QVeris Python SDK

QVeris Python SDK v0.5.0 是最新测试版本。使用异步客户端，在你自己的 Agent 和应用中发现、检查、探测、调用并审计 10,000+ 真实已验证的 API 能力。

SDK 提供两种控制粒度：

QverisClient —— QVeris REST API 的轻量类型化封装（discover、inspect、probe、call、usage、ledger）。
Agent —— 开箱即用的 LLM 工具循环，让模型自主发现并调用能力。

需要完全控制时用 client；想几行代码就跑起来一个可用助手时用 agent。

安装#

pip install qveris

需要 Python 3.8+。运行时依赖：httpx、pydantic、pydantic-settings、openai。

身份认证#

SDK 从环境变量 QVERIS_API_KEY 读取 API 密钥，并通过 QVERIS_BASE_URL 指向 API 地址。请设置：

export QVERIS_API_KEY="your-api-key"
export QVERIS_BASE_URL="https://qveris.cn/api/v1"

在控制台/API密钥中创建密钥。也可以显式传入配置：

from qveris import QverisClient, QverisConfig
 
client = QverisClient(QverisConfig(
    api_key="your-api-key",
    base_url="https://qveris.cn/api/v1",
))

地址优先级为：显式 base_url > QVERIS_BASE_URL。API key 不参与地址选择；请按上面的示例设置地址。覆盖值必须是无凭据、查询串和片段的 HTTP(S) URL。

快速开始#

核心流程是 discover（发现）→ inspect（检查）→ call（调用），之后可选 audit（审计）。所有方法都是 async。

import asyncio
from qveris import QverisClient, QverisConfig
 
async def main():
    client = QverisClient(QverisConfig(base_url="https://qveris.cn/api/v1"))
    try:
        # 1. 用自然语言发现能力（免费）
        discovered = await client.discover("天气预报 API", limit=5)
        tool = discovered.results[0]
 
        # 2. 检查所选能力，获取完整参数
        inspected = await client.inspect([tool.tool_id], search_id=discovered.search_id)
        selected = inspected.results[0]
 
        # 3. 在不执行或扣费的情况下校验参数并获取报价
        params = (
            selected.examples.sample_parameters
            if selected.examples and selected.examples.sample_parameters
            else {"city": "北京"}
        )
        probe = await client.probe(selected.tool_id, params, checks=["schema", "quote"])
 
        # 4. 调用（可能消耗积分）
        result = await client.call(
            selected.tool_id,
            params,
            search_id=discovered.search_id,
            max_response_size=20480,
        )
        print(result.success, result.result)
 
        # 5. 审计最终扣费结果
        usage = await client.usage(execution_id=result.execution_id, summary=True)
        ledger = await client.ledger(summary=True, limit=5)
        print(usage.total, ledger.total)
    finally:
        await client.close()
 
asyncio.run(main())

QverisClient 持有一个 HTTP 连接池。用完务必 await client.close()（建议放在 finally 中）。

若已设置 QVERIS_BASE_URL=https://qveris.cn/api/v1 环境变量，可直接 QverisClient()，无需再传 base_url。

Agent（智能体）#

Agent 把同一套流程封装成一个 LLM 工具循环。模型会拿到 discover、inspect、call 三个工具并自行决定何时调用。

默认 agent 使用 OpenAI 兼容的 provider。配合国内可用的 OpenAI 兼容服务时，设置：

export OPENAI_API_KEY="..."
export OPENAI_BASE_URL="https://your-openai-compatible-endpoint/v1"   # 你的 OpenAI 兼容服务地址

QVeris API 地址仍由 QVERIS_BASE_URL 控制，与 LLM provider 相互独立。

流式#

import asyncio
from qveris import Agent, Message, QverisConfig
 
async def main():
    async with Agent(config=QverisConfig(base_url="https://qveris.cn/api/v1")) as agent:
        messages = [Message(role="user", content="查一下北京现在的天气。")]
        async for event in agent.run(messages):
            if event.type == "content" and event.content:
                print(event.content, end="", flush=True)
 
asyncio.run(main())

Agent 是异步上下文管理器 —— async with Agent() as agent: 会自动释放网络资源。

仅要最终文本#

只需要最终回答时：

async with Agent(config=QverisConfig(base_url="https://qveris.cn/api/v1")) as agent:
    answer = await agent.run_to_completion(
        [Message(role="user", content="找一个股票报价能力并查询 AAPL。")]
    )
    print(answer)

