基于 A2A 协议的 LlamaIndex 文件聊天工作流

哈妙思 · 3 天前

本示例展示了一个使用 LlamaIndex Workflows 构建并通过 A2A 协议公开的对话代理。它展示了文件上传和解析、支持多轮对话的对话交互、流式响应/更新以及内联引用。
源代码

a2a llama index file chat with openrouter
工作原理

该代理使用 LlamaIndex Workflows 与 OpenRouter 提供一个对话代理，可以上传文件、解析文件并回答有关内容的问题。A2A 协议实现了与代理的标准化交互，允许客户端发送请求并接收实时更新。
sequenceDiagram participant Client as A2A 客户端 participant Server as A2A 服务器 participant Workflow as ParseAndChat 工作流 participant Services as 外部 API Client->>Server: 发送消息（带或不带附件） Server->>Workflow: 转发为 InputEvent alt 有附件 Workflow-->>Server: 流式传输 LogEvent "正在解析文档..." Server-->>Client: 流式状态更新 Workflow->>Services: 解析文档 Workflow-->>Server: 流式传输 LogEvent "文档解析成功" Server-->>Client: 流式状态更新 end Workflow-->>Server: 流式传输关于聊天处理的 LogEvent Server-->>Client: 流式状态更新 Workflow->>Services: LLM 聊天（如果可用，包含文档上下文） Services->>Workflow: 结构化 LLM 响应 Workflow-->>Server: 流式传输关于响应处理的 LogEvent Server-->>Client: 流式状态更新 Workflow->>Server: 返回最终 ChatResponseEvent Server->>Client: 返回带引用的响应（如果可用） Note over Server: 为后续问题维护上下文主要功能

文件上传：客户端可以上传文件并解析它们以为聊天提供上下文
多轮对话：代理可以在需要时请求额外信息
实时流式传输：在处理过程中提供状态更新
推送通知：支持基于 webhook 的通知
对话记忆：在同一会话中跨交互维护上下文
LlamaParse 集成：使用 LlamaParse 准确解析文件

注意： 此示例代理接受多模态输入，但在撰写本文时，示例 UI 仅支持文本输入。UI 将来会变为多模态以处理此用例和其他用例。
先决条件

Python 3.12 或更高版本
UV
访问 LLM 和 API 密钥（当前代码假设使用 OpenRouter API）
LlamaParse API 密钥（免费获取）

设置和运行

克隆并导航到项目目录：
1. git clone https://github.com/sing1ee/a2a_llama_index_file_chat
2. cd a2a_llama_index_file_chat
复制代码
创建虚拟环境并安装依赖项：
1. uv venv
2. uv sync
复制代码
使用您的 API 密钥创建环境文件：
1. echo "OPENROUTER_API_KEY=your_api_key_here" >> .env
2. echo "LLAMA_CLOUD_API_KEY=your_api_key_here" >> .env
复制代码
获取 API 密钥：
- OpenRouter API 密钥：在 https://openrouter.ai 注册以获取免费 API 密钥
- LlamaCloud API 密钥：在 https://cloud.llamaindex.ai 免费获取
运行代理：
1. # 使用 uv
2. uv run a2a-file-chat
4. # 或激活虚拟环境并直接运行
5. source .venv/bin/activate # Windows 上：.venv\Scripts\activate
6. python -m a2a_file_chat
8. # 使用自定义主机/端口
9. uv run a2a-file-chat --host 0.0.0.0 --port 8080
复制代码
在单独的终端中，运行 A2A 客户端 CLI：

下载要解析的文件，或链接到您自己的文件。例如：

curl -L https://arxiv.org/pdf/1706.03762 -o attention.pdf

复制代码

git clone https://github.com/google-a2a/a2a-samples.git
cd a2a-samples/samples/python/hosts/cli
uv run . --agent http://localhost:10010

