完整示例集合¶
本文档提供一系列完整的、可运行的 Nexa 示例代码，覆盖从基础到企业级的各种应用场景。每个示例都包含完整代码、运行方式和预期输出。
📋 目录¶
基础示例¶
工具集成示例¶
多 Agent 协作示例¶
高级模式示例¶
企业级示例¶
基础示例¶
示例 1：Hello World¶
目的：演示最基本的 Nexa 程序结构。
完整代码：
// hello_world.nx
// 最简单的 Nexa 程序
agent Greeter {
role: "友好的问候助手",
model: "deepseek/deepseek-chat",
prompt: "你是一个热情的助手。用简洁友好的语言回应每一个问候。"
}
flow main {
result = Greeter.run("你好，Nexa！");
print(result);
}
运行方式：
nexa run hello_world.nx
预期输出：
你好！欢迎来到 Nexa 的世界！有什么我可以帮助你的吗？😊
代码解析：
| 行号 | 说明 |
|-----|------|
| 4-8 | 定义一个名为 Greeter 的 Agent，设置角色、模型和提示词 |
| 10 | flow main 是程序入口，类似于其他语言的 main 函数 |
| 11 | 调用 Agent 的 run() 方法，传入用户输入 |
| 12 | 打印结果 |
示例 2：简单对话机器人¶
目的：演示如何创建一个可以进行多轮对话的聊天机器人。
完整代码：
// chatbot.nx
// 简单对话机器人
agent ChatBot {
role: "智能聊天助手",
model: "deepseek/deepseek-chat",
prompt: """
你是一个友好、乐于助人的聊天机器人。
规则：
1. 保持回答简洁明了
2. 如果不确定，诚实地承认
3. 对于复杂问题，给出条理清晰的回答
""",
memory: "persistent" // 启用持久化记忆
}
flow main {
// 第一轮对话
response1 = ChatBot.run("你好！请介绍一下你自己。");
print("用户：你好！请介绍一下你自己。");
print("机器人：" + response1);
print("");
// 第二轮对话（Agent 会记住上下文）
response2 = ChatBot.run("我刚才问了你什么？");
print("用户：我刚才问了你什么？");
print("机器人：" + response2);
}
运行方式：
nexa run chatbot.nx
预期输出：
用户：你好！请介绍一下你自己。
机器人：你好！我是一个智能聊天助手，可以帮助你回答问题、提供建议和进行友好对话。有什么我可以帮你的吗？
用户：我刚才问了你什么？
机器人：你刚才让我介绍一下我自己。我已经回答了，我是一个智能聊天助手。
关键点：
- memory: "persistent" 使 Agent 能够记住对话历史
- 后续调用 run() 时，Agent 可以访问之前的对话上下文
示例 3：带记忆的聊天助手¶
目的：演示如何配置 Agent 的长期记忆功能。
完整代码：
// memory_assistant.nx
// 带长期记忆的助手
agent SmartAssistant {
role: "个人智能助手",
model: "deepseek/deepseek-chat",
prompt: "你是一个能记住用户偏好的智能助手。",
memory: "persistent",
experience: "assistant_memory.md", // 加载长期记忆
cache: true // 启用缓存提高响应速度
}
flow main {
// 首次交互，告诉助手用户偏好
SmartAssistant.run("我喜欢科幻小说，特别是刘慈欣的作品。");
// 后续交互，助手应该记住偏好
result = SmartAssistant.run("给我推荐一本书。");
print(result);
}
记忆文件示例 (assistant_memory.md)：
# 用户偏好记忆
## 阅读偏好
- 喜欢科幻小说
- 偏好作者：刘慈欣
## 其他偏好
- （助手会自动更新此文件）
工具集成示例¶
示例 4：文件处理助手¶
目的：演示如何使用标准库工具处理文件。
完整代码：
// file_assistant.nx
// 文件处理助手
agent FileAssistant uses std.fs, std.time {
role: "文件管理助手",
model: "deepseek/deepseek-chat",
prompt: """
你是一个文件管理助手。你可以：
- 读取文件内容
- 创建新文件
- 获取当前时间
根据用户需求，选择合适的工具完成任务。
"""
}
flow main {
task = """
请执行以下操作：
1. 获取当前时间
2. 创建一个名为 'note.txt' 的文件
3. 写入内容：当前时间和一条问候语
""";
result = FileAssistant.run(task);
print(result);
}
运行方式：
