工业级大模型学习之路030：Streamlit 企业级智能体前端工作台

一、理论基础：智能体前端技术选型与 Streamlit 架构深度解析

1.1 智能体前端的核心需求与技术挑战

与传统 Web 应用不同，大模型智能体前端有其独特的核心需求：

流式输出支持：需要实时展示大模型逐 token 生成的内容
长会话管理：需要持久化保存用户的对话历史和系统状态
多模态展示：需要支持 Markdown、代码高亮、图表、文件等多种内容格式
实时状态反馈：需要展示智能体的思考过程、工具调用、执行进度
低延迟交互：需要保证用户输入和模型响应的流畅性
快速迭代能力：需要能够快速调整界面和功能，适应大模型的快速发展

传统前端技术栈的痛点：

Vue/React 需要掌握 HTML、CSS、JavaScript、Node.js 等全套技术栈，学习成本高
需要单独开发后端 API 层，前后端分离增加了系统复杂度
流式输出需要自行实现 WebSocket 或 SSE，开发难度大
大模型相关的组件（如聊天界面、代码高亮）需要自行开发或引入第三方库

1.2 主流智能体前端技术栈深度对比

基于工业界 2026 年的最新实践，我们对四种主流智能体前端技术栈进行了全面对比：

技术栈	学习成本	开发速度	与 Python 后端集成	流式输出支持	多模态能力	企业级适用性	生产案例
Streamlit	⭐ 极低（纯 Python）	⭐⭐⭐⭐⭐ 最快	⭐⭐⭐⭐⭐ 原生集成	⭐⭐⭐⭐⭐ 完美支持	⭐⭐⭐⭐ 优秀	⭐⭐⭐⭐ 适合内部工具、原型、MVP	字节跳动、OpenAI、Anthropic 内部工具
Chainlit	⭐⭐ 低	⭐⭐⭐⭐ 快	⭐⭐⭐⭐ 专为 LangChain 设计	⭐⭐⭐⭐⭐ 完美支持	⭐⭐⭐⭐ 优秀	⭐⭐⭐⭐ 适合 LangChain 生态	LangChain 官方推荐
Gradio	⭐ 极低	⭐⭐⭐⭐ 快	⭐⭐⭐⭐ 原生集成	⭐⭐⭐⭐ 良好	⭐⭐⭐⭐ 优秀	⭐⭐⭐ 适合 AI 演示、模型测试	Hugging Face Spaces
Vue/React	⭐⭐⭐⭐ 高	⭐⭐ 慢	⭐⭐ 需要 API 封装	⭐⭐⭐ 需自行实现	⭐⭐⭐⭐⭐ 最强	⭐⭐⭐⭐⭐ 适合面向 C 端的产品	ChatGPT、Claude

工业级结论 ：对于我们的课程和绝大多数企业内部智能体项目，Streamlit 是无可争议的最佳选择：

零前端经验要求，所有 Python 开发者都能在 1 小时内上手
纯 Python 编写，与我们的后端代码无缝集成，不需要额外的 API 层
原生支持流式输出，完美匹配大模型的生成特性
丰富的组件生态，开箱即用的聊天、表单、图表、文件上传等功能
部署简单，一行命令即可启动服务
活跃的社区和官方支持，持续更新大模型相关的功能

1.3.1 Streamlit 运行机制

脚本重运行 ：每当用户与界面交互（如点击按钮、输入文本），Streamlit 会从头到尾重新运行整个 Python 脚本
状态隔离 ：每个浏览器标签页对应一个独立的会话，拥有自己的st.session_state
增量更新：Streamlit 会比较前后两次运行的输出差异，只更新变化的部分，保证界面流畅
组件状态自动管理 ：所有输入组件（如st.text_input、st.slider）会自动管理自己的状态，不需要手动编写事件处理函数

1.3.2 会话状态管理机制

st.session_state是 Streamlit 应用状态管理的核心，它是一个字典 - like 的对象，用于在脚本重运行之间保存数据。

核心特性：

会话隔离 ：每个用户会话拥有独立的st.session_state，互不干扰
跨页面共享 ：在多页面应用中，st.session_state在所有页面之间共享
自动序列化 ：Streamlit 会自动序列化st.session_state中的数据，支持大多数 Python 原生类型
组件双向绑定 ：通过key参数可以将组件与st.session_state中的变量进行双向绑定

