diff --git a/AGENTS.md b/AGENTS.md index a3c228bc..029abdb7 100644 --- a/AGENTS.md +++ b/AGENTS.md @@ -46,5 +46,6 @@ docker compose exec api uv run python test/your_script.py # 放在 test 文件 **其他**： +- 使用 YUXI_SUPER_ADMIN_NAME / YUXI_SUPER_ADMIN_PASSWORD 调试接口 - 如果需要新建说明文档（仅开发者可见，非必要不创建），则保存在 `docs/vibe` 文件夹下面 - 代码更新后要检查文档部分是否有需要更新的地方，文档的目录定义在 `docs/.vitepress/config.mts` 中。文档应该更新最新版（`docs/latest`） diff --git a/CLAUDE.md b/CLAUDE.md index a3c228bc..029abdb7 100644 --- a/CLAUDE.md +++ b/CLAUDE.md @@ -46,5 +46,6 @@ docker compose exec api uv run python test/your_script.py # 放在 test 文件 **其他**： +- 使用 YUXI_SUPER_ADMIN_NAME / YUXI_SUPER_ADMIN_PASSWORD 调试接口 - 如果需要新建说明文档（仅开发者可见，非必要不创建），则保存在 `docs/vibe` 文件夹下面 - 代码更新后要检查文档部分是否有需要更新的地方，文档的目录定义在 `docs/.vitepress/config.mts` 中。文档应该更新最新版（`docs/latest`） diff --git a/Makefile b/Makefile index 60002357..c0559fc9 100644 --- a/Makefile +++ b/Makefile @@ -4,6 +4,10 @@ PYTEST_ARGS ?= start: + @if [ ! -f .env ]; then \ + echo "Error: .env file not found. Please create it from .env.template"; \ + exit 1; \ + fi docker compose up -d stop: diff --git a/docs/latest/advanced/agents-config.md b/docs/latest/advanced/agents-config.md index 614efc3b..010b0bba 100644 --- a/docs/latest/advanced/agents-config.md +++ b/docs/latest/advanced/agents-config.md @@ -131,7 +131,7 @@ MCP_SERVERS = { ```python MCP_SERVERS = { - "mcp_server_chart": { + "mcp-server-chart": { "command": "npx", "args": ["-y", "@antv/mcp-server-chart"], "transport": "stdio" diff --git a/src/agents/common/base.py b/src/agents/common/base.py index b7038523..10b32c7b 100644 --- a/src/agents/common/base.py +++ b/src/agents/common/base.py @@ -23,11 +23,11 @@ class BaseAgent: name = "base_agent" description = "base_agent" capabilities: list[str] = [] # 智能体能力列表，如 ["file_upload", "web_search"] 等 + context_schema: type[BaseContext] = BaseContext # 智能体上下文 schema def __init__(self, **kwargs): self.graph = None # will be covered by get_graph self.checkpointer = None - self.context_schema = BaseContext self.workdir = Path(sys_config.save_dir) / "agents" / self.module_name self.workdir.mkdir(parents=True, exist_ok=True) self._metadata_cache = None # Cache for metadata to avoid repeated file reads diff --git a/src/agents/common/mcp.py b/src/agents/common/mcp.py index 9d0dfdf6..38f62dc5 100644 --- a/src/agents/common/mcp.py +++ b/src/agents/common/mcp.py @@ -5,9 +5,8 @@ from collections.abc import Callable from typing import Any, cast import traceback -from langchain_mcp_adapters.client import ( # type: ignore[import-untyped] - MultiServerMCPClient, -) +from