 的 ADK 智能体时，用户可能会遇到以下错误：

UnicodeDecodeError: 'charmap' codec can't decode byte...

此问题的发生是因为 litellm（被 LiteLlm 使用）使用默认的 Windows 编码（cp1252）而不是 UTF-8 读取缓存文件（例如，模型定价信息）。 Windows 用户可以通过将 PYTHONUTF8 环境变量设置为 1 来防止此问题。这会强制 Python 全局使用 UTF-8。 示例（PowerShell）：

# 为当前会话设置
$env:PYTHONUTF8 = "1"
# 为用户持久设置
[System.Environment]::SetEnvironmentVariable('PYTHONUTF8', '1', [System.EnvironmentVariableTarget]::User)
应用此设置确保 Python 使用 UTF-8 读取缓存文件，避免解码错误。

通过 LiteLLM 使用开源和本地模型

为了获得最大控制权、节省成本、隐私或离线使用场景，你可以在本地运行开源模型或自托管它们，并使用 LiteLLM 集成它们。

集成方法： 实例化 LiteLlm 包装类，配置为指向你的本地模型服务器。

Ollama 集成

Ollama 允许你轻松在本地运行开源模型。

模型选择

如果你的智能体依赖工具，请确保从 Ollama 网站 选择支持工具的模型。

为了获得可靠的结果，我们建议使用具有工具支持的适当大小的模型。

可以使用以下命令检查模型的工具支持：

ollama show mistral-small3.1
  Model
    architecture        mistral3
    parameters          24.0B
    context length      131072
    embedding length    5120
    quantization        Q4_K_M

  Capabilities
    completion
    vision
    tools

你应该在能力下看到列出的 tools。

你还可以查看模型使用的模板，并根据你的需求对其进行调整。

ollama show --modelfile llama3.2 > model_file_to_modify

例如，上述模型的默认模板本质上建议模型应该始终调用函数。这可能导致函数调用的无限循环。

Given the following functions, please respond with a JSON for a function call
with its proper arguments that best answers the given prompt.

Respond in the format {"name": function name, "parameters": dictionary of
argument name and its value}. Do not use variables.

你可以将这样的提示替换为更具描述性的提示，以防止无限工具调用循环。

例如：

Review the user's prompt and the available functions listed below.
First, determine if calling one of these functions is the most appropriate way to respond. A function call is likely needed if the prompt asks for a specific action, requires external data lookup, or involves calculations handled by the functions. If the prompt is a general question or can be answered directly, a function call is likely NOT needed.

If you determine a function call IS required: Respond ONLY with a JSON object in the format {"name": "function_name", "parameters": {"argument_name": "value"}}. Ensure parameter values are concrete, not variables.

If you determine a function call IS NOT required: Respond directly to the user's prompt in plain text, providing the answer or information requested. Do not output any JSON.

然后你可以使用以下命令创建一个新模型：

ollama create llama3.2-modified -f model_file_to_modify

使用 ollama_chat 提供商

我们的 LiteLLM 包装器可用于创建使用 Ollama 模型的智能体。

root_agent = Agent(
    model=LiteLlm(model="ollama_chat/mistral-small3.1"),
    name="dice_agent",
    description=(
        "可以掷 8 面骰子并检查素数的 hello world 智能体。"
    ),
    instruction="""
      你掷骰子并回答关于骰子掷出结果的问题。
    """,
    tools=[
        roll_die,
        check_prime,
    ],
)

