文档中心

AgentKit

进阶入门：开发并部署 Agent

使用 AgentKit CLI 开发并部署 Agent

本文介绍如何通过 AgentKit CLI，基于 CLI 预置模板快速创建、验证 Agent，并将其部署为 AgentKit 云端智能体运行时（Agent Runtime），以及如何对智能体运行时镜像观测、评测的完整流程。

背景介绍

AgentKit CLI 是面向开发者的命令行工具，用于简化 Agent 应用的全生命周期管理，覆盖初始化、配置、构建与部署等关键环节。它通过统一的命令入口与标准化流程，解决 Agent 交付过程中常见的工程化问题，例如：项目启动方式不一致、配置分散难以复用、环境切换成本高、构建部署步骤繁琐且容易出错等，让开发者可以将更多精力投入到 Agent 能力与效果本身。

AgentKit CLI 的核心优势在于：

采用声明式配置理念，将核心配置集中在 agentkit.yaml 文件中管理，配置更清晰、可移植且便于版本控制。

支持本地开发、混合部署与纯云端部署等多种模式，适配不同阶段的研发与交付诉求。

预置 Agent 模板（例如 Basic Agent App、Basic Stream Agent App），帮助开发者快速生成可运行工程。

提供 agentkit config、agentkit launch 等高阶命令，降低 Agent 配置、发布门槛，提升交付稳定性。

构建和部署 Agent 工作流

前提条件

条件	要求
注册账号	已完成账号注册和实名认证。
开通服务	已开通 AgentKit 服务。若未开通，请登录 AgentKit 控制台，根据系统引导开通产品。说明首次登录 AgentKit 服务控制台，平台将默认勾选使用 AgentKit 基础功能的必备依赖产品（包含函数服务、API 网关、镜像仓库等），您也可以根据实际业务需求，勾选所需的其他产品，然后单击“批量开通并授权”按钮确认“AgentKit 依赖服务开通及跨服务授权”，允许 AgentKit 服务使用已选择的产品。
		已开通镜像仓库服务。
		已开通方舟模型服务。

步骤一：配置环境

登录您需要安装 AgentKit CLI 的终端。

执行如下命令，确认其 Python 版本不低于 3.12。

python3 --version

执行如下命令，下载并安装 AgentKit CLI。

注意

本文以 0.54.0 版本 AgentKit CLI 为例，不同版本的参数可能存在差异，请以实际版本为准。

使用 curl 工具
使用 wget 工具

curl -fsSL https://agentkit-cli.tos-cn-beijing.volces.com/install.sh | sh

执行如下命令，检测是否安装成功。

agentkit --version

若回显类似如下信息，则表示安装成功。

配置访问凭据。

火山引擎账号登录授权
AK/SK 环境变量授权
通过浏览器登录火山引擎控制台完成一键授权，AgentKit CLI 会自动获取一份短期凭据用于后续调用，无需将访问密钥保存到本地，可有效降低泄漏风险。适合开发者本地开发、临时操作及多人协作场景。
执行如下命令，唤起本地浏览器进行授权操作。

agentkit login --console --provider volcengine

请在 AgentKit 唤起的火山引擎登录页面中，使用目标账号完成登录操作。

登录成功后，浏览器页面会跳转到登录成功页，终端也会同步输出登录成功的提示。
浏览器

终端
将火山引擎 API 访问密钥（Access Key ID 与 Secret Access Key，简称 AK/SK）配置到环境变量中，AgentKit CLI 从环境变量读取并直接调用云资源，无需通过浏览器进行交互。适合 CI/CD 流水线、自动化脚本、长期无人值守服务等需要非交互式认证的场景。
创建并获取用于调用火山引擎云资源的 API 访问密钥（Access Key ID 与 Secret Access Key）。了解更多
在您本地终端中执行如下命令，设置环境变量。
注意
由于 AK/SK 属于高敏感凭据，直接写入.env等静态配置文件存在泄露风险，在本地开发环境中配置火山引擎 AK/SK 时，推荐通过终端会话级环境变量导出的方式管理。

export VOLCENGINE_ACCESS_KEY=<your_access_key>
export VOLCENGINE_SECRET_KEY=<your_secret_key>