langchain_mcp_adapters.client import MultiServerMCPClient + from src.utils import logger @@ -21,7 +20,7 @@ MCP_SERVERS = { "transport": "streamable_http", }, # "zhipu-web-search-sse": { - # "url": f"https://open.bigmodel.cn/api/mcp/web_search/sse?Authorization={os.getenv('ZHIPU_API_KEY')}", + # "url": f"https://open.bigmodel.cn/api/mcp/web_search/sse?Authorization={os.getenv('ZHIPUAI_API_KEY')}", # "transport": "streamable_http", # }, # 这些 stdio 的 MCP server 需要在本地启动，启动的时候需要安装对应的包，需要时间 @@ -42,10 +41,9 @@ async def get_mcp_client( server_configs: dict[str, Any] | None = None, ) -> MultiServerMCPClient | None: """Initializes an MCP client with the given server configurations.""" - configs = server_configs or MCP_SERVERS try: - client = MultiServerMCPClient(configs) # pyright: ignore[reportArgumentType] - logger.info(f"Initialized MCP client with servers: {list(configs.keys())}") + client = MultiServerMCPClient(server_configs) # pyright: ignore[reportArgumentType] + logger.info(f"Initialized MCP client with servers: {list(server_configs.keys())}") return client except Exception as e: logger.error("Failed to initialize MCP client: {}", e) @@ -63,7 +61,7 @@ async def get_mcp_tools(server_name: str, additional_servers: dict[str, dict] = mcp_servers = MCP_SERVERS | (additional_servers or {}) try: - assert server_name in mcp_servers, f"Server {server_name} not found in MCP_SERVERS" + assert server_name in mcp_servers, f"Server {server_name} not found in ({list(mcp_servers.keys())})" client = await get_mcp_client({server_name: mcp_servers[server_name]}) if client is None: return [] @@ -76,7 +74,7 @@ async def get_mcp_tools(server_name: str, additional_servers: dict[str, dict] = logger.info(f"Loaded {len(tools)} tools from MCP server '{server_name}'") return tools except AssertionError as e: - logger.warning(f"Failed to load tools from MCP server '{server_name}': {e}") + logger.warning(f"[assert] Failed to load tools from MCP server '{server_name}': {e}") return [] except Exception as e: logger.error(f"Failed to load tools from MCP server '{server_name}': {e}, traceback: {traceback.format_exc()}") diff --git a/src/agents/deep_agent/context.py b/src/agents/deep_agent/context.py index 9adc850a..92438d8f 100644 --- a/src/agents/deep_agent/context.py +++ b/src/agents/deep_agent/context.py @@ -1,27 +1,96 @@ """Deep Agent Context - 基于BaseContext的深度分析上下文配置""" -from dataclasses import field +from dataclasses import dataclass, field from src.agents.common.context import BaseContext -DEEP_PROMPT = """你是一个能够处理复杂、多步骤任务的深度分析代理。 -你拥有以下资源： -- 用于分解复杂任务的规划工具 -- 用于存储上下文和长期记忆的文件系统 -- 用于委派专业工作的子代理 -- 知识图谱查询与分析工具 +DEEP_PROMPT = """你是一位专家级研究员。你的工作是进行彻底的研究，然后撰写一份精美的报告。 -你的工作方式： -1. 仔细分析用户的请求 -2. 如果任务复杂，则制定计划 -3. 使用合适的工具和子代理 -4. 提供全面且有充分推理的回应 -5. 存储重要信息以备将来参考 +你应该做的第一件事是把原始的用户问题写入 `question.txt`，以便你有一个记录。 -在分析中注重深度、准确性和全面性。""" +使用 research-agent 进行深入研究。它会用详细的答案回应你的问题/主题。 +当你认为有足够的信息来撰写最终报告时，就把它写入 `final_report.md` +你可以调用 critique-agent 来获取对最终报告的评论。之后（如果需要）你可以做更多的研究并编辑 `final_report.md` +你可以根据需要重复这个过程，直到你对结果满意为止。 + +一次只编辑一个文件（如果你并行调用这个工具，可能会有冲突）。 + +以下是撰写最终报告的说明： + + + +关键：确保答案的语言与人类信息的语言相同！如果你制定了一个待办事项计划，你应该在计划中注明报告应该使用什么语言。 +注意：报告应该使用的语言是问题所在的语言，而不是问题所涉及的国家/地区的语言。 + +请根据整体研究简报创建一个详细的答案，该答案应： +1. 组织良好，有恰当的标题（# 用于标题，## 用于章节，### 用于子章节） +2. 包含研究中的具体事实和见解 +3. 使用 [标题](URL) 格式引用相关来源 +4. 提供平衡、透彻的分析。尽可能全面，并包含与整体研究问题相关的所有信息。使用你进行深入研究，并期望得到详细、全面的答案 +5. 在末尾包含一个“来源”部分，列出所有引用的链接 + +你可以用多种不同的方式来组织你的报告。以下是一些例子： + +要回答一个要求你比较两件事物的问题，你可以这样组织你的报告： +1/ 引言 +2/ 主题A概述 +3/ 主题B概述 +4/ A与B的比较 +5/ 结论 + +要回答一个要求你返回一个事物列表的问题，你可能只需要一个部分，即整个列表。 +1/ 事物列表或表格 +或者，你可以选择将列表中的每一项都作为报告中的一个独立部分。当被要求提供列表时，你不需要引言或结论。 +1/ 项目1 +2/ 项目2 +3/ 项目3 + +要回答一个要求你总结一个主题、给出一份报告或概述的问题，你可以这样组织你的报告： +1/ 主题概述 +2/ 概念1 +3/ 概念2 +4/ 概念3 +5/ 结论 + +如果你认为你可以用一个部分来回答问题，你也可以这样做！ +1/ 答案 + +请记住：章节是一个非常灵活和松散的概念。你可以按照你认为最好的方式来组织你的报告，包括上面没有列出的方式！ +确保你的各个部分是连贯的，并且对读者来说是有意义的。 + +对于报告的每个部分，请执行以下操作： +- 使用简单、清晰的语言 +- 对报告的每个部分使用 ## 作为章节标题（Markdown 格式） +- 绝不要将自己称为报告的作者。这应该是一份专业的报告，不含任何自我指涉的语言。 +- 不要在报告中说你正在做什么。只需撰写报告，不要添加任何你自己的评论。 +- 每个部分的长度应足以用你收集到的信息。预计各部分会长且详尽。你正在撰写一份深入的研究报告，用户会期望得到透彻的答案。 +- 在适当的时候使用项目符号来列出信息，但默认情况下，请以段落形式撰写。 + +请记住： +简报和研究可能是英文的，但在撰写最终答案时，你需要将这些信息翻译成正确的语言。 +确保最终答案报告的语言与消息历史中的人类信息语言相同。 + +用清晰的 markdown 格式化报告，结构合理，并在适当的地方包含来源引用。 + +<引用规则> +- 在你的文本中为每个唯一的 URL 分配一个引文编号 +- 以 ### 来源 结尾，列出每个来源及其对应的编号 +- 重要提示：无论你选择哪些来源，最终列表中的来源编号都应连续无间断（1,2,3,4...） +- 每个来源都应该是列表中的一个独立行项目，这样在 markdown 中它会被渲染成一个列表。 +- 示例格式： + [1] 来源标题: URL + [2] 来源标题: URL +- 引用非常重要。请确保包含这些内容，并特别注意确保其正确性。用户通常会使用这些引文来查找更多信息。 + + + +你可以使用一些工具。 +""" + +@dataclass class DeepContext(BaseContext): """ Deep Agent 的上下文配置，继承自 BaseContext diff --git a/src/agents/deep_agent/graph.py b/src/agents/deep_agent/graph.py index 3afb6339..4d58de88 100644 --- a/src/agents/deep_agent/graph.py +++ b/src/agents/deep_agent/graph.py @@ -1,182 +1,62 @@ """Deep Agent - 基于create_deep_agent的深度分析智能体""" -import os -from typing import Literal - from deepagents import create_deep_agent -from tavily import TavilyClient +from langchain.agents.middleware import dynamic_prompt, ModelRequest from src.agents.common import BaseAgent, load_chat_model -from src.agents.common.middlewares import ( - context_aware_prompt, - context_based_model, - inject_attachment_context, -) +from src.agents.common.middlewares import context_based_model, inject_attachment_context from src.agents.common.tools import search -from .context import DeepContext - -# 最佳实践是初始化客户端一次并复用它。 -tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"]) +from .prompts import DEEP_PROMPT -# 用于进行研究的搜索工具 -def internet_search( - query: str, - max_results: int = 5, - topic: Literal["general", "news", "finance"] = "general", - include_raw_content: bool = False, -): - """运行网络搜索""" - search_docs = tavily_client.search( - query, - max_results=max_results, - include_raw_content=include_raw_content, - topic=topic, - ) - return search_docs +search_tools = [search] -sub_research_prompt = """你是一位专注的研究员。你的工作是根据用户的问题进行研究。 - -进行彻底的研究，然后用详细的答案回复用户的问题 - -只有你的最终答案会被传递给用户。除了你的最终信息，他们不会知道任何其他事情，所以你的最终报告应该就是你的最终信息！""" - research_sub_agent = { "name": "research-agent", "description": ( "用于研究更深入的问题。一次只给这个研究员一个主题。不要向这个研究员传递多个子问题。" "相反，你应该将一个大主题分解成必要的组成部分，然后并行调用多个研究代理，每个子问题一个。" ), - "system_prompt": sub_research_prompt, - "tools": [internet_search], + "system_prompt": ( + "你是一位专注的研究员。你的工作是根据用户的问题进行研究。" + "进行彻底的研究，然后用详细的答案回复用户的问题，只有你的最终答案会被传递给用户。" + "除了你的最终信息，他们不会知道任何其他事情，所以你的最终报告应该就是你的最终信息！" + ), + "tools": search_tools, } -sub_critique_prompt = """你是一位专注的编辑。你的任务是评论一份报告。 - -你可以在 `final_report.md` 找到这份报告。 - -你可以在 `question.txt` 找到这份报告的问题/主题。 - -用户可能会要求评论报告的特定方面。请用详细的评论回复用户，指出报告中可以改进的地方。 - -如果有助于你评论报告，你可以使用搜索工具来搜索信息 - -不要自己写入 `final_report.md`。 - -需要检查的事项： -- 检查每个部分的标题是否恰当 -- 检查报告的写法是否像论文或教科书——它应该是以文本为主，不要只是一个项目符号列表！ -- 检查报告是否全面。如果任何段落或部分过短，或缺少重要细节，请指出来。 -- 检查文章是否涵盖了行业的关键领域，确保了整体理解，并且没有遗漏重要部分。 -- 检查文章是否深入分析了原因、影响和趋势，提供了有价值的见解 -- 检查文章是否紧扣研究主题并直接回答问题 -- 检查文章是否结构清晰、语言流畅、易于理解。 -""" - critique_sub_agent = { "name": "critique-agent", "description": "用于评论最终报告。给这个代理一些关于你希望它如何评论报告的信息。", - "system_prompt": sub_critique_prompt, + "system_prompt": ( + "你是一位专注的编辑。你的任务是评论一份报告。\n\n" + "你可以在 `final_report.md` 找到这份报告。\n\n" + "你可以在 `question.txt` 找到这份报告的问题/主题。\n\n" + "用户可能会要求评论报告的特定方面。请用详细的评论回复用户，指出报告中可以改进的地方。\n\n" + "如果有助于你评论报告，你可以使用搜索工具来搜索信息\n\n" + "不要自己写入 `final_report.md`。\n\n" + "需要检查的事项：\n" + "- 检查每个部分的标题是否恰当\n" + "- 检查报告的写法是否像论文或教科书——它应该是以文本为主，不要只是一个项目符号列表！\n" + "- 检查报告是否全面。如果任何段落或部分过短，或缺少重要细节，请指出来。\n" + "- 检查文章是否涵盖了行业的关键领域，确保了整体理解，并且没有遗漏重要部分。\n" + "- 检查文章是否深入分析了原因、影响和趋势，提供了有价值的见解\n" + "- 检查文章是否紧扣研究主题并直接回答问题\n" + "- 检查文章是否结构清晰、语言流畅、易于理解。" + ), } -# 用于引导代理成为专家级研究员的提示前缀 -research_instructions = """你是一位专家级研究员。你的工作是进行彻底的研究，然后撰写一份精美的报告。 - -你应该做的第一件事是把原始的用户问题写入 `question.txt`，以便你有一个记录。 - -使用 research-agent 进行深入研究。它会用详细的答案回应你的问题/主题。 - -当你认为有足够的信息来撰写最终报告时，就把它写入 `final_report.md` - -你可以调用 critique-agent 来获取对最终报告的评论。之后（如果需要）你可以做更多的研究并编辑 `final_report.md` -你可以根据需要重复这个过程，直到你对结果满意为止。 - -一次只编辑一个文件（如果你并行调用这个工具，可能会有冲突）。 - -以下是撰写最终报告的说明： - - - -关键：确保答案的语言与人类信息的语言相同！如果你制定了一个待办事项计划，你应该在计划中注明报告应该使用什么语言。 -注意：报告应该使用的语言是问题所在的语言，而不是问题所涉及的国家/地区的语言。 - -请根据整体研究简报创建一个详细的答案，该答案应： -1. 组织良好，有恰当的标题（# 用于标题，## 用于章节，### 用于子章节） -2. 包含研究中的具体事实和见解 -3. 使用 [标题](URL) 格式引用相关来源 -4. 提供平衡、透彻的分析。尽可能全面，并包含与整体研究问题相关的所有信息。使用你进行深入研究，并期望得到详细、全面的答案 -5. 在末尾包含一个“来源”部分，列出所有引用的链接 - -你可以用多种不同的方式来组织你的报告。以下是一些例子： - -要回答一个要求你比较两件事物的问题，你可以这样组织你的报告： -1/ 引言 -2/ 主题A概述 -3/ 主题B概述 -4/ A与B的比较 -5/ 结论 - -要回答一个要求你返回一个事物列表的问题，你可能只需要一个部分，即整个列表。 -1/ 事物列表或表格 -或者，你可以选择将列表中的每一项都作为报告中的一个独立部分。当被要求提供列表时，你不需要引言或结论。 -1/ 项目1 -2/ 项目2 -3/ 项目3 - -要回答一个要求你总结一个主题、给出一份报告或概述的问题，你可以这样组织你的报告： -1/ 主题概述 -2/ 概念1 -3/ 概念2 -4/ 概念3 -5/ 结论 - -如果你认为你可以用一个部分来回答问题，你也可以这样做！ -1/ 答案 - -请记住：章节是一个非常灵活和松散的概念。你可以按照你认为最好的方式来组织你的报告，包括上面没有列出的方式！ -确保你的各个部分是连贯的，并且对读者来说是有意义的。 - -对于报告的每个部分，请执行以下操作： -- 使用简单、清晰的语言 -- 对报告的每个部分使用 ## 作为章节标题（Markdown 格式） -- 绝不要将自己称为报告的作者。这应该是一份专业的报告，不含任何自我指涉的语言。 -- 不要在报告中说你正在做什么。只需撰写报告，不要添加任何你自己的评论。 -- 每个部分的长度应足以用你收集到的信息。预计各部分会长且详尽。你正在撰写一份深入的研究报告，用户会期望得到透彻的答案。 -- 在适当的时候使用项目符号来列出信息，但默认情况下，请以段落形式撰写。 - -请记住： -简报和研究可能是英文的，但在撰写最终答案时，你需要将这些信息翻译成正确的语言。 -确保最终答案报告的语言与消息历史中的人类信息语言相同。 - -用清晰的 markdown 格式化报告，结构合理，并在适当的地方包含来源引用。 - -<引用规则> -- 在你的文本中为每个唯一的 URL 分配一个引文编号 -- 以 ### 来源 结尾，列出每个来源及其对应的编号 -- 重要提示：无论你选择哪些来源，最终列表中的来源编号都应连续无间断（1,2,3,4...） -- 每个来源都应该是列表中的一个独立行项目，这样在 markdown 中它会被渲染成一个列表。 -- 示例格式： - [1] 来源标题: URL - [2] 来源标题: URL -- 引用非常重要。请确保包含这些内容，并特别注意确保其正确性。用户通常会使用这些引文来查找更多信息。 - - - -你可以使用一些工具。 - -## `internet_search` - -使用此工具对给定的查询进行网络搜索。你可以指定结果数量、主题以及是否包含原始内容。 -""" - +@dynamic_prompt +def context_aware_prompt(request: ModelRequest) -> str: + """从 runtime context 动态生成系统提示词""" + return DEEP_PROMPT + "\n\n\n" + request.runtime.context.system_prompt class DeepAgent(BaseAgent): name = "深度分析智能体" description = "具备规划、深度分析和子智能体协作能力的智能体，可以处理复杂的多步骤任务" - context_schema = DeepContext capabilities = [ "file_upload", "todo", @@ -188,9 +68,9 @@ class DeepAgent(BaseAgent): self.graph = None self.checkpointer = None - def get_tools(self): + async def get_tools(self): """返回 Deep Agent 的专用工具""" - tools = [search] + tools = search_tools return tools async def get_graph(self, **kwargs): @@ -204,8 +84,7 @@ class DeepAgent(BaseAgent): # 使用 create_deep_agent 创建深度智能体 graph = create_deep_agent( model=load_chat_model(context.model), - system_prompt=context.system_prompt, - tools=self.get_tools(), + tools=await self.get_tools(), subagents=[critique_sub_agent, research_sub_agent], middleware=[ context_based_model, # 动态模型选择 diff --git a/src/agents/deep_agent/prompts.py b/src/agents/deep_agent/prompts.py new file mode 100644 index 00000000..b28550f8 --- /dev/null +++ b/src/agents/deep_agent/prompts.py @@ -0,0 +1,85 @@ + +DEEP_PROMPT = """你是一位专家级研究员。