重要的是设置提供商为 ollama_chat 而不是 ollama。使用 ollama 将导致意外行为，如无限工具调用循环和忽略先前上下文。

虽然可以在 LiteLLM 内部提供 api_base 用于生成，但截至 v1.65.5，LiteLLM 库在完成后调用其他 API 时依赖于环境变量。因此，此时我们建议设置环境变量 OLLAMA_API_BASE 来指向 ollama 服务器。

export OLLAMA_API_BASE="http://localhost:11434"
adk web

使用 openai 提供商

或者，可以使用 openai 作为提供商名称。但这也需要设置 OPENAI_API_BASE=http://localhost:11434/v1 和 OPENAI_API_KEY=anything 环境变量，而不是 OLLAMA_API_BASE。请注意，api base 现在末尾有 /v1。

root_agent = Agent(
    model=LiteLlm(model="openai/mistral-small3.1"),
    name="dice_agent",
    description=(
        "可以掷 8 面骰子并检查素数的 hello world 智能体。"
    ),
    instruction="""
      你掷骰子并回答关于骰子掷出结果的问题。
    """,
    tools=[
        roll_die,
        check_prime,
    ],
)

export OPENAI_API_BASE=http://localhost:11434/v1
export OPENAI_API_KEY=anything
adk web

调试

你可以通过在智能体代码中的导入后添加以下内容来查看发送到 Ollama 服务器的请求。

import litellm
litellm._turn_on_debug()

查找类似于以下的行：

Request Sent from LiteLLM:
curl -X POST \
http://localhost:11434/api/chat \
-d '{'model': 'mistral-small3.1', 'messages': [{'role': 'system', 'content': ...

自托管端点（例如 vLLM）

诸如 vLLM 之类的工具允许你高效地托管模型，并且通常公开与 OpenAI 兼容的 API 端点。

设置：

1. 部署模型： 使用 vLLM（或类似工具）部署你选择的模型。记下 API 基础 URL（例如 https://your-vllm-endpoint.run.app/v1）。
   • 对于 ADK 工具很重要： 部署时，确保服务工具支持并启用与 OpenAI 兼容的工具/函数调用。对于 vLLM，这可能涉及标志，如 --enable-auto-tool-choice 和可能特定的 --tool-call-parser，取决于模型。参考 vLLM 关于工具使用的文档。

2. 认证： 确定你的端点如何处理认证（例如，API 密钥、承载令牌）。

   集成示例：

   import subprocess
   from google.adk.agents import LlmAgent
   from google.adk.models.lite_llm import LiteLlm
   
   # --- 使用托管在 vLLM 端点上的模型的智能体示例 ---
   
   # 由你的 vLLM 部署提供的端点 URL
   api_base_url = "https://your-vllm-endpoint.run.app/v1"
   
   # 你的 vLLM 端点配置识别的模型名称
   model_name_at_endpoint = "hosted_vllm/google/gemma-3-4b-it" # vllm_test.py 的示例
   
   # 认证（示例：为 Cloud Run 部署使用 gcloud 身份令牌）
   # 根据你的端点的安全性调整这一点
   try:
       gcloud_token = subprocess.check_output(
           ["gcloud", "auth", "print-identity-token", "-q"]
       ).decode().strip()
       auth_headers = {"Authorization": f"Bearer {gcloud_token}"}
   except Exception as e:
       print(f"警告：无法获取 gcloud 令牌 - {e}。端点可能未受保护或需要不同的认证。")
       auth_headers = None # 或适当处理错误
   
   agent_vllm = LlmAgent(
       model=LiteLlm(
           model=model_name_at_endpoint,
           api_base=api_base_url,
           # 如果需要，传递认证头
           extra_headers=auth_headers
           # 或者，如果端点使用 API 密钥：
           # api_key="YOUR_ENDPOINT_API_KEY"
       ),
       name="vllm_agent",
       instruction="你是一个在自托管 vLLM 端点上运行的乐于助人的助手。",
       # ... 其他智能体参数
   )
   

使用 Vertex AI 上的托管和微调模型

为了企业级可扩展性、可靠性和与 Google Cloud 的 MLOps 生态系统集成，你可以使用部署到 Vertex AI 端点的模型。这包括来自模型库的模型或你自己的微调模型。

集成方法： 将完整的 Vertex AI 端点资源字符串（projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID）直接传递给 LlmAgent 的 model 参数。

