Streamlit 是构建和分享数据应用程序的更快方式。 Streamlit 可以在几分钟内将数据脚本转换成可共享的 Web 应用，全部使用纯 Python，无需前端经验。 在 streamlit.io/generative-ai 查看更多示例。
Open in GitHub Codespaces 在本指南中，我们将演示如何在交互式 Streamlit 应用中使用 StreamlitCallbackHandler 来展示代理的思考和动作。您可以通过下方运行中的 MRKL 代理应用体验：

​
安装与设置

pip install langchain streamlit
您可以运行 streamlit hello 来加载示例应用并验证安装是否成功。完整说明请参阅 Streamlit 的入门文档。

​
显示思考与动作

要创建 StreamlitCallbackHandler，只需提供一个用于渲染输出的父容器。 
from langchain_community.callbacks.streamlit import (
    StreamlitCallbackHandler,
)
import streamlit as st

st_callback = StreamlitCallbackHandler(st.container())
用于自定义显示行为的其他关键字参数，请参阅API 参考。

​
场景 1：使用带工具的代理

目前主要支持的用例是在 Streamlit 应用中可视化 Agent with Tools（或 Agent Executor）的操作。您可以在 Streamlit 应用中创建一个代理，并将 StreamlitCallbackHandler 传递给 agent.run()，即可实时可视化其思考和动作。 
import streamlit as st
from langchain_classic import hub
from langchain.agents import AgentExecutor, create_agent, load_tools
from langchain_openai import OpenAI

llm = OpenAI(temperature=0, streaming=True)
tools = load_tools(["ddg-search"])
prompt = hub.pull("hwchase17/react")
agent = create_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

if prompt := st.chat_input():
    st.chat_message("user").write(prompt)
    with st.chat_message("assistant"):
        st_callback = StreamlitCallbackHandler(st.container())
        response = agent_executor.invoke(
            {"input": prompt}, {"callbacks": [st_callback]}
        )
        st.write(response["output"])
注意： 需要设置 OPENAI_API_KEY，上述应用代码才能成功运行。最简单的方式是使用 Streamlit secrets.toml，或任何其他本地环境变量管理工具。

​
其他场景

目前 StreamlitCallbackHandler 主要面向 LangChain Agent Executor。未来将支持更多代理类型以及直接与 Chains 的集成。
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.