nexa run file_assistant.nx
预期输出：
已完成以下操作：
1. 当前时间：2024-01-15 10:30:00
2. 已创建文件 note.txt
3. 已写入内容："2024-01-15 10:30:00 - 你好，这是一个自动生成的便签！"
示例 5：网页内容抓取¶
目的：演示如何使用 HTTP 工具抓取网页内容。
完整代码：
// web_scraper.nx
// 网页内容抓取
agent WebScraper uses std.http, std.fs {
role: "网页抓取助手",
model: "deepseek/deepseek-chat",
prompt: """
你是一个网页内容抓取助手。
你的任务是：
1. 使用 http 工具获取网页内容
2. 提取关键信息（如标题、正文摘要）
3. 可选：保存到本地文件
"""
}
agent Summarizer {
role: "内容总结专家",
model: "deepseek/deepseek-chat",
prompt: "将抓取的网页内容总结为 3-5 个要点。"
}
flow main {
url = "https://example.com";
// 管道：抓取 -> 总结
summary = url >> WebScraper >> Summarizer;
print("网页摘要：");
print(summary);
}
预期输出：
网页摘要：
1. 这是示例网站的首页
2. 主要提供产品和服务介绍
3. 包含联系方式和关于我们页面
4. 网站设计简洁现代
示例 6：数据库查询助手¶
目的：演示如何创建能与数据库交互的 Agent。
完整代码：
// db_assistant.nx
// 数据库查询助手
// 自定义数据库工具
tool DatabaseQuery {
description: "执行 SQL 查询并返回结果",
parameters: {
"query": "string // SQL 查询语句"
}
}
agent DBAssistant uses DatabaseQuery {
role: "数据库助手",
model: "deepseek/deepseek-chat",
prompt: """
你是一个数据库查询助手。
根据用户的自然语言需求：
1. 理解用户意图
2. 生成合适的 SQL 查询
3. 使用 DatabaseQuery 工具执行
4. 用自然语言解释结果
注意：只执行 SELECT 查询，不要执行修改操作。
"""
}
flow main {
question = "显示最近 10 条订单记录";
result = DBAssistant.run(question);
print(result);
}
多 Agent 协作示例¶
示例 7：翻译流水线¶
目的：演示多个 Agent 串联处理数据。
完整代码：
// translation_pipeline.nx
// 英文 -> 中文翻译流水线
// 第一阶段：翻译
agent Translator {
role: "专业翻译",
model: "deepseek/deepseek-chat",
prompt: """
你是一位专业的英译中翻译。
要求：
- 准确传达原文含义
- 使用地道流畅的中文
- 保留原文的专业术语
"""
}
// 第二阶段：校对
agent Proofreader {
role: "校对编辑",
model: "deepseek/deepseek-chat",
prompt: """
你是一位资深的中文校对编辑。
检查并修正：
- 语法错误
- 表达不通顺的地方
- 标点符号使用
如果译文已经很好，直接返回原文。
"""
}
// 第三阶段：润色
agent Polisher {
role: "文字润色专家",
model: "deepseek/deepseek-chat",
prompt: """
你是一位文字润色专家。
提升：
- 文字的优美程度
- 阅读的流畅性
- 适当增加文学色彩
"""
}
flow main {
english_text = """
Artificial intelligence is not just a technology,
but a fundamental shift in how we interact with machines
and how machines interact with the world.
""";
// 三阶段流水线
final_translation = english_text >> Translator >> Proofreader >> Polisher;
print("原文：");
print(english_text);
print("\n译文：");
print(final_translation);
}
预期输出：
原文：
Artificial intelligence is not just a technology,
but a fundamental shift in how we interact with machines
and how machines interact with the world.