步骤二：创建 Agent

初始化 Agent。

执行如下命令，查看 Agentkit CLI 预置模板。

agentkit init --list-templates

模板 ID	模板 Key	模板名称	类型	语言	说明	图示
1	basic	Basic Agent App	基础应用	Python	最简单的聊天机器人，零基础入门首选。
2	basic_stream	Basic Stream Agent App	流式基础应用	Python	适用于需要流式输出的交互场景，可以作为具有打字机效果的聊天机器人。
3	a2a	A2A Agent App	A2A 协议应用	Python	适用于多 Agent 协作场景，支持多 Agent 编排，例如互相协作的 AI 员工。
4	eino_a2a	Eino A2A Agent App	A2A 协议应用	Golang	Go 语言版高性能 AI 员工，适用于生产级部署场景。
5	agent_server	Agent Server App	Agent Web 服务应用	Python	基于 ADK Web Server 的 Agent 应用。适合需要提供 HTTP API 接口、Web 服务部署、与前端/其他系统集成的场景。
6	langchain_basic_stream	Langchain Basic Stream Agent App	LangChain 流式 Agent 应用	Python	基于 LangChain 的流式输出应用。适合熟悉 LangChain 生态、需要使用 LangChain 工具链/链/记忆等组件的开发场景。
7	basic_go	Basic Go Agent App	Go 基础 Agent 应用	Golang	基于 VeADK-Go 框架的基础应用。适合 Go 技术栈、高性能并发需求、后端服务开发场景。
8	a2a_go	A2A Go Agent App	Go A2A 智能体应用	Golang	基于 VeADK-Go 框架的 A2A 应用。适合 Go 技术栈下的多智能体协作、高性能 Agent 间通信场景。

执行如下命令，开启初始化 Agent 流程。

说明

本实践使用 AgentKit CLI 预置的 a2a 模板初始化 Agent，并将 Agent 名称、项目根目录命名为 it-support-agent。

agentkit init it-support-agent \
--template a2a \
--directory it-support-agent

参数说明

参数	说明
[project_name]	Agent 项目名称，本实践以 it-support-agent 为例。
--template	指定用于初始化 Agent 的 CLI 预置模板 ID、Key 或名称。本实践以 a2a 模板为例。
--directory	指定用于存放 Agent 项目的目录路径，若不存在 AgentKit CLI 会自动创建该目录。本实践以 it-support-agent 目录为例。

初始化完成后，您可以在项目根目录中查看项目文件信息。

说明

请将 it-support-agent 替换为实际 Agent 项目根目录路径。

cd it-support-agent

执行如下命令，查看项目文件。

find . -maxdepth 3 -type f | sort

Agentkit CLI 将生成如下文件：

.dockerignore：用于记录构建 Docker 时需要忽略的文件或目录路径。Docker 构建时， COPY . . 命令会忽略记录在本文件中的文件及目录，减小镜像体积并避免敏感信息泄露。

agentkit.yaml ：AgentKit 项目的配置文件，定义了项目元信息、运行时环境变量、云部署参数等。

requirements.txt：用于声明 Agent 所需的 Python 包依赖。Docker 构建时，将通过 RUN uv pip install -r requirements.txt 将其安装到容器镜像中。

it-support-agent.py ：Agent 应用入口文件，定义了 Agent 的行为包括接收用户请求、与模型对话、返回流式响应等。

注意

使用本地已有 Agent 时，AgentKit CLI 将在您原有的 Agent 应用入口文件名称前添加 agentkit- 前缀，例如：本地 Agent 原入口文件名为 local_agent.py，初始化后将更名为 agentkit-local_agent.py。

按需修改 Agent 应用入口文件，调整 Agent 的行为。

在项目根目录中，执行如下命令，打开 Agent 代码文件。

vim it-support-agent.py

按 i 键进入编辑模式，如下内容替换模板默认的 Agent 信息。

说明

为方便您进行验证 Agent 是否被正确调用，本实践 Agent 配置使用固定数据，正式发布前，您可以将 Agent 实现替换为企业知识库、工单系统或内部 API。

import logging

from veadk import Agent, Runner
from veadk.a2a.agent_card import get_agent_card
from veadk.prompts.agent_default_prompt import DEFAULT_DESCRIPTION, DEFAULT_INSTRUCTION
from google.adk.a2a.executor.a2a_agent_executor import A2aAgentExecutor
from agentkit.apps import AgentkitA2aApp

