0Pricing
AI Agents · Lekcja

Tworzenie interfejsów agentów wiersza poleceń

argparse, click i Typer do obsługi argumentów CLI agenta.

Tworzenie interfejsów agentów wiersza poleceń to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.

Po co budować CLI dla agenta?

Interfejs wiersza poleceń (CLI) umożliwia korzystanie z agenta z poziomu terminala, automatyzowanie go w potokach oraz łatwe testowanie bez webowego interfejsu użytkownika. Wiele agentów produkcyjnych jest wdrażanych jako narzędzia CLI.

Python oferuje trzy znakomite biblioteki do tworzenia interfejsów CLI: argparse (biblioteka standardowa), Typer i Click.

argparse: Opcja z biblioteki standardowej

argparse jest wbudowany w Python — nie wymaga instalacji. Należy użyć ArgumentParser() do zdefiniowania interfejsu, add_argument() do zadeklarowania parametrów i parse_args() do ich przetworzenia.

import argparse

def main(argv=None):
    parser = argparse.ArgumentParser(
        description='AI Agent CLI — ask questions and get answers'
    )
    parser.add_argument('--query', type=str, required=True, help='The question to ask the agent')
    parser.add_argument('--model', type=str, default='gpt-4o-mini', help='OpenAI model to use (default: gpt-4o-mini)')
    args = parser.parse_args(argv)

    print(f'Querying agent with: {args.query}')
    print(f'Using model: {args.model}')

if __name__ == '__main__':
    main(['--query', 'What is the weather today?'])

Uruchamianie CLI argparse i automatycznie generowana pomoc

argparse automatycznie generuje komunikat --help na podstawie definicji argumentów. Uruchomienie python agent_cli.py --help pozwala go wyświetlić. Brak wymaganych argumentów powoduje automatyczne wyświetlenie pomocnych komunikatów o błędach.

# How users invoke the CLI:
# python agent_cli.py --query 'What is the weather in Paris?'
# python agent_cli.py --query 'Summarize this' --model gpt-4o
# python agent_cli.py --help

# Auto-generated help output:
# usage: agent_cli.py [-h] --query QUERY [--model MODEL]
#
# AI Agent CLI -- ask questions and get answers
#
# options:
#   -h, --help     show this help message and exit
#   --query QUERY  The question to ask the agent
#   --model MODEL  OpenAI model to use (default: gpt-4o-mini)

print('argparse generates help text automatically from your definitions')

Typer: nowoczesny interfejs CLI z adnotacjami typów

Typer tworzy interfejsy CLI na podstawie adnotacji typów w Pythonie — wymaga mniej kodu dodatkowego niż argparse. Instalacja: pip install typer. Parametry funkcji automatycznie stają się argumentami CLI.

# pip install typer
import typer

app = typer.Typer(help='AI Agent CLI')

@app.command()
def ask(
    query: str = typer.Option(..., '--query', '-q', help='Question for the agent'),
    model: str = typer.Option('gpt-4o-mini', '--model', '-m', help='Model to use'),
    verbose: bool = typer.Option(False, '--verbose', '-v', help='Show reasoning steps')
):
    typer.echo(f'Query: {query}')
    typer.echo(f'Model: {model}')
    if verbose:
        typer.echo('Verbose mode enabled')
    # result = run_agent(query, model=model, verbose=verbose)

if __name__ == '__main__':
    app()

Click: framework CLI oparty na dekoratorach

Click wykorzystuje dekoratory do definiowania poleceń i opcji CLI. Instalacja: pip install click. Oferuje rozbudowane funkcje, takie jak grupy poleceń, monity i paski postępu.

# pip install click
import click

@click.command()
@click.option('--query', '-q', required=True, help='Question for the agent')
@click.option('--model', '-m', default='gpt-4o-mini', help='LLM model to use')
@click.option('--output', '-o', type=click.Path(), help='Save output to file')
def ask(query: str, model: str, output: str):
    click.echo(f'Sending: {query}')
    # result = run_agent(query, model=model)
    # click.echo(result['answer'])

    if output:
        with open(output, 'w') as f:
            f.write('result["answer"]')
        click.echo(f'Saved to {output}')

if __name__ == '__main__':
    ask()

Dodawanie podkomend

W miarę rozwoju agenta należy uporządkować funkcje w podkomendy, takie jak agent ask, agent search i agent history. Zarówno Click, jak i Typer natywnie obsługują grupy podkomend.

import typer

app = typer.Typer(help='AI Research Agent')

@app.command()
def ask(query: str = typer.Argument(..., help='Question to ask')):
    'Ask the agent a question'
    typer.echo(f'Asking: {query}')

@app.command()
def search(topic: str = typer.Argument(..., help='Topic to research')):
    'Search and summarize a topic'
    typer.echo(f'Researching: {topic}')

@app.command()
def history(limit: int = typer.Option(10, help='Number of past queries to show')):
    'Show recent query history'
    typer.echo(f'Showing last {limit} queries')

if __name__ == '__main__':
    app()

# Usage: python agent.py ask 'What is AI?'
#        python agent.py search 'Python async'
#        python agent.py history --limit 5

Odczyt ze stdin dla danych przekazywanych potokiem

Agent CLI odczytujący dane ze stdin może być używany w potokach systemu Unix. Należy użyć sys.stdin lub typu argumentu stdin w Click, aby przyjmować dane przekazywane potokiem.

import sys
import click

@click.command()
@click.argument('input', default='-', type=click.File('r'))
@click.option('--task', default='summarize', help='Task: summarize, translate, or analyze')
def process(input, task: str):
    text = input.read().strip()
    if not text:
        click.echo('Error: no input provided', err=True)
        raise SystemExit(1)

    click.echo(f'Task: {task}')
    click.echo(f'Input length: {len(text)} chars')
    # result = agent.run(task=task, content=text)
    # click.echo(result)