Vertex AI 设置（综合）：

确保你的环境已配置为 Vertex AI：

1. 认证： 使用应用默认凭证 (ADC)：

   gcloud auth application-default login
   

2. 环境变量： 设置你的项目和位置：

   export GOOGLE_CLOUD_PROJECT="YOUR_PROJECT_ID"
   export GOOGLE_CLOUD_LOCATION="YOUR_VERTEX_AI_LOCATION" # 例如，us-central1
   

3. 启用 Vertex 后端： 关键是，确保 google-genai 库针对 Vertex AI：

   export GOOGLE_GENAI_USE_VERTEXAI=TRUE
   

模型库部署

你可以从 Vertex AI 模型库将各种开源和专有模型部署到端点。

示例：

from google.adk.agents import LlmAgent
from google.genai import types # 用于配置对象

# --- 使用从模型库部署的 Llama 3 模型的智能体示例 ---

# 替换为你实际的 Vertex AI 端点资源名称
llama3_endpoint = "projects/YOUR_PROJECT_ID/locations/us-central1/endpoints/YOUR_LLAMA3_ENDPOINT_ID"

agent_llama3_vertex = LlmAgent(
    model=llama3_endpoint,
    name="llama3_vertex_agent",
    instruction="你是一个基于 Llama 3 的有帮助的助手，托管在 Vertex AI 上。",
    generate_content_config=types.GenerateContentConfig(max_output_tokens=2048),
    # ... 其他智能体参数
)

微调模型端点

部署你的微调模型（无论是基于 Gemini 还是 Vertex AI 支持的其他架构）会产生一个可以直接使用的端点。

示例：

from google.adk.agents import LlmAgent

# --- 使用 Vertex AI 上部署的 Claude 模型示例 ---
agent_claude_vertex = LlmAgent(
    # 完整的 Vertex AI 端点资源字符串
    model="projects/my-project/locations/us-central1/endpoints/1234567890",
    name="claude_vertex_agent",
    instruction="你是一个有帮助的助手，在 Vertex AI 上运行。",
    # ... 其他智能体参数
)

通过 LiteLLM 在 Vertex AI 上使用 Claude 模型

一些提供商，如 Anthropic，直接通过 Vertex AI 提供他们的模型。

PythonJava

集成方法： 使用直接模型字符串（例如，"claude-3-sonnet@20240229"），但需要在 ADK 内手动注册。

为什么需要注册？ ADK 的注册表自动识别 gemini-* 字符串和标准 Vertex AI 端点字符串（projects/.../endpoints/...）并通过 google-genai 库路由它们。对于通过 Vertex AI 直接使用的其他模型类型（如 Claude），你必须明确告诉 ADK 注册表哪个特定的包装类（在这种情况下是 Claude）知道如何使用 Vertex AI 后端处理该模型标识符字符串。

设置：

1. Vertex AI 环境： 确保综合的 Vertex AI 设置（ADC、环境变量、GOOGLE_GENAI_USE_VERTEXAI=TRUE）已完成。

2. 安装提供商库： 安装为 Vertex AI 配置的必要客户端库。

   pip install "anthropic[vertex]"
   

3. 注册模型类： 在你的应用程序开始时，在使用 Claude 模型字符串创建智能体之前，添加此代码：

   # 通过 Vertex AI 与 LlmAgent 直接使用 Claude 模型字符串所需
   from google.adk.models.anthropic_llm import Claude
   from google.adk.models.registry import LLMRegistry
   
   LLMRegistry.register(Claude)
   

示例：

from google.adk.agents import LlmAgent
from google.adk.models.anthropic_llm import Claude # 注册所需的导入
from google.adk.models.registry import LLMRegistry # 注册所需的导入
from google.genai import types