logger = logging.getLogger(__name__)

a2a_app = AgentkitA2aApp()

def query_it_policy(topic: str) -> dict[str, str]:
"""Query the internal IT service policy for a topic."""
policies = {
"vpn": "Open the company VPN client, sign in with SSO, and complete MFA verification.",
"password": "Open the account portal and select Reset password. Complete identity verification before setting a new password.",
"software": "Submit a software installation request in the IT service portal and wait for approval.",
}
normalized_topic = topic.lower().strip()

if "vpn" in normalized_topic:
key = "vpn"
elif any(keyword in normalized_topic for keyword in ("password", "passwd", "reset", "account", "credential")):
key = "password"
elif any(keyword in normalized_topic for keyword in ("software", "install", "installation", "app", "application", "program")):
key = "software"
else:
return {
"result": "No matching policy was found. Contact the IT service desk for assistance."
}

return {"result": policies[key]}

agent_name = "it_support_agent"
description = "An enterprise IT service assistant."
system_prompt = (
"You are an enterprise IT service assistant. "
"Use query_it_policy when the user asks about VPN, passwords, or software installation. "
"Do not invent policies that are not returned by the tool."
)

tools = [query_it_policy]

agent = Agent(
name=agent_name,
description=description,
instruction=system_prompt,
tools=tools,
)
runner = Runner(agent=agent)

@a2a_app.agent_executor(runner=runner)
class MyAgentExecutor(A2aAgentExecutor):
pass

@a2a_app.ping
def ping() -> str:
return "pong!"

if __name__ == "__main__":
from a2a.types import AgentCard, AgentProvider, AgentSkill, AgentCapabilities

agent_card = AgentCard(
capabilities=AgentCapabilities(streaming=True),
description=agent.description,
name=agent.name,
default_input_modes=["text"],
default_output_modes=["text"],
provider=AgentProvider(organization="veadk", url=""),
skills=[AgentSkill(id="0", name="chat", description="Chat", tags=["chat"])],
url="http://0.0.0.0:8000",
version="1.0.0",
)

a2a_app.run(
agent_card=agent_card,
host="0.0.0.0",
port=8000,
)

按 esc 键退出编辑模式，输入 :wq 按回车键，保存并退出文件。

步骤三：在本地验证 Agent

执行如下命令，进入项目根目录并修改 Agent 依赖文件配置。

说明

请将 it-support-agent 替换为实际 Agent 项目根目录路径。

cd it-support-agent
printf '%s\n' 'veadk-python[extensions]' > requirements.txt

执行如下命令，创建并激活虚拟环境。本文以创建并激活一个基于 Python 3.12 版本且名称为 .venv 的虚拟环境为例。

python3 -m venv .venv
source .venv/bin/activate

环境激活后，您可以看到您的命令行开头会有括号标注的虚拟环境名称。

执行如下命令，在已激活的虚拟环境中安装 Agent 依赖。

python -m pip install -r requirements.txt

（可选）若您的 Agent 使用了沙箱模板、知识库、记忆库及 MCP 等组件，请在 .env 文件中配置对应的环境变量。本实践未使用相关组件。

说明

若您需要将 Agent 代码提交至 Git，请在 .gitignore 文件中加入 .env 文件路径，避免将本地环境变量文件提交到代码仓库。

执行如下命令，创建并打开环境变量文件。

vim .env

按 i 键进入编辑模式，填写 Agent 需配置的环境变量，例如沙箱模板 ID 及地域。

AGENTKIT_TOOL_ID=t-xxx
AGENTKIT_TOOL_REGION=xxx

按 esc 键退出编辑模式，输入 :wq 按回车键，保存并退出文件。

执行如下命令，验证 Agent 中的工具是否可以正常加载。

python -c 'from runpy import run_path; print(run_path("it-support-agent.py")["query_it_policy"]("vpn"))'

