Langchain Agent Example

线束管道代理

一个AI驱动的代理，使用LangChain、OpenAI和Harness.io MCP服务器生成Harness.i0管道和连接器YAML配置。代理通过使用FastAPI构建的REST API公开其功能。

特性

• 从自然语言描述生成Harness.io管道YAML
• 生成Harness.io连接器YAML配置
• 查询现有管道和连接器
• 通过MCP服务器集成与Harness.io交互
• 带有交互式文档的RESTful API
• 由OpenAI GPT-4和LangChain提供技术支持

建筑

┌─────────────┐      ┌──────────────┐      ┌─────────────────┐
│   FastAPI   │─────>│  LangChain   │─────>│  Harness MCP    │
│   REST API  │      │    Agent     │      │     Server      │
└─────────────┘      └──────────────┘      └─────────────────┘
                            │
                            ▼
                     ┌──────────────┐
                     │  OpenAI      │
                     │  GPT-4       │
                     └──────────────┘

先决条件

• Python 3.9或更高版本
• OpenAI API密钥
• 具有API访问权限的Harness.io帐户
• 安装并配置了Harness.io MCP服务器

快速开始

Docker（推荐）

运行应用程序最简单的方法是使用Docker：

# 1. Configure environment
cp .env.example .env
# Edit .env with your credentials

# 2. Place Harness MCP server binary
cp /path/to/harness-mcp mcp_server/harness-mcp

# 3. Build and run
./build-docker.sh
docker-compose up -d

看 医生.md 了解详细的Docker部署说明。

安装（本地开发）

1. 克隆或导航到项目目录：

cd harness_agent

1. 创建虚拟环境：

python3 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

1. 安装依赖项：

pip install -r requirements.txt

1. 配置环境变量：

cp .env.example .env

编辑 .env 使用您的凭据：

OPENAI_API_KEY=your_openai_api_key_here
HARNESS_ACCOUNT_ID=your_harness_account_id
HARNESS_API_KEY=your_harness_api_key
HARNESS_API_URL=https://app.harness.io
HARNESS_DEFAULT_ORG_ID=default
HARNESS_DEFAULT_PROJECT_ID=default
MCP_SERVER_PATH=path_to_harness_mcp_server

# Optional: LangSmith Tracing
LANGCHAIN_TRACING_V2=false
LANGCHAIN_API_KEY=your_langsmith_api_key_here
LANGCHAIN_PROJECT=harness-agent

运行应用程序

选项1：使用启动脚本（Unix/Mac）

./run.sh

选项2：手动启动

source venv/bin/activate
python main.py

选项3：直接使用uvicorn

uvicorn main:app --host 0.0.0.0 --port 8000 --reload

API将于 http://localhost:8000

文档

📚 完整的文件

• 文档中心 -完整的文档索引
• 快速入门指南 -5分钟后开始

📖 用户指南

• 故障排除 -常见问题和解决方案
• 例子 -使用示例和模式
• **** -容器部署指南

✨ 特性

• LangSmith追踪 -可观察性和调试

🔧 发展

• 调试指南 -调试和故障排除
• 变更历史 -实施说明和修复

API文档

应用程序运行后，您可以访问：

• 交互式API文档（Swagger UI）： http://localhost:8000/docs
• API替代文件（ReDoc）： http://localhost:8000/redoc

API终点

健康检查

GET /health

返回代理和MCP连接的运行状况。

生成管道

POST /api/v1/generate/pipeline
Content-Type: application/json

{
  "request": "Create a CI pipeline for a Python application with build, test, and deploy stages"
}

生成连接器

POST /api/v1/generate/connector
Content-Type: application/json

{
  "request": "Create a GitHub connector for my repository https://github.com/myorg/myrepo"
}

通用查询

POST /api/v1/query
Content-Type: application/json

{
  "request": "List all available pipelines in my Harness account"
}

使用示例

示例1：生成CI/CD管道

curl -X POST "http://localhost:8000/api/v1/generate/pipeline" \
  -H "Content-Type: application/json" \
  -d '{
    "request": "Create a CI/CD pipeline for a Node.js application with these stages: 1) Build and run tests, 2) Build Docker image, 3) Deploy to Kubernetes"
  }'