工业级最佳实践：

使用st.session_state.get('key', default_value)进行健壮的状态初始化
为所有输入组件设置唯一的key参数
不要在st.session_state中存储不可序列化的对象（如数据库连接、文件句柄）
定期清理不需要的状态，避免内存泄漏

1.4 Streamlit 与 LangGraph 集成的核心优势

LangGraph 负责多智能体的逻辑编排，Streamlit 负责可视化和交互，两者结合是目前最快实现可观测多智能体应用的技术栈：

状态共享 ：Streamlit 的st.session_state可以直接存储 LangGraph 的状态和配置
流式输出：Streamlit 原生支持 LangGraph 的流式执行结果
实时状态展示：可以实时展示 LangGraph 的执行节点、工具调用、中间结果
人类介入：可以轻松实现 LangGraph 的人类介入功能，在关键节点等待用户审核
快速迭代：可以快速调整界面和智能体逻辑，不需要重新部署后端服务

二、核心实战：搭建企业级智能体工作台

2.1 第一步：环境搭建与项目结构设计

2.1.1 设计思想

模块化设计：将前端代码按功能划分为多个页面，便于维护和扩展
前后端一体化 ：直接复用后端的RAGService，不需要额外的 API 层
配置化：所有可配置项都放在统一的地方，便于调整
工业级标准：遵循 Python 编码规范，添加类型注解和异常处理

2.1.2 环境安装

在项目虚拟环境中执行以下命令，安装所有必需的依赖：

复制代码

pip install streamlit==1.38.0 streamlit-markdown==1.0.3 streamlit-code-editor==0.1.16

2.1.3 项目结构设计

在项目根目录创建frontend文件夹，采用 Streamlit 官方推荐的多页面应用结构：

python 复制代码

langchain-2026/
├── core/                # 原有后端核心代码（完全复用）
│   ├── rag_service.py
│   ├── llm_factory.py
│   ├── tools.py
│   ├── react_agent.py
│   ├── multi_agent.py
│   └── checkpoint.py
├── config/              # 原有配置（完全复用）
│   └── settings.py
├── data/                # 原有数据目录（完全复用）
├── frontend/            # 新增Streamlit前端
│   ├── pages/           # 多页面应用目录
│   │   ├── 1_chat.py    # 智能聊天页面
│   │   ├── 2_report.py  # 报告生成页面（第9天集成）
│   │   ├── 3_code.py    # 代码生成页面（第10天集成）
│   │   └── 4_admin.py   # 系统管理页面
│   └── app.py           # 主应用入口
├── main8.py             # 原有FastAPI后端（可选，前端可直接调用后端服务）
└── requirements.txt     # 依赖清单

2.2 第二步：主应用入口与全局配置

2.2.1 设计思想

全局配置优先：所有全局配置都放在主应用入口，确保所有页面都能继承
样式统一：自定义全局 CSS 样式，打造企业级界面效果
服务单例化 ：将RAGService初始化为全局单例，避免重复初始化
异常处理：添加全局异常处理，保证应用的稳定性

2.2.2 核心代码实现

创建frontend/app.py：

python 复制代码

import streamlit as st
import sys
import os
from typing import Optional

# 将项目根目录添加到Python路径，解决导入问题
# 这是Streamlit应用的标准做法，确保能够正确导入后端模块
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

# 导入统一日志配置（避免重复配置）
from utils.logger import logger

# ==========================
# 全局页面配置（必须放在最前面）
# ==========================
st.set_page_config(
    page_title="企业级智能体平台",
    layout="wide",
    initial_sidebar_state="expanded",
    menu_items={
        "Get Help": "https://docs.streamlit.io",
        "Report a bug": None,
        "About": "# 企业级智能体平台\n基于LangChain和LangGraph构建的工业级智能体平台\n版本：v1.0.0"
    }
)

# ==========================
# 自定义全局CSS样式
# ==========================
st.markdown("""
<style>
/* 主容器样式 */
.main .block-container {
    padding-top: 2rem;
    padding-bottom: 2rem;
    max-width: 90%;
}

/* 消息气泡样式 */
.user-message {
    background-color: #e3f2fd;
    padding: 1rem 1.2rem;
    border-radius: 1rem 1rem 0 1rem;
    margin-bottom: 1rem;
    text-align: right;
    box-shadow: 0 1px 3px rgba(0,0,0,0.12);
}