若回显如下所示，表示可以正常加载工具。

验证本地服务是否可以正常运行。

执行如下命令，在本地启动 Agent 服务。

python it-support-agent.py

打开新的本地终端页面，在其中执行如下命令，验证本地服务是否成功启动。

curl http://127.0.0.1:8000/ping

若回显信息包含 pong ，表示本地服务可以正常运行。

完成验证后，回到启动 Agnet 本地服务的终端，通过 CTRL + C 组合键停止本地服务。

步骤四：配置部署参数

（可选）AgentKit CLI 预置模板已配置火山方舟大模型提供推理服务，如需使用其它模型请先获取目标模型信息。

本文以火山引擎方舟大模型 Doubao-Seed-2.1-pro 为例，第三方平台模型请自行获取模型名称、模型 API Key 和模型接入点 URL。

登录火山方舟模型服务控制台。

搜索 Doubao-Seed-2.1-pro 并完成开通后，点击模型名称进入详情页。

查看模型使用说明，记录模型的接入点 URL 和模型名称。

说明

模型接入点 URL 保留到版本后即可，例如 https://ark.cn-beijing.volces.com/api/v3。

单击页面右上角“API 接入”按钮，创建 API Key 并记录。

在项目根目录中执行如下命令，使用交互式配置向导设置部署参数。

agentkit config

配置向导会引导您完成以下设置，按Enter键表示使用默认配置：

参数	说明
Basic Configuration 配置 Agent 名称、代码入口、开发语言和部署模式等基础信息，本模块配置对所有部署模式均有效。
Agent application name	Agent 名称。说明该名称也将作为云端部署时，生成的 Docker 镜像名、智能体运行时名称前缀和默认 CR 仓库名。
Agent application entry file	Agent 应用入口文件。
Agent application Language	用的开发语言，默认为 Python。支持： 1：Python 2：Golang
Application description	Agent 描述，部署后将作为对应智能体运行时的描述信息，便于团队成员理解项目用途。
Agent application Language	Agent 应用的开发语言，默认为 Python。支持： 1：Python 2：Golang
Agent application Language version	Agent 应用开发语言版本。 Python 版本默认为 3.12。 Golang 版本默认为 1.24。
Agent application Dependencies file	记录 Agent 应用相关依赖信息的文件，默认为requirements.txt。
Application-level runtime environment variables	配置智能体运行时可读取的通用环境变量，请以 Key=Value 格式进行配置，多个环境变量可重复使用本参数进行配置。支持： MODEL_AGENT_NAME=模型名称：配置为 Agent 提供推理服务的模型名称，默认为火山方舟的doubao-seed-2-1-pro-260628模型。 MODEL_ENDPOINT=模型接入点 URL：配置调用模型服务的 URL，默认为火山方舟 Endpoint https://ark.cn-beijing.volces.com/api/v3 。 MODEL_AGENT_API_KEY=模型 API Key：配置调用模型服务的 API Key，默认通过您配置的火山引擎云资源的 API 访问密钥（Access Key ID 与 Secret Access Key）获取火山方舟模型调用权限。 DEBUG=调试模式开关：是否开启调试模式开关，支持： true：开启。开启后 Agent 会输出更详细的调试信息，便于开发和问题排查。 false：不开启。 LOG_LEVEL=日志级别：控制 Agent 运行时输出的日志详细程度。支持： debug：输出所有调试信息，包括模型调用细节、工具执行过程、中间状态等，适用于开发调试、问题排查。 info：默认值，输出正常运行日志，如请求开始/结束、关键状态变更，适用于日常使用、一般监控。 warning：只输出警告和错误信息，适用于关注潜在风险场景。 error：只输出错误日志，适用于只关注失败场景。
Deployment and runtime mode	Agent 应用的部署与运行模式。支持： local：默认值，在您的本地机器上完成 Agent 构建和部署，非常适合快速开发和调试场景。 cloud：将代码的构建和部署完全托管在 AgentKit 上，无需本地 Docker 环境，内置可观测性，环境一致性高，安全可靠，适用于将 Agent 发布至生产环境场景。本实践选择该部署模式。 hybrid：在本地构建镜像，然后将其推送到云端 AgentKit 进行部署，兼顾本地构建的灵活性和云端运行环境的稳定性，适合需要自定义构建流程的场景。
Cloud Build and Deployment Configuration 配置云端部署所需的云资源信息，本模块配置仅对 cloud 部署模式有效。
Cloud service region	指定本地代码（Agent）部署地域 ID，部署过程中使用的云资源均会创建在该地域下。支持： cn-beijing：华北2（北京） cn-shanghai：华东2（上海）
Container Registry instance name	指定保存云端构建镜像的镜像仓库（Container Registry，CR）配置，包括实例名称（instance name）、命名空间（namespace）和仓库名（repository name），默认由 AgentKit CLI 自动生成。说明镜像仓库（Container Registry，CR）用于保存云端部署 Agent 过程中构建产生的容器镜像，为您提供安全高可用的容器镜像托管服务。了解更多
Container Registry namespace
Container Registry repository name
Volcano Engine project for the Runtime	部署后的智能体运行时所属项目，默认为 default。说明项目是一组资源的集合，您可以将本次创建的智能体运行时添加至项目中并按项目维度统一管理，有利于保持资源独立，维护数据安全。了解更多
Runtime authentication type	配置访问智能体运行时托管资源的鉴权方式。支持： key_auth：自动为智能体运行时创建和绑定 API Key，智能体运行时创建成功后，可在智能体运行时详情页查看。本实践选择该鉴权方式。 custom_jwt：使用 OAuth 授权模式完成访问令牌申请和 API 调用，提升安全性，同时简化配置。