译文：
人工智能不仅是一项技术，更是我们与机器交互方式、以及机器与世界交互方式的一场根本性变革。
示例 8：代码审查团队¶
目的：演示专业分工的多 Agent 协作。
完整代码：
// code_review_team.nx
// 代码审查团队
// 定义输出协议
protocol CodeReviewReport {
code_quality: "string", // 代码质量评级 (A/B/C/D/F)
issues: "list[string]", // 发现的问题列表
suggestions: "list[string]", // 改进建议
overall_comment: "string" // 总体评价
}
// 代码质量审查员
agent QualityReviewer implements CodeReviewReport {
role: "代码质量审查员",
model: "deepseek/deepseek-chat",
prompt: """
审查代码质量，关注：
- 代码结构
- 命名规范
- 可读性
- 潜在 bug
"""
}
// 安全审查员
agent SecurityReviewer {
role: "安全审查员",
model: "deepseek/deepseek-chat",
prompt: """
审查代码安全性，关注：
- SQL 注入风险
- XSS 漏洞
- 敏感信息泄露
- 权限控制问题
"""
}
// 综合报告员
agent ReportCompiler {
role: "报告整合员",
model: "deepseek/deepseek-chat",
prompt: """
整合多位审查员的意见，生成综合报告。
格式清晰，重点突出。
"""
}
flow main {
code_to_review = """
def get_user(user_id):
query = f"SELECT * FROM users WHERE id = {user_id}"
return db.execute(query)
""";
// 并行审查后整合
final_report = code_to_review
|>> [QualityReviewer, SecurityReviewer]
&>> ReportCompiler;
print("=== 代码审查报告 ===");
print(final_report);
}
预期输出：
=== 代码审查报告 ===
【代码质量】评级：C
- 问题：缺少输入验证、没有异常处理
- 建议：添加参数类型检查
【安全问题】高危
- SQL 注入漏洞：直接拼接用户输入
- 建议：使用参数化查询
【改进建议】
1. 使用参数化查询防止 SQL 注入
2. 添加 try-except 异常处理
3. 添加类型注解提高可读性
示例 9：研究分析师团队¶
目的：演示 DAG 并行处理在研究分析中的应用。
完整代码：
// research_team.nx
// 研究分析师团队
// 行业研究员
agent TechResearcher {
role: "科技行业研究员",
model: "deepseek/deepseek-chat",
prompt: "分析科技行业的最新趋势和关键技术。"
}
agent FinanceResearcher {
role: "金融行业研究员",
model: "deepseek/deepseek-chat",
prompt: "分析金融行业的市场动态和投资机会。"
}
agent HealthcareResearcher {
role: "医疗健康研究员",
model: "deepseek/deepseek-chat",
prompt: "分析医疗健康行业的创新和监管动态。"
}
// 综合分析师
agent ChiefAnalyst {
role: "首席分析师",
model: "deepseek/deepseek-chat",
prompt: """
整合各行业研究员的分析报告，
找出跨行业的共同趋势和投资机会。
"""
}
// 报告撰写员
agent ReportWriter {
role: "报告撰写员",
model: "deepseek/deepseek-chat",
prompt: "将分析内容整理为专业的研究报告格式。"
}
flow main {
topic = "2024年投资机会分析";
// 并行研究 -> 整合 -> 撰写
final_report = topic
|>> [TechResearcher, FinanceResearcher, HealthcareResearcher]
&>> ChiefAnalyst
>> ReportWriter;
print("=== 研究报告 ===");
print(final_report);
}
流程图：
┌─────────────────┐
│ 输入主题 │
└────────┬────────┘
│
┌─────────────┼─────────────┐
│ │ │
▼ ▼ ▼
┌───────┐ ┌───────┐ ┌──────────┐
│ Tech │ │Finance│ │Healthcare│
│Research│ │Research│ │ Research │
└───┬───┘ └───┬───┘ └────┬─────┘
│ │ │
└─────────┬─┴────────────┘
│
▼
┌───────────┐
│ Chief │
│ Analyst │
└─────┬─────┘
│
▼
┌───────────┐
│ Report │
│ Writer │
└───────────┘
高级模式示例¶
示例 10：意图路由客服¶
目的：演示使用 match intent 实现智能客服路由。
完整代码：
// customer_service.nx
// 智能客服路由系统
// 意图分类后的专业 Agent
agent OrderBot {
role: "订单服务专员",
model: "deepseek/deepseek-chat",
prompt: "处理订单查询、修改、取消等请求。"
}
agent RefundBot {
role: "退款服务专员",
model: "deepseek/deepseek-chat",
prompt: "处理退款申请、进度查询等请求。"
}
agent ProductBot {
role: "产品咨询专员",
model: "deepseek/deepseek-chat",
