流式输出与事件

在实际应用中，智能体的运行可能需要很长时间。向用户提供关于智能体进度的反馈至关重要，而流式传输使您能够实现这一点。

AgentWorkflowAgentWorkflow 提供了一组预构建的事件，您可以使用这些事件将输出流式传输给用户。让我们来看看这是如何实现的。

首先，我们将介绍一个需要较长时间执行的新工具。这里我们将使用名为Tavily的网络搜索工具，该工具可在LlamaHub中获取。

pip install llama-index-tools-tavily-research

它需要一个API密钥，我们将在.env文件中设置为TAVILY_API_KEY，并使用os.getenv方法进行获取。现在让我们引入所需的导入项：

from llama_index.tools.tavily_research import TavilyToolSpec
import os

并初始化工具：

tavily_tool = TavilyToolSpec(api_key=os.getenv("TAVILY_API_KEY"))

现在我们将使用该工具和我们之前初始化的LLM创建一个智能体。

workflow = FunctionAgent(
    tools=tavily_tool.to_tool_list(),
    llm=llm,
    system_prompt="You're a helpful assistant that can search the web for information.",
)

在之前的示例中，我们已在 workflow.run 方法上使用 await 来获取智能体的最终响应。但如果我们不等待响应，就会获得一个异步迭代器，通过遍历该迭代器可以实时获取事件流。这个迭代器将返回各类事件。我们将从 AgentStream 事件开始，该事件包含输出时产生的"增量"（即最新变更）。我们需要先导入该事件类型：

from llama_index.core.agent.workflow import AgentStream

现在我们可以运行工作流并查找该类型的事件以输出：

handler = workflow.run(user_msg="What's the weather like in San Francisco?")

async for event in handler.stream_events():
    if isinstance(event, AgentStream):
        print(event.delta, end="", flush=True)

如果你自己运行这段代码，你会看到随着智能体的运行，输出以分块形式陆续到达，返回类似这样的结果：

The current weather in San Francisco is as follows:

- **Temperature**: 17.2°C (63°F)
- **Condition**: Sunny
- **Wind**: 6.3 mph (10.1 kph) from the NNW
- **Humidity**: 54%
- **Pressure**: 1021 mb (30.16 in)
- **Visibility**: 16 km (9 miles)

For more details, you can check the full report [here](https://www.weatherapi.com/).

AgentStream 只是 AgentWorkflow 在运行时发出的众多事件之一。其他事件包括：

AgentInputAgentInput: 启动智能体执行的完整消息对象
AgentOutputAgentOutput: 来自智能体的响应
ToolCallToolCall: 调用了哪些工具及其参数
ToolCallResultToolCallResult: 工具调用的结果

您可以在此示例的完整代码中查看我们如何筛选更多此类事件。

接下来你将学习如何让人类参与循环为你的智能体提供反馈。