Pythonエージェント環境設定
AIエージェントの構築を始める前に、適切な開発環境を整える必要があります。
PythonはAIおよび機械学習分野で最も人気のある言語であり、豊富なライブラリとツールを備えています。
1. Pythonバージョンの選択
AIエージェント開発には、以下を推奨します:Python 3.9以降。
以下のバージョンが一般的な選択肢です:
- Python 3.9:安定性が高く、互換性に最も優れています
- Python 3.10:パフォーマンスが向上し、新機能を搭載
- Python 3.11+:最新バージョンで、パフォーマンスが最良
注意:一部のライブラリはPythonバージョンに特定の要件がある場合があります。公式ドキュメントを確認することをお勧めします。
2. Pythonのインストール
Windowsシステム
- アクセス:Python公式サイト
- 最新バージョンのPythonインストーラ(3.9以降)をダウンロードします
- インストーラを実行し、必ずチェックを入れますAdd Python to PATH
- インストール完了後、コマンドプロンプト(CMD)またはPowerShellを開き、次のように入力します:python --version、Pythonのバージョン番号が表示されます。
macOSシステム
macOSには通常Pythonがプリインストールされていますが、古いバージョンの場合があります。Homebrewを使用したインストールを推奨します:
# 安装 Homebrew(如果尚未安装) /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" # 安装 Python brew install python@3.9 # 验证安装 python3 --version
Linuxシステム
ほとんどのLinuxディストリビューションにはPythonがプリインストールされています。特定のバージョンが必要な場合は:
# Ubuntu/Debian sudo apt update sudo apt install python3.9 python3-pip # CentOS/RHEL sudo yum install python39 python39-pip # 验证安装 python3 --version
3. 仮想環境の設定
仮想環境を使用すると、異なるプロジェクトの依存関係を分離し、バージョンの競合を回避できます。
仮想環境の作成
# 创建项目目录 mkdir ai-agent-project cd ai-agent-project
uvを使用して仮想環境を作成し、アクティブ化します。詳細は以下を参照してください:uvチュートリアル。
uvのインストール
pip install uv
uvコマンドで作成:
# 创建名为 .venv 的虚拟环境(默认) uv venv # 激活环境(macOS/Linux) source .venv/bin/activate # 激活环境(Windows) .venv\Scripts\activate
その他のツール:
# 使用 venv,Python 3.3+ 内置 python -m venv venv # 或使用 conda(如果已安装 Anaconda/Miniconda) conda create -n ai-agent python=3.9 conda activate ai-agent
仮想環境のアクティブ化
Windows:
venv\Scripts\activate
macOS/Linux:
source venv/bin/activate
アクティブ化後、コマンドラインプロンプトに仮想環境名が表示されます(例:(venv))。
仮想環境の終了
deactivate
4. パッケージ管理ツール pip
pipはPythonのパッケージ管理ツールであり、サードパーティ製ライブラリのインストールに使用されます。
よく使うコマンド:
# 升级 pip 到最新版本 pip install --upgrade pip # 安装包 pip install package_name # 安装特定版本 pip install package_name==1.2.3 # 从 requirements.txt 安装所有依赖 pip install -r requirements.txt # 列出已安装的包 pip list # 生成 requirements.txt pip freeze > requirements.txt
5. 開発ディレクトリ構成の提案
適切なプロジェクト構成は、コードの管理と保守に役立ちます:
ai-agent-project/
├── .env # 环境变量文件(不提交到Git)
├── .gitignore # Git忽略文件
├── requirements.txt # 项目依赖
├── README.md # 项目说明
├── src/ # 源代码目录
│ ├── __init__.py
│ ├── agents/ # Agent相关代码
│ │ ├── __init__.py
│ │ ├── base_agent.py
│ │ └── weather_agent.py
│ ├── tools/ # 工具定义
│ │ ├── __init__.py
│ │ ├── calculator.py
│ │ └── web_search.py
│ ├── memory/ # 记忆系统
│ │ ├── __init__.py
│ │ ├── short_term.py
│ │ └── vector_memory.py
│ └── utils/ # 工具函数
│ ├── __init__.py
│ ├── config.py
│ └── logger.py
├── tests/ # 测试代码
│ ├── __init__.py
│ ├── test_agents.py
│ └── test_tools.py
├── examples/ # 示例代码
│ ├── basic_agent.py
│ └── multi_tool_agent.py
└── notebooks/ # Jupyter笔记本
└── experiments.ipynb
必須ライブラリのインストール
AIエージェント開発には、さまざまなサードパーティ製ライブラリのサポートが必要です。以下に、コアライブラリのインストール方法と簡単な紹介を示します。
コアライブラリのインストール
作成するrequirements.txtファイル(以下の内容を含む):