.assistant-message {
    background-color: #f5f5f5;
    padding: 1rem 1.2rem;
    border-radius: 1rem 1rem 1rem 0;
    margin-bottom: 1rem;
    box-shadow: 0 1px 3px rgba(0,0,0,0.12);
}

/* 代码块样式优化 */
pre {
    background-color: #272822 !important;
    color: #f8f8f2 !important;
    padding: 1rem !important;
    border-radius: 0.5rem !important;
    overflow-x: auto !important;
    font-size: 0.9rem !important;
}

code {
    background-color: #f0f0f0 !important;
    padding: 0.1rem 0.3rem !important;
    border-radius: 0.2rem !important;
    font-size: 0.9rem !important;
}

/* 侧边栏样式 */
.css-1d391kg {
    background-color: #f8f9fa;
    border-right: 1px solid #e9ecef;
}

/* 按钮样式优化 */
.stButton>button {
    width: 100%;
    border-radius: 0.5rem;
    height: 2.5rem;
    font-weight: 500;
    transition: all 0.2s ease;
}

.stButton>button:hover {
    transform: translateY(-1px);
    box-shadow: 0 4px 6px rgba(0,0,0,0.1);
}

/* 标题样式 */
h1, h2, h3, h4 {
    color: #1976d2;
    font-weight: 600;
}

/* 进度条样式 */
.stProgress > div > div > div {
    background-color: #1976d2;
}

/* 隐藏侧边栏默认的 app 标题 */
[data-testid="stSidebarNav"] > div:first-child {
    display: none !important;
}

/* 自定义侧边栏标题 */
[data-testid="stSidebarNav"]::before {
    content: "企业级智能体平台";
    display: block;
    padding: 1rem;
    font-size: 1.2rem;
    font-weight: 600;
    color: #1976d2;
    border-bottom: 1px solid #e9ecef;
    margin-bottom: 0.5rem;
}
</style>
""", unsafe_allow_html=True)

# 自定义浏览器标签页标题（覆盖Streamlit默认标题）
st.markdown("""
    <script>
        document.title = "企业级智能体平台";
    </script>
""", unsafe_allow_html=True)

# ==========================
# 全局服务初始化（单例模式）
# ==========================
def init_services() -> None:
    """初始化全局服务，确保只初始化一次"""
    if "rag_service" not in st.session_state:
        with st.spinner("正在初始化智能体服务..."):
            try:
                from core.rag_service import RAGService
                st.session_state.rag_service = RAGService()
                logger.info("RAG服务初始化成功")
            except Exception as e:
                logger.error(f"RAG服务初始化失败: {str(e)}", exc_info=True)
                st.error(f"智能体服务初始化失败: {str(e)}")
                st.stop()
    
    # 初始化其他全局状态
    if "current_user" not in st.session_state:
        st.session_state.current_user = "admin"
    
    if "current_session_id" not in st.session_state:
        st.session_state.current_session_id = None
    
    if "messages" not in st.session_state:
        st.session_state.messages = []

# 执行服务初始化
init_services()

# ==========================
# 应用主界面
# ==========================
st.title("企业级智能体平台")
st.divider()

# 侧边栏导航
st.sidebar.title("导航菜单")
page = st.sidebar.radio(
    "选择功能",
    ["智能聊天", "报告生成", "代码生成", "系统管理"],
    index=0,
    help="选择要使用的智能体功能"
)

# 系统状态显示
st.sidebar.divider()
st.sidebar.subheader("系统状态")
if "rag_service" in st.session_state:
    st.sidebar.success("智能体服务正常运行")
else:
    st.sidebar.error("智能体服务异常")

st.sidebar.info(f"当前用户：{st.session_state.current_user}")
st.sidebar.info(f"当前版本：v1.0.0")

# 根据选择加载对应页面
if page == "智能聊天":
    st.switch_page("pages/1_智能聊天.py")
elif page == "报告生成":
    st.switch_page("pages/2_报告生成.py")
elif page == "代码生成":
    st.switch_page("pages/3_代码生成.py")
elif page == "系统管理":
    st.switch_page("pages/4_系统管理.py")

2.2.3 代码解释与注意事项

路径处理 ：通过sys.path.append将项目根目录添加到 Python 路径，确保能够正确导入后端模块
单例初始化 ：通过检查st.session_state确保RAGService只初始化一次，避免重复加载模型和向量数据库
全局样式：通过自定义 CSS 统一界面风格，打造企业级视觉效果
异常处理：添加服务初始化异常处理，保证应用能够优雅地处理错误
状态隔离：每个用户会话拥有独立的状态，互不干扰