配置完成后，会将以上内容写入 agentkit.yaml 配置文件。您也可以执行cat agentkit.yaml命令进入配置文件，查看 Agent 源数据信息。

步骤五：部署 Agent

在项目根目录中执行如下命令，将应用构建并部署到 AgentKit 智能体运行时。

agentkit launch

说明

首次部署耗时较长，请耐心等待。

当回显智能体运行时状态为 Ready 时，则表示创建成功，您可以在此获取智能体运行时名称、ID 及本次部署使用的相关云资源信息。

步骤六：在线测试 Agent

创建成功后，您可以通过控制台“在线测试”或通过invoke命令验证 Agent 能否正常工作。

在线调试

使用 CLI 命令调试

在左侧导航树中，选择“基础组件 > 智能体运行时”。

单击目标 Agent 右侧“操作”列的“在线测试”按钮。

在对话框中发送测试文案（例如：如何配置VPN），并验证返回内容符合预期。

相关操作

查看智能体运行时运行状态

执行如下命令，进入目标 Agent 根目录。

说明

请将 it-support-agent 替换为实际 Agent 项目根目录路径。

cd it-support-agent

执行如下命令，查看当前 Agent 对应的智能体运行时 ID、名称、状态及 Endpoint 等信息。

agentkit status

回显如下，表示智能体运行时运行正常。

观测 Agent 数据

观测用于查看 Agent 在真实调用过程中的运行表现，帮助您发现链路异常、模型调用异常、日志报错或性能瓶颈。

开启观测服务。

单击目标智能体运行时名称，选择“配置信息”页签。

单击“观测服务”的编辑图标。

勾选“启用”后，单击“确定”按钮启用观测服务功能。

发布智能体运行时，使配置生效。

单击“发布”按钮，

确认变更信息后，单击“确定”按钮。

执行如下命令，查看最近的运行日志。

说明

请将 it-support-agent 替换为实际智能体运行时名称。

agentkit runtime logs it-support-agent --limit 100

日志信息会包含请求开始、模型调用、工具执行和请求结束等信息。若存在调用失败的对话，建议您优先检查首个错误及其请求 ID 信息。

通过观测服务查看模型调用和工具执行记录。

在左侧导航树中，选择“可观测 > 应用观测”。

通过智能体运行时名称进行查找，单击其右侧“操作”列的“监控详情”按钮。

您可以通过在日志中获取的会话 ID、Trace ID 等信息，检索调用链，查看对应请求的模型调用和工具执行记录，确认整体链路符合预期。了解更多

评测 Agent 表现

评测用于通过标准化实验衡量 Agent 在效果、性能和成本三个维度的表现，帮助您判断当前版本是否满足预期，并为后续优化迭代及上线提供依据。

评测机制通常由三部分组成：评测集、评估器和实验。其中，评测集用于提供标准化输入与参考答案；评估器可以基于 LLM 或 Code 按既定规则打分；实验则负责组合执行、聚合结果指标，并支持多实验之间的对比分析。了解更多

更新和回滚 Agent

更新 Agent

回滚 Agent

当您在本地修改了 Agent 入口文件（例如本实践对应的 it-support-agent.py ）中的提示词、工具或业务逻辑并完成本地验证后，可同步更新该 Agent 对应的 AgentKit 智能体运行时。