# 基础库 python-dotenv>=1.0.0 # 环境变量管理 pydantic>=2.0.0 # 数据验证和设置管理 loguru>=0.7.0 # 日志记录 # AI/ML 相关 openai>=1.0.0 # OpenAI API anthropic>=0.7.0 # Claude API google-generativeai>=0.3.0 # Gemini API sentence-transformers>=2.2.0 # Embedding 模型 chromadb>=0.4.0 # 向量数据库 # Agent 框架 langchain>=0.1.0 # LangChain 框架 langchain-community>=0.0.10 # LangChain 社区工具 langchain-openai>=0.0.5 # LangChain OpenAI 集成 llama-index>=0.10.0 # LlamaIndex(可选) semantic-kernel>=0.9.0 # Semantic Kernel(可选) # 工具和工具 requests>=2.31.0 # HTTP 请求 beautifulsoup4>=4.12.0 # HTML 解析 pandas>=2.0.0 # 数据处理 numpy>=1.24.0 # 数值计算 # 开发工具 pytest>=7.4.0 # 测试框架 black>=23.0.0 # 代码格式化 flake8>=6.0.0 # 代码检查 jupyter>=1.0.0 # Jupyter 笔记本
すべての依存関係をインストール:
pip install -r requirements.txt
主要ライブラリの紹介
1. LangChain
LangChainは最も人気のあるAIエージェント開発フレームワークで、チェーン(Chain)およびエージェント(Agent)アプリケーションを構築するためのツールを提供します。
# LangChain 基本使用示例
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
# 初始化 LLM
llm = ChatOpenAI(temperature=0.7, model="gpt-3.5-turbo")
# 创建工具
tools = [
Tool(
name="计算器",
func=lambda x: str(eval(x)),
description="用于数学计算"
)
]
# 创建 Agent
agent = initialize_agent(
tools=tools,
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True
)
# 运行 Agent
result = agent.run("计算 25 的平方根")
print(result)
2. LlamaIndex
LlamaIndex(旧GPT Index)はドキュメントのインデックス化と検索に特化しており、ドキュメントベースのQ&Aシステムの構築に適しています。
# LlamaIndex 基本使用示例
from llama_index import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms import OpenAI
# 加载文档
documents = SimpleDirectoryReader("./data").load_data()
# 创建索引
index = VectorStoreIndex.from_documents(documents)
# 创建查询引擎
query_engine = index.as_query_engine()
# 查询
response = query_engine.query("文档中提到了哪些AI技术?")
print(response)
3. Semantic Kernel
Semantic Kernelはマイクロソフトが提供するフレームワークで、拡張性とエンタープライズ向けアプリケーションを重視しています。
# Semantic Kernel 基本使用示例
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import OpenAITextCompletion
# 初始化内核
kernel = sk.Kernel()
api_key = "your-openai-api-key"
kernel.add_text_completion_service(
"dv",
OpenAITextCompletion("text-davinci-003", api_key)
)
# 定义技能
skill = kernel.import_semantic_skill_from_directory("./skills", "ExampleSkill")
# 运行技能
context = kernel.create_new_context()
context["input"] = "介绍一下人工智能"
result = skill["Summarize"](context)
print(result)
インストールの検証
検証スクリプトを作成しますverify_installation.py:
例
import sys
def check_package(package_name, import_name=None):
"""パッケージがインストールされているか確認します"""
import_name = import_name or package_name
try:
__import__(import_name)
print(f"{package_name} は正常にインストールされました")
return True
except ImportError:
print(f"{package_name} はインストールされていません")
return False
def main():
print("AIエージェント開発環境を確認中...")
print("=" * 50)
# Pythonバージョンを確認
python_version = sys.version_info
print(f"Pythonバージョン: {python_version.major}.{python_version.minor}.{python_version.micro}")
if python_version.major == 3 and python_version.minor >= 9:
print("Pythonバージョンは要件を満たしています (>=3.9)")
else:
print("Pythonバージョンが要件を満たしていません。3.9以降が必要です")
print("\nコアライブラリを確認中...)