事件类型#

Agent.run(messages) 产出 StreamEvent 对象。通过 event.type 区分：

`type`	含义
`content`	助手文本（流式时为增量分片，否则为完整消息）
`reasoning` / `reasoning_details`	部分 provider 的推理 token / 结构化推理
`tool_call`	模型正在调用 `discover` / `inspect` / `call`（或你的额外工具）
`tool_result`	工具调用的执行结果（`event.tool_result` 含 `name`、`result`、`is_error`）
`metrics`	provider 上报的 token 用量 / 耗时
`error`	终止本次运行的致命错误
`budget_warning` / `budget_exceeded`	会话消耗越过预警阈值 / 某次调用因超预算被拦截（见预算护栏）

给 run(...) 传 stream=False 可改为接收完整助手轮次而非增量分片。

预算护栏#

设置会话级积分预算以约束自主消耗：

agent = Agent(budget_credits=25)

设置后，agent 会从 discover / inspect 学习每个能力的 expected_cost，并在请求发出之前拦截预计会超预算的 call——同时发出 budget_exceeded 事件，让模型改选更便宜的能力或停止。它从 call 的账单累计实际消耗，并在接近上限时发出一次 budget_warning。可随时查询状态：

status = agent.budget_status()   # {"limit": 25, "spent": 12.0, "remaining": 13.0}，或 None

spent 反映预结算金额——请用 usage(...) / ledger(...) 核对最终扣费。成本未知的能力不会被拦截（无法估算）。未设置 budget_credits 时，agent 行为完全不变。

配置参考#

`QverisConfig`#

字段	环境变量	默认值	说明
`api_key`	`QVERIS_API_KEY`	`None`	API 密钥，以 `Authorization: Bearer ...` 发送
`base_url`	`QVERIS_BASE_URL`	按上文设置	API 基础地址
`enable_history_pruning`	—	`True`	裁剪/压缩旧的工具输出以节省 token（agent 循环）
`max_iterations`	—	`50`	agent 工具循环的最大迭代次数

`AgentConfig`#

字段	默认值	说明
`model`	`gpt-4o`	传给当前 LLM provider 的模型名
`additional_system_prompt`	`None`	追加到默认工具使用系统提示词之后
`temperature`	`0.7`	在 provider 支持时透传

from qveris import Agent, QverisConfig, AgentConfig
 
agent = Agent(
    config=QverisConfig(base_url="https://qveris.cn/api/v1", max_iterations=20),
    agent_config=AgentConfig(model="gpt-4o", temperature=0.2),
)

API 参考#

`QverisClient`#

方法	REST 端点	用途
`discover(query, limit=20, session_id=None, view=None, lang=None)`	`POST /search`	发现能力；`view="routing"` 返回精简 routing card（免费）
`inspect(tool_ids, search_id=None, session_id=None)`	`POST /tools/by-ids`	获取能力完整元数据（免费）
`call(tool_id, parameters, search_id=None, session_id=None, max_response_size=None, respond_with=None)`	`POST /tools/execute`	执行能力；可选择完整、摘要或 JSONPath 字段

tool_ids 接受单个字符串或可迭代对象。usage(...) 和 ledger(...) 接受仅关键字过滤参数，如 start_date、end_date、summary（默认 True）、bucket、charge_outcome、execution_id、search_id、direction、entry_type、min_credits、max_credits、limit、page、page_size。

仍保留向后兼容别名：search_tools → discover，get_tools_by_ids → inspect，execute_tool → call。

`Agent`#

成员	说明
`run(messages, stream=True)`	产出 `StreamEvent` 的异步生成器；主集成 API
`run_to_completion(messages)`	非流式；返回最终助手文本
`get_last_messages()`	上一次 `run(...)` 的对话历史，含工具调用/结果
`new_session()`	重置关联/会话 id
`close()`	释放网络资源（或用 `async with`）

构造函数：Agent(config=None, agent_config=None, llm_provider=None, extra_tools=None, extra_tool_handler=None, debug_callback=None)。

类型化模型#

SDK 返回 Pydantic v2 模型，因此你能获得自动补全与校验。未知的后端字段会被保留，因此较新的 API 元数据不会破坏较旧的 SDK 客户端。

发现 / 检查：SearchResponse → results: list[ToolInfo]；ToolInfo 含 tool_id、name、description、params: list[ToolParameter]、examples、stats、billing_rule。
调用：ToolExecutionResponse，含 execution_id、success、result、error_message、billing（CompactBillingStatement）、cost、remaining_credits。
调用审计：UsageHistoryResponse → items: list[UsageEventItem]、total、summary。
积分账本：CreditsLedgerResponse → items: list[CreditsLedgerItem]、total、summary。

from qveris import ToolExecutionResponse
 
def explain(result: ToolExecutionResponse) -> str:
    if not result.success:
        return f"失败：{result.error_message}"
    charged = result.billing.summary if result.billing else "无计费信息"
    return f"成功（{charged}）；剩余={result.remaining_credits}"

