云服务Agent平台

版本基线：本文示例模型 gpt-5-mini / claude-sonnet-4-5 / gemini-2.5-flash，SDK 以 2026-09 现状为准，更新于 2026-09。

概述

云服务Agent平台是各大云服务商提供的AI Agent开发和部署服务。本章将介绍主流云服务商的Agent平台及其使用方法。

主流云服务平台

1. OpenAI平台

OpenAI提供的Agent开发服务：

• GPT API：GPT系列模型API
• Responses API：新一代 Agent 交互接口（旧 Assistants API 已宣布停用，2026 年内下线，官方推荐迁移到 Responses API）
• Function Calling：函数调用功能
• Fine-tuning：模型微调服务

from openai import OpenAI

# 初始化客户端
client = OpenAI(api_key="your-api-key")

# 使用 Responses API（取代旧版 Assistants API 的 beta.assistants/threads 全套接口）
response = client.responses.create(
    model="gpt-5-mini",
    instructions="You are a personal math tutor.",
    input="What is 2 + 2?",
    tools=[
        {
            "type": "function",
            "name": "calculate",
            "description": "Calculate mathematical expressions",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "The mathematical expression to calculate"
                    }
                },
                "required": ["expression"]
            }
        }
    ],
)

print(response.output_text)

2. Anthropic平台

Anthropic提供的Claude API：

• Claude API：Claude系列模型API
• Tool Use：工具使用功能
• Long Context：长上下文支持
• Vision：图像理解能力

import anthropic

# 初始化客户端
client = anthropic.Anthropic(api_key="your-api-key")

# 创建消息
message = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "Hello, Claude!"
        }
    ]
)

print(message.content)

3. Google平台

Google提供的AI服务：

• Gemini API：Gemini系列模型API
• Vertex AI：AI开发平台
• Cloud Functions：云函数服务
• Cloud Storage：云存储服务

from google import genai  # 新包：pip install google-genai（旧包 google.generativeai 已弃用）

# 初始化客户端
client = genai.Client(api_key="your-api-key")

# 生成内容
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Hello, Gemini!",
)
print(response.text)

4. 微软Azure平台

微软提供的AI服务：

• Azure OpenAI：Azure上的OpenAI服务
• Copilot Studio：Copilot开发平台
• Semantic Kernel：语义内核SDK
• Azure AI Services：AI服务集合

from openai import AzureOpenAI

# 初始化客户端
client = AzureOpenAI(
    api_key="your-api-key",
    api_version="2024-10-21",
    azure_endpoint="https://your-resource.openai.azure.com/"
)

# 创建聊天完成（model 填部署名，如部署了 gpt-5-mini 则写部署名）
response = client.chat.completions.create(
    model="gpt-5-mini",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
)

print(response.choices[0].message.content)

平台对比

平台	优势	劣势	适用场景
OpenAI	模型能力强、生态完善	价格较高	通用Agent开发
Anthropic	安全性高、长上下文	API限制较多	安全敏感场景
Google	多模态能力强	集成复杂	多模态应用
Azure	企业级支持、混合部署	配置复杂	企业应用

实践指南

1. 平台选择

选择平台时考虑：

• 模型能力：根据任务需求选择模型
• 价格成本：考虑API调用成本
• 集成难度：考虑与现有系统的集成
• 安全合规：考虑数据安全和合规要求

2. 多平台集成

from openai import OpenAI
import anthropic
from google import genai  # 新包：pip install google-genai

class MultiPlatformAgent:
    """多平台Agent"""
    def __init__(self):
        self.platforms = {
            'openai': OpenAI(api_key="openai-key"),
            'anthropic': anthropic.Anthropic(api_key="anthropic-key"),
            'google': genai.Client(api_key="google-key")
        }
    
    def call_platform(self, platform: str, prompt: str) -> str:
        """调用指定平台"""
        if platform == 'openai':
            response = self.platforms['openai'].chat.completions.create(
                model="gpt-5-mini",
                messages=[{"role": "user", "content": prompt}]
            )
            return response.choices[0].message.content
        elif platform == 'anthropic':
            message = self.platforms['anthropic'].messages.create(
                model="claude-sonnet-4-5",
                max_tokens=1024,
                messages=[{"role": "user", "content": prompt}]
            )
            return message.content[0].text
        elif platform == 'google':
            response = self.platforms['google'].models.generate_content(
                model="gemini-2.5-flash",
                contents=prompt,
            )
            return response.text
        else:
            raise ValueError(f"Unknown platform: {platform}")