# 基本ライブラリ
check_package("dotenv", "dotenv")
check_package("pydantic")
check_package("loguru")
# AI/MLライブラリ
check_package("openai")
check_package("anthropic")
check_package("chromadb")
check_package("sentence_transformers", "sentence_transformers")
# エージェントフレームワーク
check_package("langchain")
check_package("llama_index", "llama_index")
# ツールライブラリ
check_package("requests")
check_package("pandas")
check_package("numpy")
print("\n" + "=" * 50)
print("環境チェックが完了しました!")
if __name__ == "__main__":
main()
検証を実行:
python verify_installation.py
よくあるインストール問題の解決
1. インストールが遅い、またはタイムアウトする場合
# 使用国内镜像源 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 或使用阿里云镜像 pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
2. バージョンの競合
# 创建新的虚拟环境 python -m venv new_venv source new_venv/bin/activate # 或 venv\Scripts\activate # 重新安装,让 pip 自动解决依赖 pip install --upgrade pip pip install langchain openai
3. 特定プラットフォームの問題(Apple Siliconなど)
# 对于 Apple Silicon (M1/M2/M3),可能需要特定版本 pip install grpcio==1.48.2 # 解决某些兼容性问题 # 或使用 conda conda install -c conda-forge grpcio
APIキー管理
AIエージェント開発では、さまざまなAPIサービス(OpenAI、Anthropic、DeepSeekなど)へのアクセスが必要です。APIキーを安全かつ効果的に管理することが極めて重要です。
1. APIキーを安全に管理する必要があるのはなぜですか?
- 漏洩の防止:APIキーの漏洩は経済的損失を引き起こす可能性があります
- アクセス制御:環境ごとに異なるキーを使用
- 設定の容易さ:チームでの協業時に設定方法を統一できます
- 環境の分離:開発、テスト、本番環境で異なるキーを使用
2. 環境変数による管理(推奨)
使用する.envファイルで機密情報を管理し、バージョン管理システムにはコミットしません。
作成:.envファイル
# API Keys OPENAI_API_KEY=sk-你的OpenAI密钥 ANTHROPIC_API_KEY=你的Claude密钥 GOOGLE_API_KEY=你的Gemini密钥 SERPAPI_API_KEY=你的搜索API密钥 # 应用配置 APP_ENV=development LOG_LEVEL=INFO DEBUG=true # 数据库配置(如使用) VECTOR_DB_PATH=./data/vector_db MAX_MEMORY_ITEMS=1000
作成:.gitignoreファイル
必ず.envファイルがGitにコミットされないようにします:
# Python __pycache__/ *.py[cod] *$py.class *.so .Python env/ venv/ ENV/ env.bak/ venv.bak/ # 环境变量 .env .env.local .env.*.local # 数据文件 data/ *.db *.sqlite *.sqlite3 # 日志 logs/ *.log # 编辑器 .vscode/ .idea/ *.swp *.swo
python-dotenvを使用して環境変数を読み込む
例
import os
from pathlib import Path
from dotenv import load_dotenv
# .envファイルを読み込む
env_path = Path('.') / '.env'
load_dotenv(dotenv_path=env_path)
class Config:
"""アプリケーション設定"""
# API Keys
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
ANTHROPIC_API_KEY = os.getenv("ANTHROPIC_API_KEY")
GOOGLE_API_KEY = os.getenv("GOOGLE_API_KEY")
SERPAPI_API_KEY = os.getenv("SERPAPI_API_KEY")
# アプリケーション設定
APP_ENV = os.getenv("APP_ENV", "development")
LOG_LEVEL = os.getenv("LOG_LEVEL", "INFO")
DEBUG = os.getenv("DEBUG", "false").lower() == "true"
# データベース設定
VECTOR_DB_PATH = os.getenv("VECTOR_DB_PATH", "./data/vector_db")
MAX_MEMORY_ITEMS = int(os.getenv("MAX_MEMORY_ITEMS", "1000"))
@classmethod
def validate(cls):
"""必要な設定を検証"""
missing = []
if not cls.OPENAI_API_KEY:
missing.append("OPENAI_API_KEY")
if missing:
raise ValueError(f"必要な環境変数が不足しています: {', '.join(missing)}")
# 使用例
config = Config()
print(f"環境: {config.APP_ENV}")
print(f"デバッグモード: {config.DEBUG}")
3. APIキーの安全な使用
コード内で環境変数を使用する
import os
from openai import OpenAI
# 从环境变量读取 API Key
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
raise ValueError("OPENAI_API_KEY 环境变量未设置")
# 初始化 OpenAI 客户端
client = OpenAI(api_key=api_key)
# 使用客户端
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": "你好"}]