2.3 第三步：核心聊天界面实现

2.3.1 设计思想

流式输出优先 ：使用 Streamlit 原生的st.write_stream实现流畅的打字机效果
消息历史管理 ：使用st.session_state保存消息历史，支持多轮对话
多模式支持：支持普通 RAG 和 ReAct Agent 两种模式，满足不同场景需求
用户体验优化：添加加载状态、错误提示、消息气泡等用户体验元素

2.3.2 核心代码实现

创建frontend/pages/1_chat.py：

python 复制代码

import streamlit as st
import time
from langchain_core.messages import HumanMessage, AIMessage
from typing import Generator

# 页面配置
st.title("💬 智能聊天")
st.divider()

# ==========================
# 侧边栏配置
# ==========================
with st.sidebar:
    st.subheader("聊天配置")
    
    # 智能体模式选择
    agent_mode = st.selectbox(
        "智能体模式",
        ["普通RAG", "ReAct Agent"],
        index=0,
        help="普通RAG：仅使用知识库回答问题；ReAct Agent：可以使用工具解决复杂问题"
    )
    
    # 模型参数调整
    temperature = st.slider(
        "温度",
        min_value=0.0,
        max_value=1.0,
        value=0.1,
        step=0.1,
        help="值越低，回答越准确、越保守；值越高，回答越有创造性、越多样化"
    )
    
    max_tokens = st.number_input(
        "最大生成长度",
        min_value=100,
        max_value=4096,
        value=2048,
        step=100,
        help="模型生成的最大token数量"
    )
    
    st.divider()
    
    # 会话管理
    st.subheader("会话管理")
    if st.button("➕ 新建会话", type="primary", use_container_width=True):
        st.session_state.current_session_id = f"session_{int(time.time())}"
        st.session_state.messages = []
        st.rerun()
    
    # 历史会话列表（后续课程将实现持久化）
    st.subheader("历史会话")
    st.info("历史会话持久化功能将在后续课程中实现")

# ==========================
# 聊天消息显示区域
# ==========================
chat_container = st.container(height=600, border=True)

with chat_container:
    # 显示历史消息
    for message in st.session_state.messages:
        if isinstance(message, HumanMessage):
            with st.chat_message("user", avatar="👤"):
                st.markdown(message.content)
        elif isinstance(message, AIMessage):
            with st.chat_message("assistant", avatar="🤖"):
                st.markdown(message.content)

# ==========================
# 聊天输入与处理
# ==========================
if prompt := st.chat_input("输入你的问题，我会尽力为你解答..."):
    # 添加用户消息到历史
    st.session_state.messages.append(HumanMessage(content=prompt))
    
    # 显示用户消息
    with chat_container:
        with st.chat_message("user", avatar="👤"):
            st.markdown(prompt)
    
    # 生成AI回答
    with chat_container:
        with st.chat_message("assistant", avatar="🤖"):
            message_placeholder = st.empty()
            full_response = ""
            
            try:
                # 调用后端服务，获取流式输出
                use_agent = (agent_mode == "ReAct Agent")
                
                # 生成流式响应
                stream: Generator[str, None, None] = st.session_state.rag_service.stream_query(
                    question=prompt,
                    user_id=st.session_state.current_user,
                    use_agent=use_agent,
                    temperature=temperature,
                    max_tokens=max_tokens
                )
                
                # 使用st.write_stream展示流式输出（Streamlit 1.30+推荐方法）
                full_response = st.write_stream(stream)
                
            except Exception as e:
                full_response = f"❌ 抱歉，发生了一个错误：{str(e)}"
                message_placeholder.markdown(full_response)
                st.error(f"生成回答失败: {str(e)}")
    
    # 添加AI消息到历史
    st.session_state.messages.append(AIMessage(content=full_response))

2.3.3 代码解释与注意事项

流式输出 ：使用 Streamlit 1.30 + 新增的st.write_stream方法，这是展示大模型流式输出的最佳实践，比手动循环更新更流畅、性能更好
消息类型 ：使用 LangChain 的HumanMessage和AIMessage类型保存消息历史，与后端保持一致
参数传递：将前端配置的模型参数（温度、最大生成长度）传递给后端服务，实现灵活的参数调整
异常处理：添加全局异常处理，保证应用在出错时能够给出友好的提示
用户体验：添加头像、消息气泡、加载状态等元素，提升用户体验