prompt: "回答产品功能、规格、对比等咨询。"
}
agent TechBot {
role: "技术支持专员",
model: "deepseek/deepseek-chat",
prompt: "解决技术问题、故障排查、使用指导。"
}
agent GeneralBot {
role: "通用客服",
model: "deepseek/deepseek-chat",
prompt: "处理一般性问题和问候，无法处理时引导用户。"
}
flow main {
user_message = "我的订单 #12345 为什么还没发货？";
response = match user_message {
intent("订单查询或修改") => OrderBot.run(user_message),
intent("退款申请或查询") => RefundBot.run(user_message),
intent("产品咨询") => ProductBot.run(user_message),
intent("技术支持") => TechBot.run(user_message),
_ => GeneralBot.run(user_message)
};
print("客服回复：" + response);
}
测试用例： | 用户输入 | 路由到 | 说明 | |---------|-------|------| | "我的订单 #12345 为什么还没发货？" | OrderBot | 订单相关 | | "我要退款，商品有质量问题" | RefundBot | 退款相关 | | "这款手机支持 5G 吗？" | ProductBot | 产品咨询 | | "App 打不开怎么办？" | TechBot | 技术支持 | | "你好" | GeneralBot | 默认处理 |
示例 11：批评循环优化¶
目的：演示使用 loop until 实现 Agent 自我优化。
完整代码：
// critic_loop.nx
// 批评循环优化系统
agent Writer {
role: "内容创作者",
model: "deepseek/deepseek-chat",
prompt: """
你是一位专业的内容创作者。
根据反馈修改你的文章，每次修改都要：
1. 认真考虑反馈意见
2. 保持文章的整体风格
3. 逐步提升质量
"""
}
agent Critic {
role: "内容评论家",
model: "deepseek/deepseek-chat",
prompt: """
你是一位严格的评论家。
审查文章并提出具体的改进意见：
- 内容完整性
- 逻辑连贯性
- 语言表达
- 格式规范
如果文章已经足够好，回复"通过"。
"""
}
flow main {
topic = "写一篇关于人工智能未来发展的短文（200字以内）";
// 初始草稿
draft = Writer.run(topic);
loop {
// 获取批评意见
feedback = Critic.run(draft);
// 如果通过，退出循环
if ("通过" in feedback) {
break;
}
// 根据反馈修改
draft = Writer.run(f"根据以下反馈修改文章：\n{feedback}\n\n原文：\n{draft}");
} until ("文章质量优秀，评论家表示通过" or runtime.meta.loop_count >= 3);
print("=== 最终文章 ===");
print(draft);
if (runtime.meta.loop_count >= 3) {
print("\n（已达到最大修改次数）");
}
}
运行流程：
第1轮：Writer 产出初稿 -> Critic 指出问题
第2轮：Writer 修改 -> Critic 仍有意见
第3轮：Writer 再次修改 -> Critic 通过
输出最终文章
示例 12：DAG 并行处理¶
目的：演示 Nexa v0.9.7 引入的 DAG 操作符。
完整代码：
// dag_parallel.nx
// DAG 并行处理示例
// 分叉操作符 |>> 示例
agent TranslatorCN {
model: "deepseek/deepseek-chat",
prompt: "翻译成中文"
}
agent TranslatorEN {
model: "deepseek/deepseek-chat",
prompt: "翻译成英文"
}
agent TranslatorJP {
model: "deepseek/deepseek-chat",
prompt: "翻译成日语"
}
// 合流操作符 &>> 示例
agent Merger {
model: "deepseek/deepseek-chat",
prompt: "整合多个翻译版本，输出对照表"
}
// 条件分支操作符 ?? 示例
agent UrgentHandler {
model: "deepseek/deepseek-chat",
prompt: "紧急处理，快速响应"
}
agent NormalHandler {
model: "deepseek/deepseek-chat",
prompt: "标准处理，详细分析"
}
flow main {
input_text = "Hello, World!";
// 示例1：分叉 - 并行翻译成多种语言
print("=== 多语言翻译 ===");
translations = input_text |>> [TranslatorCN, TranslatorEN, TranslatorJP];
print(translations);
// 示例2：合流 - 整合多个结果
print("\n=== 翻译对照表 ===");
comparison = [TranslatorCN, TranslatorJP] &>> Merger;
print(comparison);
// 示例3：条件分支 - 根据内容选择处理方式
print("\n=== 智能路由 ===");
urgent_input = "URGENT: 系统崩溃！";
normal_input = "请帮我分析一下销售数据";
urgent_result = urgent_input ?? UrgentHandler : NormalHandler;
normal_result = normal_input ?? UrgentHandler : NormalHandler;