集成方式#

按你的应用选择合适的粒度：

直接使用类型化 client —— 在自己的代码里调用 discover/inspect/call/usage/ledger。
内置流式 agent —— Agent.run(messages) 并消费 StreamEvent。
内置非流式 agent —— Agent.run(messages, stream=False)，获取完整轮次与事件。
仅要最终文本 —— Agent.run_to_completion(messages)。
自带循环 —— 把 QVeris 工具 schema 暴露给你自己的 LLM provider，再把工具调用路由回 client：

from qveris import QverisClient, QverisConfig
from qveris.client.tools import DISCOVER_TOOL_DEF, INSPECT_TOOL_DEF, CALL_TOOL_DEF
 
tools = [DISCOVER_TOOL_DEF, INSPECT_TOOL_DEF, CALL_TOOL_DEF]
client = QverisClient(QverisConfig(base_url="https://qveris.cn/api/v1"))
 
# ... 你的 LLM 产出一个工具调用 (func_name, func_args) ...
result, is_error, handled = await client.handle_tool_call(func_name, func_args)
if handled and not is_error:
    ...  # 把 result 回传给模型

框架集成#

把 QVeris 的 discover/inspect/call 工作流暴露为主流 Agent 框架的原生工具。适配器惰性导入各自框架，因此基础 qveris 包不依赖它们。

框架	原生工具类型	Adapter 安装	完整 Agent 还需要
LangChain / LangGraph	`StructuredTool`	`pip install "qveris[langchain]"`（Adapter 支持 Python 3.9+）	下方当前版 `create_agent` 示例需要 Python 3.10+、`langchain>=1.0` 和模型 provider 包。
OpenAI Agents SDK	`FunctionTool`	`pip install "qveris[openai-agents]"`（Python 3.10+）	将工具传给 `Agent`，最后 `await client.close()`。
CrewAI	`BaseTool`	`pip install "qveris[crewai]"`（Python 3.10+）	Adapter 负责同步/异步桥接，最后调用 `aclose(client)`。
AutoGen	`autogen_core.tools.FunctionTool`	`pip install "qveris[autogen]"`（Python 3.10+）	另装 `autogen-agentchat` 和模型扩展，如 `autogen-ext[openai]`。
LlamaIndex	`llama_index.core.tools.FunctionTool`	`pip install "qveris[llamaindex]"`（Python 3.10+）	另装 `FunctionAgent` 使用的模型集成包；使用异步 Agent 或 `await tool.acall(...)`。
Pydantic AI	`pydantic_ai.Tool`	`pip install "qveris[pydantic-ai]"`（Python 3.10+）	Extra 为精简安装；另装模型 provider extra，如 `pydantic-ai-slim[openai]`。

每次调用 get_qveris_tools(client, session_id=...) 都会按顺序返回 qveris_discover、qveris_inspect、qveris_call 三个工具。工具结果（包括 QVeris 错误结果）统一为 JSON 字符串，Agent 可以读取并自行调整参数或改选能力。discover 免费并返回 search_id，后续应把它传给 inspect 和 call。完整 Agent 运行既需要 QVERIS_API_KEY，也需要所选模型 provider 的 API key。

LangChain 与 LangGraph

使用 LangChain 当前的 create_agent API。它运行在 LangGraph 上；自定义 LangGraph 工作流也可以把同一组工具放入 ToolNode。

pip install "qveris[langchain]" "langchain>=1.0" langchain-openai

import asyncio
 
from langchain.agents import create_agent
from qveris import QverisClient, QverisConfig
from qveris.integrations.langchain import get_qveris_tools
 
async def main():
    client = QverisClient(QverisConfig(base_url="https://qveris.cn/api/v1"))
    try:
        agent = create_agent("openai:gpt-4o-mini", tools=get_qveris_tools(client))
        result = await agent.ainvoke({"messages": [{"role": "user", "content": "查找股票报价工具并查询 AAPL。"}]})
        print(result)
    finally:
        await client.close()
 
asyncio.run(main())

OpenAI Agents SDK

import asyncio
 
from agents import Agent, Runner
from qveris import QverisClient, QverisConfig
from qveris.integrations.openai_agents import get_qveris_tools
 
async def main():
    client = QverisClient(QverisConfig(base_url="https://qveris.cn/api/v1"))
    try:
        agent = Agent(name="Assistant", tools=get_qveris_tools(client))
        result = await Runner.run(agent, "查找股票报价能力并查询 AAPL。")
        print(result.final_output)
    finally:
        await client.close()
 
asyncio.run(main())

CrewAI

from crewai import Agent
from qveris import QverisClient, QverisConfig
from qveris.integrations.crewai import aclose, get_qveris_tools
 
client = QverisClient(QverisConfig(base_url="https://qveris.cn/api/v1"))
agent = Agent(role="Researcher", goal="选择正确能力", backstory="工具专家", tools=get_qveris_tools(client))
# Crew(...).kickoff()
aclose(client)