复制代码

然后输入类似以下内容：

======= Agent Card ========
{"name":"Parse and Chat","description":"Parses a file and then chats with a user using the parsed content as context.","url":"http://localhost:10010/","version":"1.0.0","capabilities":{"streaming":true,"pushNotifications":true,"stateTransitionHistory":false},"defaultInputModes":["text","text/plain"],"defaultOutputModes":["text","text/plain"],"skills":[{"id":"parse_and_chat","name":"Parse and Chat","description":"Parses a file and then chats with a user using the parsed content as context.","tags":["parse","chat","file","llama_parse"],"examples":["What does this file talk about?"]}]}
========= starting a new task ========
What do you want to send to the agent? (:q or quit to exit): 这个文件讲的是什么？
Select a file path to attach? (press enter to skip): ./attention.pdf

复制代码

技术实现

LlamaIndex Workflows：使用自定义工作流来解析文件然后与用户聊天
流式支持：在处理过程中提供增量更新
可序列化上下文：在轮次之间维护对话状态，可选择性地持久化到 redis、mongodb、磁盘等
推送通知系统：基于 webhook 的更新，带有 JWK 身份验证
A2A 协议集成：完全符合 A2A 规范

限制

仅支持基于文本的输出
LlamaParse 前 10K 积分免费（基本设置约 3333 页）
内存基于会话且在内存中，因此不会在服务器重启之间持久化
将整个文档插入上下文窗口对于较大文件不可扩展。您可能希望部署向量数据库或使用云数据库对一个或多个文件运行检索以实现有效的 RAG。LlamaIndex 与大量向量数据库和云数据库集成。

示例

同步请求
请求：

POST http://localhost:10010
Content-Type: application/json
{
"jsonrpc": "2.0",
"id": 11,
"method": "tasks/send",
"params": {
"id": "129",
"sessionId": "8f01f3d172cd4396a0e535ae8aec6687",
"acceptedOutputModes": [
"text"
],
"message": {
"role": "user",
"parts": [
{
"type": "text",
"text": "这个文件讲的是什么？"
},
{
"type": "file",
"file": {
"bytes": "...",
"name": "attention.pdf"
}
}
]
}
}
}

复制代码

响应：

{
"jsonrpc": "2.0",
"id": 11,
"result": {
"id": "129",
"status": {
"state": "completed",
"timestamp": "2025-04-02T16:53:29.301828"
},
"artifacts": [
{
"parts": [
{
"type": "text",
"text": "这个文件讲的是 XYZ... [1]"
}
],
"metadata": {
"1": ["引用 1 的文本"]
}
"index": 0,
}
],
}
}

复制代码

多轮示例
请求 - 序列 1：

POST http://localhost:10010
Content-Type: application/json
{
"jsonrpc": "2.0",
"id": 11,
"method": "tasks/send",
"params": {
"id": "129",
"sessionId": "8f01f3d172cd4396a0e535ae8aec6687",
"acceptedOutputModes": [
"text"
],
"message": {
"role": "user",
"parts": [
{
"type": "text",
"text": "这个文件讲的是什么？"
},
{
"type": "file",
"file": {
"bytes": "...",
"name": "attention.pdf"
}
}
]
}
}
}

复制代码

响应 - 序列 2：

{
"jsonrpc": "2.0",
"id": 11,
"result": {
"id": "129",
"status": {
"state": "completed",
"timestamp": "2025-04-02T16:53:29.301828"
},
"artifacts": [
{
"parts": [
{
"type": "text",
"text": "这个文件讲的是 XYZ... [1]"
}
],
"metadata": {
"1": ["引用 1 的文本"]
}
"index": 0,
}
],
}
}

复制代码

请求 - 序列 3：

POST http://localhost:10010
Content-Type: application/json
{
"jsonrpc": "2.0",
"id": 11,
"method": "tasks/send",
"params": {
"id": "130",
"sessionId": "8f01f3d172cd4396a0e535ae8aec6687",
"acceptedOutputModes": [
"text"
],
"message": {
"role": "user",
"parts": [
{
"type": "text",
"text": "那 X 事物呢？"
}
]
}
}
}

复制代码

响应 - 序列 4：

{
"jsonrpc": "2.0",
"id": 11,
"result": {
"id": "130",
"status": {
"state": "completed",
"timestamp": "2025-04-02T16:53:29.301828"
},
"artifacts": [
{
"parts": [
{
"type": "text",
"text": "X 事物是... [1]"
}
],
"metadata": {
"1": ["引用 1 的文本"]
}
"index": 0,
}
],
}
}