# Usage:
# echo 'Hello world' | python agent_cli.py --task translate
# cat article.txt | python agent_cli.py --task summarize
if __name__ == '__main__':
    process()

Wskaźniki postępu dla długotrwałych zadań

Wykonanie zadań agenta może potrwać kilka sekund. Należy wyświetlić animację ładowania lub komunikat o postępie, aby użytkownicy wiedzieli, że agent pracuje. Typer ma wbudowaną obsługę postępu za pośrednictwem biblioteki rich.

import typer
from time import sleep

app = typer.Typer()

@app.command()
def research(topic: str = typer.Argument(...)):
    typer.echo(f'Researching: {topic}')

    with typer.progressbar(range(5), label='Gathering sources') as progress:
        for i in progress:
            sleep(0.5)  # simulate work

    typer.echo('Done!')
    typer.echo('Result: [mocked research result]')

# Or with a spinner from rich:
# from rich.console import Console
# console = Console()
# with console.status('Thinking...'):
#     result = agent.run(topic)
# console.print(result)

if __name__ == '__main__':
    app()

Formatowanie wyjścia: JSON a zwykły tekst

Należy umożliwić użytkownikom wybór między formatem czytelnym dla człowieka a formatem przeznaczonym dla maszyn. Flaga --json jest przydatna do przekazywania wyjścia agenta potokiem do innych narzędzi.

import json
import typer

app = typer.Typer()

@app.command()
def ask(
    query: str = typer.Argument(...),
    as_json: bool = typer.Option(False, '--json', help='Output as JSON')
):
    result = {
        'query': query,
        'answer': 'Paris is the capital of France.',
        'confidence': 0.98,
        'sources': ['https://wikipedia.org/France']
    }

    if as_json:
        typer.echo(json.dumps(result, indent=2))
    else:
        typer.echo(f'Answer: {result["answer"]}')
        typer.echo(f'Sources: {', '.join(result["sources"])}')

if __name__ == '__main__':
    app()

Obsługa błędów w agentach CLI

W przypadku błędu należy zakończyć program kodem różnym od zera, aby wywołujące go skrypty mogły wykryć niepowodzenie. Do zapisywania komunikatów o błędach na stderr należy użyć typer.echo(..., err=True) lub click.echo(..., err=True).

import sys
import typer

app = typer.Typer()

@app.command()
def ask(query: str = typer.Argument(...)):
    try:
        # result = agent.run(query)
        result = {'status': 'ok', 'answer': 'Result here'}

        if result['status'] != 'ok':
            typer.echo(f'Agent error: {result.get("error")}', err=True)
            raise typer.Exit(code=1)

        typer.echo(result['answer'])

    except Exception as e:
        typer.echo(f'Unexpected error: {e}', err=True)
        raise typer.Exit(code=2)

# Exit codes: 0 = success, 1 = agent error, 2 = unexpected error
# These allow shell scripts to handle failures:
# python agent.py 'query' || echo 'Agent failed'
if __name__ == '__main__':
    app()

Przekształcanie agenta w instalowalne narzędzie CLI

Należy użyć punktu wejścia w pliku pyproject.toml, aby udostępnić agenta jako polecenie systemowe. Po wykonaniu pip install -e . użytkownicy mogą uruchamiać myagent ask 'question' bezpośrednio z dowolnego katalogu.

# pyproject.toml
# [project]
# name = 'myagent'
# version = '0.1.0'
# dependencies = ['typer', 'openai', 'httpx']
#
# [project.scripts]
# myagent = 'myagent.cli:app'

# After pip install -e .:
# myagent ask 'What is AI?'
# myagent search 'Python tutorials'
# myagent --help

# This is how production CLI agents like 'gh', 'poetry', and 'ruff' work
print('Entry points turn your Python module into a system CLI command')

Sprawdzenie wiedzy: interfejsy agentów CLI

Sprawdź swoją wiedzę na temat tworzenia interfejsów CLI dla agentów.

Podsumowanie: tworzenie interfejsów agentów CLI

Możesz teraz tworzyć profesjonalne interfejsy CLI dla swoich agentów:

  • Używaj argparse do tworzenia interfejsów CLI bez zależności zewnętrznych (biblioteka standardowa)
  • Używaj typer do tworzenia przejrzystych interfejsów CLI opartych na adnotacjach typów
  • Używaj click do tworzenia rozbudowanych interfejsów CLI opartych na dekoratorach
  • Organizuj duże agenty za pomocą podkomend
  • Obsługuj stdin, aby umożliwić integrację z potokami
  • Używaj flag --json do generowania danych w formacie przeznaczonym dla maszyn
  • W przypadku błędów kończ działanie kodem różnym od zera, aby zachować zgodność ze skryptami powłoki

Często zadawane pytania

Czy lekcja „Tworzenie interfejsów agentów wiersza poleceń” jest bezpłatna?

Tak — pełny tekst „Tworzenie interfejsów agentów wiersza poleceń” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.

Co nauczysz się w „Tworzenie interfejsów agentów wiersza poleceń”?

argparse, click i Typer do obsługi argumentów CLI agenta. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents?

Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Tworzenie interfejsów agentów wiersza poleceń”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?

Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Tworzenie interfejsów agentów wiersza poleceń
  2. Agenci interaktywni w stylu REPL
  3. Parsowanie argumentów i tekst pomocy
  4. Strumieniowanie wyników w agentach CLI
← Powrót do AI Agents