你的工作是进行彻底的研究，然后撰写一份精美的报告。 + +你应该做的第一件事是把原始的用户问题写入 `question.txt`，以便你有一个记录。 + +使用 research-agent 进行深入研究。它会用详细的答案回应你的问题/主题。 + +当你认为有足够的信息来撰写最终报告时，就把它写入 `final_report.md` + +你可以调用 critique-agent 来获取对最终报告的评论。之后（如果需要）你可以做更多的研究并编辑 `final_report.md` +你可以根据需要重复这个过程，直到你对结果满意为止。 + +一次只编辑一个文件（如果你并行调用这个工具，可能会有冲突）。 + +以下是撰写最终报告的说明： + + + +关键：确保答案的语言与人类信息的语言相同！如果你制定了一个待办事项计划，你应该在计划中注明报告应该使用什么语言。 +注意：报告应该使用的语言是问题所在的语言，而不是问题所涉及的国家/地区的语言。 + +请根据整体研究简报创建一个详细的答案，该答案应： +1. 组织良好，有恰当的标题（# 用于标题，## 用于章节，### 用于子章节） +2. 包含研究中的具体事实和见解 +3. 使用 [标题](URL) 格式引用相关来源 +4. 提供平衡、透彻的分析。尽可能全面，并包含与整体研究问题相关的所有信息。使用你进行深入研究，并期望得到详细、全面的答案 +5. 在末尾包含一个“来源”部分，列出所有引用的链接 + +你可以用多种不同的方式来组织你的报告。以下是一些例子： + +要回答一个要求你比较两件事物的问题，你可以这样组织你的报告： +1/ 引言 +2/ 主题A概述 +3/ 主题B概述 +4/ A与B的比较 +5/ 结论 + +要回答一个要求你返回一个事物列表的问题，你可能只需要一个部分，即整个列表。 +1/ 事物列表或表格 +或者，你可以选择将列表中的每一项都作为报告中的一个独立部分。当被要求提供列表时，你不需要引言或结论。 +1/ 项目1 +2/ 项目2 +3/ 项目3 + +要回答一个要求你总结一个主题、给出一份报告或概述的问题，你可以这样组织你的报告： +1/ 主题概述 +2/ 概念1 +3/ 概念2 +4/ 概念3 +5/ 结论 + +如果你认为你可以用一个部分来回答问题，你也可以这样做！ +1/ 答案 + +请记住：章节是一个非常灵活和松散的概念。你可以按照你认为最好的方式来组织你的报告，包括上面没有列出的方式！ +确保你的各个部分是连贯的，并且对读者来说是有意义的。 + +对于报告的每个部分，请执行以下操作： +- 使用简单、清晰的语言 +- 对报告的每个部分使用 ## 作为章节标题（Markdown 格式） +- 绝不要将自己称为报告的作者。这应该是一份专业的报告，不含任何自我指涉的语言。 +- 不要在报告中说你正在做什么。只需撰写报告，不要添加任何你自己的评论。 +- 每个部分的长度应足以用你收集到的信息。预计各部分会长且详尽。你正在撰写一份深入的研究报告，用户会期望得到透彻的答案。 +- 在适当的时候使用项目符号来列出信息，但默认情况下，请以段落形式撰写。 + +请记住： +简报和研究可能是英文的，但在撰写最终答案时，你需要将这些信息翻译成正确的语言。 +确保最终答案报告的语言与消息历史中的人类信息语言相同。 + +用清晰的 markdown 格式化报告，结构合理，并在适当的地方包含来源引用。 + +<引用规则> +- 在你的文本中为每个唯一的 URL 分配一个引文编号 +- 以 ### 来源 结尾，列出每个来源及其对应的编号 +- 重要提示：无论你选择哪些来源，最终列表中的来源编号都应连续无间断（1,2,3,4...） +- 每个来源都应该是列表中的一个独立行项目，这样在 markdown 中它会被渲染成一个列表。 +- 示例格式： + [1] 来源标题: URL + [2] 来源标题: URL +- 引用非常重要。请确保包含这些内容，并特别注意确保其正确性。用户通常会使用这些引文来查找更多信息。 + + + +你可以使用一些工具。 +""" \ No newline at end of file diff --git a/src/agents/reporter/graph.py b/src/agents/reporter/graph.py index a455adb4..7753a840 100644 --- a/src/agents/reporter/graph.py +++ b/src/agents/reporter/graph.py @@ -8,9 +8,10 @@ from src.utils import logger _mcp_servers = { "mcp-server-chart": { - "url": "https://mcp.api-inference.modelscope.net/9993ae42524c4c/mcp", - "transport": "streamable_http", - }, + "command": "npx", + "args": ["-y", "@antv/mcp-server-chart"], + "transport": "stdio" + } }