复制代码

流式示例
请求：

{
"jsonrpc": "2.0",
"id": 11,
"method": "tasks/send",
"params": {
"id": "129",
"sessionId": "8f01f3d172cd4396a0e535ae8aec6687",
"acceptedOutputModes": [
"text"
],
"message": {
"role": "user",
"parts": [
{
"type": "text",
"text": "这个文件讲的是什么？"
},
{
"type": "file",
"file": {
"bytes": "...",
"name": "attention.pdf"
}
}
]
}
}
}

复制代码

响应：

stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"working","message":{"role":"agent","parts":[{"type":"text","text":"正在解析文档..."}]},"timestamp":"2025-04-15T16:05:18.283682"},"final":false}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"working","message":{"role":"agent","parts":[{"type":"text","text":"文档解析成功。"}]},"timestamp":"2025-04-15T16:05:24.200133"},"final":false}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"working","message":{"role":"agent","parts":[{"type":"text","text":"正在与 1 条初始消息聊天。"}]},"timestamp":"2025-04-15T16:05:24.204757"},"final":false}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"working","message":{"role":"agent","parts":[{"type":"text","text":"正在插入系统提示..."}]},"timestamp":"2025-04-15T16:05:24.204810"},"final":false}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"working","message":{"role":"agent","parts":[{"type":"text","text":"已收到 LLM 响应，正在解析引用..."}]},"timestamp":"2025-04-15T16:05:26.084829"},"final":false}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","artifact":{"parts":[{"type":"text","text":"这个文件讨论了 Transformer，一种完全基于注意力机制的新型神经网络架构，完全摒弃了循环和卷积 [1]。该文档将 Transformer 与循环和卷积层进行了比较 [2]，详细介绍了模型架构 [3]，并展示了机器翻译和英语成分解析任务的结果 [4]。"}],"metadata":{"1":["主流的序列转换模型基于复杂的循环或卷积神经网络，包括编码器和解码器。性能最佳的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构 Transformer，完全基于注意力机制，完全摒弃了循环和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上更优越，同时更易于并行化，训练时间显著减少。我们的模型在 WMT 2014 英德翻译任务上达到了 28.4 BLEU，比现有最佳结果（包括集成）提高了 2 BLEU 以上。在 WMT 2014 英法翻译任务上，我们的模型在 8 个 GPU 上训练 3.5 天后建立了新的单模型最先进 BLEU 分数 41.8，这只是文献中最佳模型训练成本的一小部分。我们通过将其成功应用于大型和有限训练数据的英语成分解析，表明 Transformer 能够很好地泛化到其他任务。"],"2":["在本节中，我们比较了自注意力层与通常用于将一个可变长度符号表示序列 (x1, ..., xn) 映射到另一个等长序列 (z1, ..., zn) 的循环和卷积层的各个方面，其中 xi, zi ∈ Rd，例如典型序列转换编码器或解码器中的隐藏层。为了激发我们对自注意力的使用，我们考虑三个要求。",""],"3":["# 3 模型架构"],"4":["# 6 结果"]},"index":0,"append":false}}}
stream event => {"jsonrpc":"2.0","id":"367d0ba9af97457890261ac29a0f6f5b","result":{"id":"373b26d64c5a4f0099fa906c6b7342d9","status":{"state":"completed","timestamp":"2025-04-15T16:05:26.111314"},"final":true}}

复制代码

您可以看到工作流产生了一个带有内联引用的工件，这些引用的源文本包含在工件的元数据中。如果我们在同一会话中发送更多响应，代理将记住之前的消息并继续对话。
了解更多

A2A 协议文档
LlamaIndex Workflow 文档
LlamaIndex Workflow 示例
LlamaParse 文档
OpenRouter API
LlamaIndex File Chat Agent
A2A Python Demo

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册

基于 A2A 协议的 LlamaIndex 文件聊天工作流

浏览过的版块

签约作者