)
設定クラスを使用する
例
from langchain.chat_models import ChatOpenAI
from config import Config
class LLMClientFactory:
"""LLMクライアントファクトリ"""
@staticmethod
def create_openai_client(model="gpt-3.5-turbo", **kwargs):
"""OpenAIクライアントを作成"""
Config.validate() # 設定を検証
return ChatOpenAI(
model=model,
openai_api_key=Config.OPENAI_API_KEY,
temperature=kwargs.get("temperature", 0.7),
max_tokens=kwargs.get("max_tokens", 1000)
)
@staticmethod
def create_anthropic_client(model="claude-3-sonnet-20240229", **kwargs):
"""Anthropicクライアントを作成"""
from langchain.chat_models import ChatAnthropic
Config.validate()
return ChatAnthropic(
model=model,
anthropic_api_key=Config.ANTHROPIC_API_KEY,
temperature=kwargs.get("temperature", 0.7),
max_tokens=kwargs.get("max_tokens", 1000)
)
# 使用例
llm = LLMClientFactory.create_openai_client()
response = llm.predict("こんにちは、自己紹介をしてください")
print(response)
4. マルチ環境の設定
大規模なプロジェクトでは、異なる環境設定が必要になる場合があります:
環境固有の.envファイル
# .env.development (开发环境) OPENAI_API_KEY=sk-dev-key APP_ENV=development DEBUG=true # .env.production (生产环境) OPENAI_API_KEY=sk-prod-key APP_ENV=production DEBUG=false
環境設定の動的読み込み
# config_manager.py
import os
from pathlib import Path
from dotenv import load_dotenv
class ConfigManager:
"""配置管理器"""
def __init__(self, env=None):
self.env = env or os.getenv("APP_ENV", "development")
self.load_config()
def load_config(self):
"""加载配置"""
# 先加载通用配置
load_dotenv(dotenv_path=Path('.') / '.env')
# 加载环境特定配置
env_file = Path('.') / f'.env.{self.env}'
if env_file.exists():
load_dotenv(dotenv_path=env_file, override=True)
# 加载本地覆盖配置(不提交到Git)
local_file = Path('.') / f'.env.{self.env}.local'
if local_file.exists():
load_dotenv(dotenv_path=local_file, override=True)
def get(self, key, default=None):
"""获取配置值"""
return os.getenv(key, default)
# 使用示例
config = ConfigManager(env="development")
print(f"当前环境: {config.get('APP_ENV')}")
print(f"API Key: {config.get('OPENAI_API_KEY')[:10]}...") # 只显示前10个字符
5. キーのローテーションと監視
本番環境では、キーのローテーションと監視の実施を推奨します:
# key_manager.py
import os
import time
from datetime import datetime, timedelta
class APIKeyManager:
"""API Key 管理器"""
def __init__(self):
self.keys = {}
self.key_history = []
self.load_keys()
def load_keys(self):
"""加载 API Keys"""
# 可以从环境变量、数据库或密钥管理服务加载
self.keys = {
"openai": {
"current": os.getenv("OPENAI_API_KEY"),
"previous": os.getenv("OPENAI_API_KEY_PREVIOUS"),
"created_at": datetime.now(),
"rotation_days": 30 # 30天轮换一次
},
"anthropic": {
"current": os.getenv("ANTHROPIC_API_KEY"),
"previous": None,
"created_at": datetime.now(),
"rotation_days": 30
}
}
def get_key(self, service):
"""获取当前可用的 Key"""
key_info = self.keys.get(service)
if not key_info:
raise ValueError(f"未配置服务 {service} 的 API Key")
# 检查是否需要轮换
if self.should_rotate(key_info):
self.rotate_key(service)
return key_info["current"]
def should_rotate(self, key_info):
"""检查是否需要轮换 Key"""
rotation_days = key_info.get("rotation_days", 30)
created_at = key_info.get("created_at", datetime.now())
age = datetime.now() - created_at
return age.days >= rotation_days
def rotate_key(self, service):
"""轮换 API Key"""
# 在实际应用中,这里会从密钥管理服务获取新 Key
print(f"轮换 {service} 的 API Key...")
