让你的 Agent，开始工作。¶

用 Python 连接模型、调用工具、保存会话。通过 MCP、Skills 和执行前审批，把一个简单的 Agent Loop 组合成你的应用。

一个能调用工具的 Agent¶

先安装 SDK 并设置模型环境变量。下面是在已创建的 runtime 中注册和调用工具的核心代码：

注册工具，交给 Agent 调用

@runtime.tools.tool(name="add", description="计算两个整数的和。")
def add(a: int, b: int) -> int:
    return a + b

result = await runtime.run(
    "请调用 add 计算 21 加 34。",
    config={"agent": {"tool_names": ["add"]}},
)
print(result.error.message if result.error else result.final_content)

查看完整可运行程序：查询课程信息

保存为 agent.py，运行 python agent.py。示例使用本地数据，终端会显示使用的工具名称和最终回答。

agent.py

import asyncio
import os

import bumblehive


COURSES = {
    "Python 入门": "周一 10:00，教学楼 A101",
}


async def main() -> None:
    config = bumblehive.RuntimeArguments(
        model=os.environ["BUMBLEHIVE_MODEL"],
        api_key=os.environ["BUMBLEHIVE_API_KEY"],
        base_url=os.environ["BUMBLEHIVE_BASE_URL"],
        agent_instructions=("回答课程问题前，必须先调用 get_course_info 工具。"),
        tool_names=["get_course_info"],
    )
    async with bumblehive.from_config(config) as runtime:
        @runtime.tools.tool(
            name="get_course_info",
            description="查询指定课程的上课时间和地点。",
        )
        def get_course_info(course: str) -> str:
            return COURSES.get(course, f"没有找到课程：{course}")

        result = await runtime.run("Python 入门课在什么时候、什么地点上课？")

    if result.error is not None:
        print(f"运行失败 [{result.error.code}]：{result.error.message}")
        return

    print(f"工具：{', '.join(result.tools_used) or '未调用工具'}")
    print(f"回答：{result.final_content}")


if __name__ == "__main__":
    asyncio.run(main())

按需构建你的 Agent¶

工具调用

把 Python 函数交给 Agent，完成查询和业务操作。
MCP

连接外部服务，选择向模型开放的远端工具。
Skills

按需加载可复用的工作方法与资源。
会话与历史

保存多轮对话，在程序重启后继续。
流式输出

显示回答增量、工具进度与最终结果。
工具审批

在执行之前，让应用或用户批准、拒绝调用。

把能力组合成应用¶

你想构建	组合方式
文件与代码助手	文件搜索、修改、命令验证与人工审批
聊天界面	文本增量、工具状态、会话与停止操作
子 Agent 委派	用工具委派任务，隔离上下文和工具范围

需要查询具体参数时，直接访问 API 参考。文档面向 Python 3.11+，高层 Runtime 使用 OpenAI Chat Completions 兼容接口。