2.4 第四步：其他页面基础框架实现

2.4.1 报告生成页面

python 复制代码

import streamlit as st

st.title("📊 智能报告生成")
st.divider()

# 侧边栏配置
with st.sidebar:
    st.subheader("报告配置")
    
    report_type = st.selectbox(
        "报告类型",
        ["双智能体报告", "三智能体评审报告"],
        index=0,
        help="双智能体：研究员+写作家；三智能体：研究员+写作家+评审员"
    )
    
    auto_approve = st.checkbox(
        "自动批准",
        value=False,
        help="自动批准研究结果，跳过人工审核环节"
    )
    
    max_reviews = st.slider(
        "最大评审次数",
        min_value=1,
        max_value=5,
        value=3,
        help="最多允许修改的次数"
    )

# 主界面
col1, col2 = st.columns([3, 1])

with col1:
    report_topic = st.text_area(
        "报告主题",
        height=120,
        placeholder="请输入报告主题，例如：生成一份关于公司2026年第一季度销售情况的分析报告"
    )
    
    if st.button("🚀 生成报告", type="primary", disabled=not report_topic, use_container_width=True):
        st.info("🔧 报告生成功能将在第9天课程中实现")
        st.info("当前使用模拟数据演示界面效果")
        
        # 模拟生成过程
        progress_bar = st.progress(0)
        status_text = st.empty()
        
        stages = ["正在分析需求...", "正在检索信息...", "正在整理研究要点...", "正在生成报告..."]
        for i, stage in enumerate(stages):
            status_text.text(stage)
            for j in range(25):
                time.sleep(0.02)
                progress_bar.progress(i * 25 + j + 1)
        
        status_text.text("✅ 报告生成完成！")
        progress_bar.empty()
        
        # 显示模拟报告
        st.success("✅ 报告生成成功！")
        st.markdown("""
        # 2026年第一季度销售情况分析报告
        
        ## 一、摘要
        本报告总结了公司2026年第一季度的销售情况，分析了市场趋势和竞品动态，并提出了第二季度的销售建议。第一季度总销售额达到1.2亿元，同比增长25%，超出预期目标。
        
        ## 二、核心发现
        1. 华东地区表现最佳，贡献了40%的销售额
        2. 新产品A系列销量超出预期，成为新的增长点
        3. 线上渠道销售额占比首次超过线下渠道
        
        ## 三、结论与建议
        1. 加大对华东地区的市场投入
        2. 继续推广新产品A系列
        3. 加强线上渠道建设
        """)

with col2:
    st.subheader("生成状态")
    st.info("等待生成报告")
    
    st.subheader("历史报告")
    st.write("暂无历史报告")

2.4.2 代码生成页面

创建frontend/pages/3_code.py：

python 复制代码

import streamlit as st

st.title("💻 智能代码生成")
st.divider()

# 侧边栏配置
with st.sidebar:
    st.subheader("代码配置")
    
    language = st.selectbox(
        "编程语言",
        ["Python", "JavaScript", "Java", "Go"],
        index=0
    )
    
    include_tests = st.checkbox(
        "生成测试用例",
        value=True
    )
    
    auto_test = st.checkbox(
        "自动执行测试",
        value=True
    )

# 主界面
col1, col2 = st.columns([1, 1])

with col1:
    st.subheader("需求描述")
    requirement = st.text_area(
        "请详细描述你需要的功能",
        height=200,
        placeholder="例如：实现一个计算器函数，支持加减乘除运算，并处理异常情况"
    )
    
    if st.button("🚀 生成代码", type="primary", disabled=not requirement, use_container_width=True):
        st.info("🔧 代码生成功能将在第10天课程中实现")
        st.info("当前使用模拟数据演示界面效果")
        
        # 模拟生成过程
        progress_bar = st.progress(0)
        status_text = st.empty()
        
        stages = ["正在分析需求...", "正在生成PRD...", "正在编写代码...", "正在执行测试..."]
        for i, stage in enumerate(stages):
            status_text.text(stage)
            for j in range(25):
                time.sleep(0.02)
                progress_bar.progress(i * 25 + j + 1)
        
        status_text.text("✅ 代码生成完成！")
        progress_bar.empty()

with col2:
    st.subheader("生成结果")
    st.code("""
def calculator(expression: str) -> str:
    \"\"\"
    简单计算器函数，支持加减乘除运算
    