key_info = self.keys[service]
key_info["previous"] = key_info["current"]
# 这里应该从安全的地方获取新 Key
# key_info["current"] = get_new_key_from_vault(service)
key_info["created_at"] = datetime.now()
# 记录历史
self.key_history.append({
"service": service,
"rotated_at": datetime.now(),
"old_key": key_info["previous"][:10] + "..." if key_info["previous"] else None
})
# 使用示例
key_manager = APIKeyManager()
openai_key = key_manager.get_key("openai")
print(f"OpenAI Key: {openai_key[:10]}...")
開発ツールのおすすめ
適切な開発ツールを選択することで、開発効率を大幅に向上させることができます。以下に、おすすめの開発ツールを紹介します。
1. コードエディタ/IDE
Visual Studio Code(推奨)
ダウンロード先:https://code.visualstudio.com/
おすすめの拡張機能:
- Python:Python言語サポート
- Pylance:高度なPython言語サーバー
- Jupyter:Jupyterノートブックのサポート
- GitLens:Git 拡張機能
- Prettier:コードフォーマット
- Code Spell Checker:スペルチェック
- Rainbow CSV:CSVファイルのハイライト
- Thunder Client:APIテストツール
VS Code 設定(.vscode/settings.json):
{
"python.defaultInterpreterPath": "${workspaceFolder}/venv/bin/python",
"python.terminal.activateEnvironment": true,
"python.linting.enabled": true,
"python.linting.pylintEnabled": false,
"python.linting.flake8Enabled": true,
"python.formatting.provider": "black",
"python.formatting.blackArgs": [
"--line-length",
"88"
],
"python.testing.pytestEnabled": true,
"[python]": {
"editor.formatOnSave": true,
"editor.codeActionsOnSave": {
"source.organizeImports": "always"
}
},
"files.exclude": {
"**/__pycache__": true,
"**/.pytest_cache": true,
"**/.venv": true,
"**/venv": true
}
}
PyCharm(プロフェッショナル版)
ダウンロード先:https://www.jetbrains.com/pycharm/
特徴:
- プロフェッショナルなPython IDE
- 強力なデバッグ機能
- データベースツール統合
- 科学計算サポート
2. バージョン管理:Git
Gitは不可欠なバージョン管理ツールです。
基本設定:
# 配置用户信息 git config --global user.name "你的姓名" git config --global user.email "你的邮箱" # 配置默认编辑器(可选) git config --global core.editor "code --wait" # 创建 Git 仓库 cd ai-agent-project git init # 添加所有文件 git add . # 提交 git commit -m "初始提交:AI Agent 项目" # 连接到远程仓库(如 GitHub) git remote add origin https://github.com/你的用户名/ai-agent-project.git git branch -M main git push -u origin main
3. デバッグツール
Pythonデバッガ(pdb)
# 在代码中插入断点
import pdb
def complex_function(x):
pdb.set_trace() # 这里会进入调试器
result = x * 2
return result
# 常用 pdb 命令:
# n(ext) - 执行下一行
# s(tep) - 进入函数
# c(ontinue) - 继续执行
# l(ist) - 显示代码
# p(rint) - 打印变量值
# q(uit) - 退出调试器
VS Code デバッグ設定
.vscode/launch.json:
{
"version": "0.2.0",
"configurations": [
{
"name": "Python: 当前文件",
"type": "python",
"request": "launch",
"program": "${file}",
"console": "integratedTerminal",
"justMyCode": true,
"envFile": "${workspaceFolder}/.env"
},
{
"name": "Python: 测试",
"type": "python",
"request": "launch",
"program": "${workspaceFolder}/tests",
"console": "integratedTerminal",
"justMyCode": true,
"envFile": "${workspaceFolder}/.env"
}
]
}