print("紧急处理结果：" + urgent_result);
print("标准处理结果：" + normal_result);
// 示例4：复杂 DAG 组合
print("\n=== 复杂 DAG ===");
complex_result = input_text
|>> [TranslatorCN, TranslatorJP]
&>> Merger;
print(complex_result);
}
操作符说明：
| 操作符 | 名称 | 作用 | 示例 |
|---|---|---|---|
>> |
管道 | 顺序传递 | A >> B |
|>> |
分叉 | 并行发送 | input |>> [A, B, C] |
&>> |
合流 | 合并结果 | [A, B] &>> C |
?? |
条件分支 | 条件路由 | input ?? A : B |
|| |
异步分叉 | 不等待结果 | input || [A, B] |
&& |
共识合流 | 需要一致 | [A, B] && Judge |
示例 13：条件分支处理¶
目的：演示 semantic_if 语义条件判断。
完整代码：
// semantic_condition.nx
// 语义条件判断示例
agent DataAnalyzer {
model: "deepseek/deepseek-chat",
prompt: "分析用户输入的数据类型和内容"
}
agent JSONProcessor {
model: "deepseek/deepseek-chat",
prompt: "处理 JSON 格式的数据"
}
agent TextProcessor {
model: "deepseek/deepseek-chat",
prompt: "处理普通文本数据"
}
flow main {
user_input = '{"name": "张三", "age": 25, "city": "北京"}';
// 语义条件判断 - 判断是否为 JSON
semantic_if "输入内容是有效的 JSON 格式" fast_match r"^\s*[\[{]" against user_input {
result = JSONProcessor.run(user_input);
print("作为 JSON 处理：" + result);
} else {
result = TextProcessor.run(user_input);
print("作为文本处理：" + result);
}
// 另一个示例：日期检测
date_input = "会议定于 2024-03-15 举行";
semantic_if "包含具体日期" fast_match r"\d{4}-\d{2}-\d{2}" against date_input {
print("检测到日期信息，可以创建日程");
} else {
print("未检测到日期信息");
}
}
fast_match 说明：
fast_match 是一个正则表达式预过滤器，可以在调用 LLM 之前快速判断：
- 如果正则匹配成功，直接进入分支（节省 Token）
- 如果正则不匹配，仍会调用 LLM 进行语义判断
企业级示例¶
示例 14：研报生成系统¶
目的：演示完整的企业级研报生成流程。
完整代码：
// research_report.nx
// 企业研报生成系统
// 输出协议
protocol ResearchReport {
title: "string",
executive_summary: "string",
key_findings: "list[string]",
recommendations: "list[string]",
risk_analysis: "string",
conclusion: "string"
}
// 数据收集员
agent DataCollector uses std.http, std.fs {
role: "数据收集员",
model: "deepseek/deepseek-chat",
prompt: "收集指定主题的相关数据和信息",
cache: true
}
// 数据分析师
agent DataAnalyst {
role: "数据分析师",
model: "deepseek/deepseek-chat",
prompt: "分析数据，提取关键洞察和趋势"
}
// 行业研究员
agent IndustryResearcher {
role: "行业研究员",
model: "deepseek/deepseek-chat",
prompt: "研究行业背景、竞争格局和发展趋势"
}
// 报告撰写员
agent ReportWriter implements ResearchReport {
role: "报告撰写员",
model: "deepseek/deepseek-chat",
prompt: """
撰写专业的研究报告，包含：
- 标题
- 执行摘要
- 关键发现
- 建议
- 风险分析
- 结论
"""
}
// 质量审核员
agent QualityReviewer {
role: "质量审核员",
model: "deepseek/deepseek-chat",
prompt: "审核报告质量，确保专业性和完整性"
}
flow main {
topic = "中国新能源汽车市场 2024 年度分析";
// 并行收集和分析
research_data = topic |>> [DataCollector, IndustryResearcher];
// 分析数据
analysis = research_data &>> DataAnalyst;
// 撰写报告
draft_report = analysis >> ReportWriter;
// 质量审核（循环优化）
loop {
review = QualityReviewer.run(draft_report);
} until ("报告质量合格" or runtime.meta.loop_count >= 2);
print("=== 研究报告 ===");
print(draft_report);
}
示例 15：智能客服系统¶
目的：演示完整的智能客服系统。
完整代码：
// smart_customer_service.nx
// 智能客服系统
// 用户信息协议
protocol UserInfo {
user_id: "string",
name: "string",