3. 成本优化

import hashlib
from typing import Dict

class CostOptimizedAgent:
    """成本优化的Agent"""
    def __init__(self):
        self.cache: Dict[str, str] = {}
        self.platform_costs = {
            'openai': 0.002,  # 每1000token的成本
            'anthropic': 0.003,
            'google': 0.001
        }
    
    def get_cache_key(self, platform: str, prompt: str) -> str:
        """生成缓存键"""
        return hashlib.md5(f"{platform}:{prompt}".encode()).hexdigest()
    
    def call_with_cache(self, platform: str, prompt: str) -> str:
        """带缓存的调用"""
        cache_key = self.get_cache_key(platform, prompt)
        
        if cache_key in self.cache:
            return self.cache[cache_key]
        
        # 调用API
        result = self.call_platform(platform, prompt)
        
        # 缓存结果
        self.cache[cache_key] = result
        
        return result
    
    def select_platform(self, prompt: str) -> str:
        """选择最经济的平台"""
        # 根据prompt长度和复杂度选择平台
        if len(prompt) < 100:
            return 'google'  # 短prompt使用最便宜的平台
        elif len(prompt) < 500:
            return 'openai'
        else:
            return 'anthropic'  # 长prompt使用支持长上下文的平台

最佳实践

1. API密钥管理

• 环境变量：使用环境变量存储API密钥
• 密钥轮换：定期轮换API密钥
• 权限控制：限制API密钥的权限
• 监控使用：监控API密钥的使用情况

2. 错误处理

import time
from typing import Optional

class RobustAPIClient:
    """健壮的API客户端"""
    def __init__(self, max_retries: int = 3, retry_delay: float = 1.0):
        self.max_retries = max_retries
        self.retry_delay = retry_delay
    
    def call_with_retry(self, func, *args, **kwargs) -> Optional[str]:
        """带重试的API调用"""
        for attempt in range(self.max_retries):
            try:
                return func(*args, **kwargs)
            except Exception as e:
                if attempt < self.max_retries - 1:
                    print(f"Attempt {attempt + 1} failed: {e}")
                    time.sleep(self.retry_delay * (2 ** attempt))  # 指数退避
                else:
                    print(f"All attempts failed: {e}")
                    return None

3. 监控和日志

import logging
from datetime import datetime

class APIMonitor:
    """API监控"""
    def __init__(self):
        self.logger = logging.getLogger("api_monitor")
        self.metrics = {
            'total_calls': 0,
            'successful_calls': 0,
            'failed_calls': 0,
            'total_tokens': 0,
            'total_cost': 0.0
        }
    
    def log_call(self, platform: str, success: bool, tokens: int, cost: float):
        """记录API调用"""
        self.metrics['total_calls'] += 1
        if success:
            self.metrics['successful_calls'] += 1
        else:
            self.metrics['failed_calls'] += 1
        
        self.metrics['total_tokens'] += tokens
        self.metrics['total_cost'] += cost
        
        self.logger.info(
            f"API call: platform={platform}, success={success}, "
            f"tokens={tokens}, cost={cost:.4f}"
        )
    
    def get_metrics(self):
        """获取指标"""
        return self.metrics

常见问题

1. API问题

• 认证失败：检查API密钥
• 速率限制：实现重试机制
• 超时错误：调整超时设置
• 配额不足：升级配额或优化使用

2. 成本问题

• 成本过高：使用缓存、选择合适平台
• 预算超支：设置使用限制
• 计费错误：检查计费详情

3. 集成问题

• 兼容性问题：检查API版本
• 依赖冲突：管理依赖版本
• 网络问题：检查网络连接

下一步学习

• API服务 - Agent能力的API化
• 部署与运维 - Agent系统的部署和监控
• Agent框架 - 了解各种Agent框架