4. テストツール
pytest
# tests/test_agent.py
import pytest
from src.agents.base_agent import BaseAgent
def test_agent_initialization():
"""测试 Agent 初始化"""
agent = BaseAgent(name="测试Agent")
assert agent.name == "测试Agent"
assert agent.messages == []
def test_agent_add_message():
"""测试添加消息"""
agent = BaseAgent()
agent.add_message("user", "你好")
assert len(agent.messages) == 1
assert agent.messages[0]["role"] == "user"
assert agent.messages[0]["content"] == "你好"
テストを実行:
# 运行所有测试 pytest # 运行特定测试文件 pytest tests/test_agent.py # 运行特定测试函数 pytest tests/test_agent.py::test_agent_initialization # 显示详细输出 pytest -v # 显示覆盖率报告 pytest --cov=src
5. コード品質とフォーマット
black(コードフォーマット)
# 格式化所有 Python 文件 black . # 检查哪些文件需要格式化 black --check . # 格式化单个文件 black src/agents/base_agent.py
flake8(コードチェック)
# 检查代码质量 flake8 src/ # 忽略特定错误 flake8 --ignore=E501,W503 src/ # 显示错误统计 flake8 --statistics src/
pre-commit(Gitフック)
作成.pre-commit-config.yaml:
repos:
- repo: https://github.com/pre-commit/pre-commit-hooks
rev: v4.5.0
hooks:
- id: trailing-whitespace
- id: end-of-file-fixer
- id: check-yaml
- id: check-added-large-files
- repo: https://github.com/psf/black
rev: 23.12.1
hooks:
- id: black
- repo: https://github.com/pycqa/flake8
rev: 6.1.0
hooks:
- id: flake8
args: [--max-line-length=88]
pre-commitをインストール:
pip install pre-commit pre-commit install
6. ドキュメントツール
Jupyter Notebook
実験とドキュメント用:
# 启动 Jupyter jupyter notebook # 或使用 JupyterLab jupyter lab
MkDocs(ドキュメント生成)
作成docs/ディレクトリとmkdocs.yml:
site_name: AI Agent 项目文档 site_url: https://your-project.com nav: - 首页: index.md - API文档: api.md - 使用指南: guide.md theme: readthedocs
ドキュメントを生成:
# 安装 MkDocs pip install mkdocs mkdocs-material # 本地预览 mkdocs serve # 构建文档 mkdocs build
7. コンテナ化ツール(オプション)
Docker
Dockerfile:
FROM python:3.9-slim WORKDIR /app # 复制依赖文件 COPY requirements.txt . # 安装依赖 RUN pip install --no-cache-dir -r requirements.txt # 复制应用代码 COPY src/ ./src/ COPY .env.example .env # 设置环境变量 ENV PYTHONPATH=/app # 运行应用 CMD ["python", "src/main.py"]
docker-compose.yml:
version: '3.8'
services:
ai-agent:
build: .
ports:
- "8000:8000"
environment:
- OPENAI_API_KEY=${OPENAI_API_KEY}
volumes:
- ./data:/app/data
- ./logs:/app/logs
8. 監視とログ
loguru(ログライブラリ)
from loguru import logger
import sys
# 配置日志
logger.remove() # 移除默认处理器
logger.add(
sys.stderr,
format="<green>{time:YYYY-MM-DD HH:mm:ss}</green> | <level>{level: <8}</level> | <cyan>{name}</cyan>:<cyan>{function}</cyan>:<cyan>{line}</cyan> - <level>{message}</level>",
level="INFO"
)
logger.add(
"logs/app_{time}.log",
rotation="500 MB", # 每500MB轮转
retention="30 days", # 保留30天
compression="zip", # 压缩旧日志
level="DEBUG"
)
# 使用日志
logger.info("应用启动")
logger.debug(f"配置加载: {config}")
logger.error("API调用失败", exc_info=True) その他の拡張機能