7. 流式传输与多轮对话

7. 流式传输与多轮对话

HelloWorld 例子验证了基础的请求/响应与简单流式输出。但在真实场景中，智能体通常还需要：

• 更丰富的流式输出（状态更新 + 工件分片）
• 任务持久化（便于之后继续会话）
• 多轮交互（智能体主动询问缺失信息）

参考示例：LangGraph「汇率智能体」

在 a2a-samples 仓库中，通常会提供一个更高级的 Python 示例（例如基于 LangGraph/LangChain + Gemini 的汇率智能体）。

常见流程：

1. 准备并配置 LLM 的 API Key（例如 GOOGLE_API_KEY）。
2. 启动该智能体服务端。
3. 运行对应测试客户端，观察：
   • 智能体执行过程中的 TaskStatusUpdateEvent
   • 最终结果的 TaskArtifactUpdateEvent 分片
   • 任务进入“需要补充输入”的状态，并在下一轮继续

你应该重点理解的点

阅读示例代码时，重点关注：

• executor 如何把“执行过程”映射为可流式传输的任务事件
• taskId / contextId 如何在多轮中保持关联
• “需要更多输入”如何表示，以及客户端如何继续该任务