示例2：生成GitHub连接器

curl -X POST "http://localhost:8000/api/v1/generate/connector" \
  -H "Content-Type: application/json" \
  -d '{
    "request": "Create a GitHub connector named my-github with OAuth authentication"
  }'

示例3：查询现有资源

curl -X POST "http://localhost:8000/api/v1/query" \
  -H "Content-Type: application/json" \
  -d '{
    "request": "Show me all pipelines in the production project"
  }'

项目结构

harness_agent/
├── main.py              # FastAPI application
├── agent.py             # LangChain agent implementation
├── mcp_client.py        # Harness MCP client
├── models.py            # Pydantic models for API
├── config.py            # Configuration management
├── requirements.txt     # Python dependencies
├── Dockerfile           # Docker image definition
├── docker-compose.yml   # Docker Compose configuration
├── build-docker.sh      # Docker build script
├── .env.example         # Example environment variables
├── .dockerignore        # Docker build exclusions
├── .gitignore           # Git ignore rules
├── run.sh               # Local startup script
├── test_client.py       # API test client
├── mcp_server/          # Harness MCP server binary location
│   └── README.md        # MCP setup instructions
├── README.md            # This file
├── DOCKER.md            # Docker deployment guide
└── examples.md          # Usage examples

运作原理

1. 用户请求：用户通过REST API发送请求
2. 朗链代理：请求由OpenAI GPT-4支持的LangChain代理处理
3. MCP集成：代理使用Harness MCP服务器中的工具与Harness.io进行交互
4. YAML生成：代理生成或检索适当的YAML配置
5. 回应：将YAML和任何其他信息返回给用户

发展

以开发模式运行

uvicorn main:app --reload --host 0.0.0.0 --port 8000

运行测试

pytest tests/

配置选项

可以在中配置以下环境变量 .env:

LangSmith追踪（可选）

LangSmith为您的AI代理提供可观察性和调试功能。启用后，它会自动跟踪：

• 所有代理执行
• LLM电话和回复
• 工具调用和结果
• 代币使用和成本
• 执行时间

启用LangSmith

1. 注册地址： smith.langchain.com
2. 从“设置”获取API密钥→ API密钥
3. 添加到您的 .env 文件：

   LANGCHAIN_TRACING_V2=true
   LANGCHAIN_API_KEY=your_langsmith_api_key
   LANGCHAIN_PROJECT=harness-agent

1. 重新启动应用程序

就是这样！所有痕迹都将自动显示在您的LangSmith仪表板上。

你会看到什么

• 完整的执行跟踪 每一步都有定时
• LLM提示和响应 用于调试
• 工具调用 显示使用了哪些线束工具
• 令牌使用情况 用于成本跟踪
• 错误痕迹 用于调试失败

禁用跟踪

集 LANGCHAIN_TRACING_V2=false 或从中删除变量 .env.

故障排除

代理初始化失败

• 验证所有环境变量是否设置正确
• 检查线束MCP服务器路径是否正确
• 确保您的OpenAI API密钥有效

MCP连接错误

• 验证MCP服务器是否可访问
• 检查线束API证书
• 查看MCP服务器日志

管道生成失败

• 确保您的请求清晰具体
• 检查代理日志以了解详细的错误消息
• 验证线束帐户权限

安全注意事项

• 永不承诺 .env 文件到版本控制
• 定期旋转API键
• 在生产环境中使用HTTPS
• 在生产环境中为API实施身份验证/授权

贡献

欢迎投稿！请确保您的代码遵循现有样式，并包含适当的测试。

许可证

MIT许可证-您可以随意使用此项目。

支持

关于以下问题：

• Harness.io：参观 线束文档
• OpenAI API：参观 OpenAI文档
• LangChain：参观 LangChain文档

致谢

• 内置于 快速API
• 由...驱动 LangChain
• 用途 OpenAI GPT-4
• 与集成 Harness.io