# --- 注册 Claude 类（在启动时执行一次）---
LLMRegistry.register(Claude)

# --- 在 Vertex AI 上使用 Claude 3 Sonnet 的示例智能体 ---

# Vertex AI 上 Claude 3 Sonnet 的标准模型名称
claude_model_vertexai = "claude-3-sonnet@20240229"

agent_claude_vertexai = LlmAgent(
    model=claude_model_vertexai, # 注册后传递直接字符串
    name="claude_vertexai_agent",
    instruction="你是一个由 Vertex AI 上的 Claude 3 Sonnet 提供支持的助手。",
    generate_content_config=types.GenerateContentConfig(max_output_tokens=4096),
    # ... 其他智能体参数
)

集成方法： 直接实例化特定于提供商的模型类（例如，com.google.adk.models.Claude）并使用 Vertex AI 后端配置它。

为什么直接实例化？ Java ADK 的 LlmRegistry 默认主要处理 Gemini 模型。对于 Vertex AI 上的第三方模型（如 Claude），你直接向 LlmAgent 提供 ADK 的包装类（例如，Claude）的实例。此包装类负责通过其特定的客户端库与模型交互，配置为 Vertex AI。

设置：

1. Vertex AI 环境：

   • 确保你的 Google Cloud 项目和区域设置正确。
   • 应用默认凭证 (ADC)： 确保 ADC 在你的环境中正确配置。这通常通过运行 gcloud auth application-default login 来完成。Java 客户端库将使用这些凭证来向 Vertex AI 进行身份验证。有关详细设置，请参阅 ADC 上的 Google Cloud Java 文档。

2. 提供商库依赖项：

   • 第三方客户端库（通常是传递性的）： ADK 核心库通常包括 Vertex AI 上常见第三方模型（如 Anthropic 的必需类）的必要客户端库作为传递依赖项。这意味着你可能不需要在你的 pom.xml 或 build.gradle 中为 Anthropic Vertex SDK 明确添加单独的依赖项。

3. 实例化并配置模型： 在创建你的 LlmAgent 时，实例化 Claude 类（或另一个提供商的等效类）并配置其 VertexBackend。

示例：

import com.anthropic.client.AnthropicClient;
import com.anthropic.client.okhttp.AnthropicOkHttpClient;
import com.anthropic.vertex.backends.VertexBackend;
import com.google.adk.agents.LlmAgent;
import com.google.adk.models.Claude; // ADK 的 Claude 包装器
import com.google.auth.oauth2.GoogleCredentials;
import java.io.IOException;

// ... 其他导入

public class ClaudeVertexAiAgent {

    public static LlmAgent createAgent() throws IOException {
        // Vertex AI 上 Claude 3 Sonnet 的模型名称（或其他版本）
        String claudeModelVertexAi = "claude-3-7-sonnet"; // 或任何其他 Claude 模型

        // 使用 VertexBackend 配置 AnthropicOkHttpClient
        AnthropicClient anthropicClient = AnthropicOkHttpClient.builder()
            .backend(
                VertexBackend.builder()
                    .region("us-east5") // 指定你的 Vertex AI 区域
                    .project("your-gcp-project-id") // 指定你的 GCP 项目 ID
                    .googleCredentials(GoogleCredentials.getApplicationDefault())
                    .build())
            .build();

        // 使用 ADK Claude 包装器实例化 LlmAgent
        LlmAgent agentClaudeVertexAi = LlmAgent.builder()
            .model(new Claude(claudeModelVertexAi, anthropicClient)) // 传递 Claude 实例
            .name("claude_vertexai_agent")
            .instruction("你是一个由 Vertex AI 上的 Claude 3 Sonnet 提供支持的助手。")
            // .generateContentConfig(...) // 可选：如果需要，添加生成配置
            // ... 其他智能体参数
            .build();

        return agentClaudeVertexAi;
    }

    public static void main(String[] args) {
        try {
            LlmAgent agent = createAgent();
            System.out.println("成功创建智能体：" + agent.name());
            // 在这里你通常会设置 Runner 和 Session 来与智能体交互
        } catch (IOException e) {
            System.err.println("创建智能体失败：" + e.getMessage());
            e.printStackTrace();
        }
    }
}