    Args:
        expression: 数学表达式字符串，例如 "2 + 3 * 4"
        
    Returns:
        计算结果字符串
    \"\"\"
    try:
        # 使用eval计算表达式，注意：生产环境中需要添加安全限制
        result = eval(expression)
        return f"计算结果：{expression} = {result}"
    except ZeroDivisionError:
        return "错误：除数不能为零"
    except SyntaxError:
        return "错误：表达式语法错误"
    except Exception as e:
        return f"错误：{str(e)}"

# 测试用例
def test_calculator():
    assert calculator("2 + 3") == "计算结果：2 + 3 = 5"
    assert calculator("10 - 5") == "计算结果：10 - 5 = 5"
    assert calculator("4 * 6") == "计算结果：4 * 6 = 24"
    assert calculator("8 / 2") == "计算结果：8 / 2 = 4.0"
    assert calculator("8 / 0") == "错误：除数不能为零"
    print("所有测试通过！")
    """, language="python")

2.4.3 系统管理页面

创建frontend/pages/4_admin.py：

python 复制代码

import streamlit as st
import os

st.title("⚙️ 系统管理")
st.divider()

# 标签页
tab1, tab2, tab3 = st.tabs(["系统状态", "知识库管理", "日志查看"])

with tab1:
    st.subheader("系统状态概览")
    
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        st.metric("总会话数", "128", "+12")
        st.metric("今日活跃用户", "15", "+3")
    
    with col2:
        st.metric("知识库文档数", "32", "+5")
        st.metric("总向量数", "1,245", "+120")
    
    with col3:
        st.metric("模型调用次数", "1,567", "+234")
        st.metric("平均响应时间", "2.3s", "-0.5s")
    
    with col4:
        st.metric("任务成功率", "98.7%", "+0.3%")
        st.metric("系统运行时间", "7天12小时")
    
    st.divider()
    
    st.subheader("服务状态")
    st.success("✅ RAG服务正常运行")
    st.success("✅ Agent服务正常运行")
    st.success("✅ 向量数据库正常连接")
    st.success("✅ LLM服务正常连接")

with tab2:
    st.subheader("知识库管理")
    
    # 文件上传
    uploaded_files = st.file_uploader(
        "上传文档到知识库",
        type=["txt", "md", "pdf", "docx", "xlsx"],
        accept_multiple_files=True,
        help="支持上传txt、md、pdf、docx、xlsx格式的文档"
    )
    
    if uploaded_files:
        if st.button("添加到知识库", type="primary"):
            with st.spinner("正在处理文档..."):
                # 这里将在后续课程中集成实际的文档处理功能
                for file in uploaded_files:
                    st.success(f"✅ 已添加：{file.name}")
    
    st.divider()
    
    st.subheader("知识库文档列表")
    st.dataframe(
        [
            {"文件名": "员工手册.pdf", "大小": "2.3MB", "上传时间": "2026-05-20", "状态": "已处理"},
            {"文件名": "产品介绍.md", "大小": "156KB", "上传时间": "2026-05-22", "状态": "已处理"},
            {"文件名": "销售数据.xlsx", "大小": "456KB", "上传时间": "2026-05-25", "状态": "已处理"}
        ],
        use_container_width=True,
        hide_index=True
    )

with tab3:
    st.subheader("系统日志")
    
    log_level = st.selectbox(
        "日志级别",
        ["INFO", "WARNING", "ERROR", "DEBUG"],
        index=0
    )
    
    if st.button("刷新日志", use_container_width=True):
        st.code("""
2026-05-27 10:23:45 - INFO - 系统启动成功
2026-05-27 10:23:46 - INFO - RAG服务初始化完成
2026-05-27 10:23:46 - INFO - Agent服务初始化完成
2026-05-27 10:24:12 - INFO - 用户admin发起聊天请求
2026-05-27 10:24:15 - INFO - 回答生成完成，耗时3.2秒
2026-05-27 10:25:32 - INFO - 用户admin发起Agent请求
2026-05-27 10:25:38 - INFO - Agent调用工具：calculator
2026-05-27 10:25:40 - INFO - 工具执行完成，返回结果
2026-05-27 10:25:42 - INFO - 回答生成完成，耗时10.1秒
        """)

三、测试与验证

3.1 启动前端服务

在项目根目录执行以下命令启动 Streamlit 服务：

python 复制代码

streamlit run frontend/app.py