执行如下命令，进入 Agent 项目根目录。

说明

请将 it-support-agent 替换为实际 Agent 项目根目录路径。

cd it-support-agent

执行如下命令，部署新版本。

agentkit launch

后续，您可以通过在线测试与观测等功能确认新版本的返回结果是否符合预期。

清理资源

当您完成验证或不再使用已创建的 AgentKit 智能体运行时及相关资源，可删除相关资源。

删除智能体运行时。

执行如下命令，删除智能体运行时。

注意

智能体运行时实例及相关资源删除后无法恢复，请谨慎操作。

删除命令仅会删除您部署至 AgentKit 的智能体运行时，不会影响您本地的 Agent 项目文件。

请将 it-support-agent 替换为实际智能体运行时名称。

agentkit runtime delete it-support-agent

确认智能体运行时名称及其所属地域，按方向键选择 yes并回车确认。

执行如下命令，确认已成功删除目标智能体运行时。

agentkit runtime list

清理关联云资源。

执行如下命令，进入目标 Agent 根目录。

说明

请将 it-support-agent 替换为实际 Agent 项目根目录路径。

cd it-support-agent

执行如下命令，查看目标 Agent 部署时关联的云资源信息。

agentkit config --show

在回显信息的 cloud Mode Configuration 模块中，您可以获取部署关联的云资源信息。

资源名称	说明	图示
region	云资源所属地域。
tos_bucket	对象存储桶名称，默认命名规则为 agentkit-platform-{{account_id}}。说明 {{account_id}} 是账号 ID 占位符，请使用 AK/SK 归属火山引擎账号 ID 进行替换。
cr_instance_name	保存构建镜像的镜像仓库实例，默认命名规则为 agentkit-platform-{{account_id}}。
cr_namespace_name	镜像仓库实例下的命名空间。
cr_repo_name	具体的镜像仓库名称，用于保存当前 Agent 的镜像及不同版本。
cp_workspace_name	持续交付流水线归属工作空间名称。说明持续交付（Code Pipeline，CP）是 AgentKit 云端部署链路中的托管式持续集成（CI）构建服务，负责在标准化云端环境中将上传的 Agent 代码包自动构建为容器镜像并推送至镜像仓库。了解更多
cp_pipeline_name	持续交付流水线名称。
cp_pipeline_id	持续交付流水线 ID。

按需删除不再使用的云资源。

删除对象存储（TOS）相关资源
删除镜像仓库（CR）相关资源
删除持续部署（CP）相关资源
登录对象存储桶列表控制台。
使用您在上一步获得的桶名称查找目标桶。

单击桶名称进入详情页，清空桶内存放的所有文件。
回到桶列表页面，单击目标桶“操作”列的“删除”按钮。

确认信息后，单击“删除”按钮完成操作。
登录镜像仓库控制台。
在顶部导航栏选择目标仓库实例所在地域。
使用您在上一步获得的镜像仓库实例名称查找目标实例。

若您不再使用该镜像仓库实例及其中的所有数据，可一键彻底销毁仓库实例及其中的资源。了解更多
说明
若您希望保留仓库实例，可单击“进入实例”按钮，按需删除其中命名空间、OCI 制品等资源。了解更多
单击目标实例卡片“... > 彻底销毁”按钮。

确认仓库实例信息，并输入仓库实例名称，单击“彻底销毁”按钮完成操作。
登录持续部署控制台。
在顶部导航栏选择目标工作区所在地域。
使用您在上一步获得的持续部署工作区名称查找目标工作区。

若您不再使用该工作区及其中的所有流水线等配置，可一键删除工作区及其中的资源。了解更多
说明
若您希望保留工作区，可单击工作区名称，按需删除其中的流水线资源。了解更多
单击目标工作区“操作”列的“... > 删除”按钮。

确认工作区信息，输入工作区名称并勾选“同步删除工作区关联所有应用的部署集群内相关资源”，单击“删除”按钮完成操作。

后续操作

Agent 上线后，您还可以在控制台中随时更新其实例规格、自定义镜像、模型、环境变量等配置。了解更多

注意

更新智能体运行时配置后，需重新发布使新配置生效。了解更多

最近更新时间：2026.09.17 19:12:06

这个页面对您有帮助吗？

有用

无用

参数	说明
--runtime-id	待验证的智能体运行时 ID。
[message]	要发送的用户消息。