CrewAI 的 client 连接运行在 Adapter 的专用事件循环中，因此要使用 aclose(client)，不能使用 await client.close()。

AutoGen、LlamaIndex 与 Pydantic AI

# 以下片段假设已配置 QverisClient 以及框架所需的 model_client / llm；
# 只需选择与你的 Agent 框架对应的 Adapter。
# AutoGen AssistantAgent
from autogen_agentchat.agents import AssistantAgent
from qveris.integrations.autogen import get_qveris_tools
agent = AssistantAgent("assistant", model_client=model_client, tools=get_qveris_tools(client))
 
# LlamaIndex FunctionAgent
from llama_index.core.agent.workflow import FunctionAgent
from qveris.integrations.llamaindex import get_qveris_tools
agent = FunctionAgent(tools=get_qveris_tools(client), llm=llm)
 
# Pydantic AI Agent
from pydantic_ai import Agent
from qveris.integrations.pydantic_ai import get_qveris_tools
agent = Agent("openai:gpt-4o-mini", tools=get_qveris_tools(client))

完整的 provider 配置与资源关闭方式见下方可运行示例。TypeScript SDK 提供 Vercel AI SDK 适配器。

自定义 LLM provider#

默认 Agent() 使用内置的 OpenAI 兼容 provider。如需对接其他模型 API，实现 LLMProvider 并传入：

from typing import AsyncGenerator, List
from openai.types.chat import ChatCompletionToolParam
from qveris import Agent
from qveris.config import AgentConfig
from qveris.llm.base import LLMProvider
from qveris.types import ChatResponse, Message, StreamEvent
 
class MyProvider(LLMProvider):
    async def chat_stream(self, messages: List[Message], tools: List[ChatCompletionToolParam], config: AgentConfig) -> AsyncGenerator[StreamEvent, None]:
        ...
 
    async def chat(self, messages: List[Message], tools: List[ChatCompletionToolParam], config: AgentConfig) -> ChatResponse:
        ...
 
agent = Agent(llm_provider=MyProvider())

错误处理#

HTTP 错误抛出 httpx.HTTPStatusError；业务失败信封抛出 RuntimeError。
在 agent 循环内部，provider/传输错误不会抛出 —— 它们以 error 类型的 StreamEvent 暴露并结束本次运行。run_to_completion(...) 会将其重新抛为 RuntimeError。
result.success 只反映能力调用本身。不要把它当作最终扣费结论 —— 用 usage(...) / ledger(...) 确认扣费。

示例#

可运行示例位于 packages/python-sdk/examples/：

示例	场景
`finance_research.py`	股票报价 / 市场数据研究
`risk_compliance.py`	制裁、负面舆情、合规筛查
`crypto_market.py`	加密货币价格与成交量数据
`data_analysis.py`	用外部能力数据丰富数据集
`explainable_routing.py`	基于 `why_recommended` / `expected_cost` 的成本感知能力选型
`budget_guard.py`	用 `Agent(budget_credits=...)` 设置会话级积分预算
`agent_loop_integration.py`	LLM agent 循环集成
`interactive_chat.py`	交互式流式终端聊天
`stock_debate.py`	多 Agent 股票研究辩论
`langchain_integration.py`	把 QVeris 能力作为 LangChain 工具（`qveris[langchain]`）
`openai_agents_integration.py`	把 QVeris 能力作为 OpenAI Agents SDK 工具（`qveris[openai-agents]`）
`crewai_integration.py`	把 QVeris 能力作为 CrewAI 工具（`qveris[crewai]`）
`autogen_integration.py`	把 QVeris 能力作为 AutoGen 工具（`qveris[autogen]`）
`llamaindex_integration.py`	把 QVeris 能力作为 LlamaIndex 工具（`qveris[llamaindex]`）
`pydantic_ai_integration.py`	把 QVeris 能力作为 Pydantic AI 工具（`qveris[pydantic-ai]`）
`otel_tracing.py`	为 discover/call 生成 OpenTelemetry span（`qveris[otel]`）

设置 QVERIS_API_KEY 后，能力示例会运行 discover/inspect；仅当设置 RUN_QVERIS_CALLS=1 时才执行 call。运行前请确保已设置 QVERIS_BASE_URL=https://qveris.cn/api/v1。

兼容性#

Python >=3.8。
公开方法与 Pydantic 模型字段尽量遵循增量兼容。
规范方法替代上线后，弃用别名至少保留一个小版本。
破坏性变更需要主版本号升级并附迁移说明。

链接#

包：PyPI 上的 qveris
源码：packages/python-sdk
REST API：rest-api.md
获取 API 密钥：控制台/API密钥