membership_level: "string",
recent_orders: "list[string]"
}
// 意图识别
agent IntentClassifier {
role: "意图识别器",
model: "deepseek/deepseek-chat", // 使用快速模型
prompt: "识别用户意图，返回意图类型"
}
// 订单查询
agent OrderQuery uses std.fs {
role: "订单查询专员",
model: "deepseek/deepseek-chat",
prompt: "查询订单状态和物流信息"
}
// 售后服务
agent AfterSalesService {
role: "售后服务专员",
model: "deepseek/deepseek-chat",
prompt: "处理退换货、维修等售后问题"
}
// 投诉处理
agent ComplaintHandler uses std.ask_human {
role: "投诉处理专员",
model: "deepseek/deepseek-chat",
prompt: "处理客户投诉，必要时请示人工"
}
// 知识库问答
agent KnowledgeBaseQA {
role: "知识库问答",
model: "deepseek/deepseek-chat",
prompt: "基于知识库回答产品相关问题",
experience: "product_knowledge.md"
}
// 人工转接判断
agent HumanHandoff {
role: "人工转接判断",
model: "deepseek/deepseek-chat",
prompt: "判断是否需要转接人工客服"
}
flow main {
user_message = "我上周买的手机有问题，想退货";
// 1. 意图识别
intent = IntentClassifier.run(user_message);
// 2. 路由到对应专员
response = match intent {
intent("订单查询") => OrderQuery.run(user_message),
intent("售后服务") => AfterSalesService.run(user_message),
intent("投诉建议") => ComplaintHandler.run(user_message),
intent("产品咨询") => KnowledgeBaseQA.run(user_message),
_ => KnowledgeBaseQA.run(user_message)
};
// 3. 判断是否需要人工介入
need_human = HumanHandoff.run(response);
if ("需要人工" in need_human) {
std.ask_human.call("复杂问题，请人工介入：" + user_message);
}
print("客服回复：" + response);
}
示例 16：代码生成与测试¶
目的：演示代码生成、测试、修复的完整流程。
完整代码：
// code_gen_test.nx
// 代码生成与自动测试
// 输出协议
protocol GeneratedCode {
code: "string",
language: "string",
description: "string",
test_cases: "list[string]"
}
// 代码生成器
agent CodeGenerator implements GeneratedCode {
role: "代码生成专家",
model: "deepseek/deepseek-chat",
prompt: """
生成高质量代码，要求：
- 代码清晰、有注释
- 遵循最佳实践
- 包含边界处理
"""
}
// 测试生成器
agent TestGenerator {
role: "测试工程师",
model: "deepseek/deepseek-chat",
prompt: "为代码生成单元测试"
}
// 代码审查员
agent CodeReviewer {
role: "代码审查员",
model: "deepseek/deepseek-chat",
prompt: "审查代码质量，发现问题"
}
// 修复工程师
agent BugFixer {
role: "Bug修复工程师",
model: "deepseek/deepseek-chat",
prompt: "根据审查意见修复代码问题"
}
flow main {
requirement = "实现一个 Python 函数，计算斐波那契数列的第 n 项";
// 1. 生成代码
initial_code = CodeGenerator.run(requirement);
print("=== 初始代码 ===");
print(initial_code.code);
// 2. 生成测试
tests = TestGenerator.run(initial_code.code);
print("\n=== 测试用例 ===");
print(tests);
// 3. 审查与修复循环
loop {
review = CodeReviewer.run(initial_code.code);
if ("通过" in review or "无问题" in review) {
break;
}
initial_code = BugFixer.run(f"问题：{review}\n代码：{initial_code.code}");
} until ("代码通过审查" or runtime.meta.loop_count >= 3);
print("\n=== 最终代码 ===");
print(initial_code.code);
}
示例运行检查清单¶
在运行这些示例之前，请确保：
- [ ] 已正确安装 Nexa
- [ ] 已配置
secrets.nxs文件，包含所需 API 密钥 - [ ] 网络连接正常（需要访问 LLM API）
- [ ] 对于使用文件系统的示例，确保有相应权限
贡献示例¶
如果你有好的 Nexa 示例想要分享，欢迎：
- 在文档底部留言讨论
- 提交 Pull Request 到 Nexa 仓库
- 在社区分享你的使用经验
💡 更多示例持续更新中，敬请关注！
快来问问agent吧！
Nexa Agent
Nexa 文档助手
我是Nexa文档AI助手，可以问我有关文档的一切！