diff --git a/docs/latest/changelog/roadmap.md b/docs/latest/changelog/roadmap.md index 69ee4122..92c8fbdb 100644 --- a/docs/latest/changelog/roadmap.md +++ b/docs/latest/changelog/roadmap.md @@ -11,6 +11,8 @@ - 集成智能体评估，首先使用命令行来实现，然后考虑放在 UI 里面展示 - 开发与生产环境隔离，构建生产镜像 - 集成 LangFuse (观望) 添加用户日志与用户反馈模块，可以在 AgentView 中查看信息 +- 集成 neo4j mcp （或者自己构建工具） +- 工具组件重构以支持 todo，files 等渲染。 ### Bugs - 部分异常状态下，智能体的模型名称出现重叠[#279](https://github.com/xerrors/Yuxi-Know/issues/279) diff --git a/pyproject.toml b/pyproject.toml index d44f3af3..4caf3776 100644 --- a/pyproject.toml +++ b/pyproject.toml @@ -60,6 +60,7 @@ dependencies = [ "tomli-w", "aiofiles>=24.1.0", "aiohttp>=3.9.0", + "deepagents>=0.2.5", ] [tool.ruff] line-length = 120 # 代码最大行宽 diff --git a/server/routers/system_router.py b/server/routers/system_router.py index 5029651c..658d4b12 100644 --- a/server/routers/system_router.py +++ b/server/routers/system_router.py @@ -6,8 +6,8 @@ import yaml from fastapi import APIRouter, Body, Depends, HTTPException from src.storage.db.models import User -from server.utils.auth_middleware import get_admin_user, get_superadmin_user -from src import config, graph_base +from server.utils.auth_middleware import get_admin_user +from src import config from src.models.chat import test_chat_model_status, test_all_chat_models_status from src.utils.logging_config import logger diff --git a/src/agents/common/context.py b/src/agents/common/context.py index 00b82db1..36b3f851 100644 --- a/src/agents/common/context.py +++ b/src/agents/common/context.py @@ -31,12 +31,12 @@ class BaseContext: thread_id: str = field( default_factory=lambda: str(uuid.uuid4()), - metadata={"name": "线程ID", "configurable": False, "description": "用来描述智能体的角色和行为"}, + metadata={"name": "线程ID", "configurable": False, "description": "用来唯一标识一个对话线程"}, ) user_id: str = field( default_factory=lambda: str(uuid.uuid4()), - metadata={"name": "用户ID", "configurable": False, "description": "用来描述智能体的角色和行为"}, + metadata={"name": "用户ID", "configurable": False, "description": "用来唯一标识一个用户"}, ) system_prompt: str = field( @@ -45,7 +45,7 @@ class BaseContext: ) model: Annotated[str, {"__template_metadata__": {"kind": "llm"}}] = field( - default="siliconflow/Qwen/Qwen3-235B-A22B-Instruct-2507", + default=sys_config.default_model, metadata={"name": "智能体模型", "options": [], "description": "智能体的驱动模型"}, ) diff --git a/src/agents/common/tools.py b/src/agents/common/tools.py index 47e17d3e..8c5f49b4 100644 --- a/src/agents/common/tools.py +++ b/src/agents/common/tools.py @@ -12,6 +12,9 @@ from src import config, graph_base, knowledge_base from src.utils import logger +search = TavilySearch(max_results=10) +search.metadata = {"name": "Tavily 网页搜索"} + @tool(name_or_callable="计算器", description="可以对给定的2个数字选择进行 add, subtract, multiply, divide 运算") def calculator(a: float, b: float, operation: str) -> float: try: @@ -69,9 +72,15 @@ def get_approved_user_goal( return result -@tool(name_or_callable="查询知识图谱", description="使用这个工具可以查询知识图谱中包含的三元组信息。") + +KG_QUERY_DESCRIPTION = """ +使用这个工具可以查询知识图谱中包含的三元组信息。 +关键词（query），使用可能帮助回答这个问题的关键词进行查询，不要直接使用用户的原始输入去查询。 +""" + +@tool(name_or_callable="查询知识图谱", description=KG_QUERY_DESCRIPTION) def query_knowledge_graph(query: Annotated[str, "The keyword to query knowledge graph."]) -> Any: - """Use this to query knowledge graph, which include some food domain knowledge.""" + """使用这个工具可以查询知识图谱中包含的三元组信息。关键词（query），使用可能帮助回答这个问题的关键词进行查询，不要直接使用用户的原始输入去查询。""" try: logger.debug(f"Querying knowledge graph with: {query}") result = graph_base.query_node(query, hops=2, return_format="triples") @@ -91,8 +100,6 @@ def get_static_tools() -> list: # 检查是否启用网页搜索 if config.enable_web_search: - search = TavilySearch(max_results=10) - search.metadata = {"name": "Tavily 网页搜索"} static_tools.append(search) return static_tools diff --git a/src/agents/deep_agent/__init__.py b/src/agents/deep_agent/__init__.py new file mode 100644 index 00000000..d3cfb7c0 --- /dev/null +++ b/src/agents/deep_agent/__init__.py @@ -0,0 +1,22 @@ +"""Deep Agent - 深度分析智能体模块 + +基于 deepagents 库构建的深度分析智能体，具备以下特性： +- 任务规划和分解能力 +- 深度知识搜索和分析 +- 子智能体协作 +- 文件系统和长期记忆 +- 综合分析和报告生成 +""" + +from .context import DeepContext +from .graph import DeepAgent + +__all__ = [ + "DeepAgent", + "DeepContext", +] + +# 模块元数据 +__version__ = "1.0.0" +__author__ = "Yuxi-Know Team" +__description__ = "基于 create_deep_agent 的深度分析智能体" diff --git a/src/agents/deep_agent/context.py b/src/agents/deep_agent/context.py new file mode 100644 index 00000000..bc7df151 --- /dev/null +++ b/src/agents/deep_agent/context.py @@ -0,0 +1,36 @@ +"""Deep Agent Context - 基于BaseContext的深度分析上下文配置""" + +from dataclasses import 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 + +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 + +在分析中注重深度、准确性和全面性。""" + + +class DeepContext(BaseContext): + """ + Deep Agent 的上下文配置，继承自 BaseContext + 专门用于深度分析任务的配置管理 + """ + + # 深度分析专用的系统提示词 + system_prompt: str = field( + default=DEEP_PROMPT, + metadata={"name": "系统提示词", "description": "Deep智能体的角色和行为指导"}, + ) diff --git a/src/agents/deep_agent/graph.py b/src/agents/deep_agent/graph.py new file mode 100644 index 00000000..fbbcab6a --- /dev/null +++ b/src/agents/deep_agent/graph.py @@ -0,0 +1,214 @@ +"""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 src.agents.common import BaseAgent, load_chat_model +from src.agents.common.tools import search +from src.agents.common.middlewares import ( + context_aware_prompt, + context_based_model, + inject_attachment_context, +) +from .context import DeepContext +from tavily import TavilyClient + +# 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"]) + + +# 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 + + +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], +} + +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, +} + + +# 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。 +""" + +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", + ] + + def __init__(self, **kwargs): + super().__init__(**kwargs) + self.graph = None + self.checkpointer = None + + def get_tools(self): + """返回 Deep Agent 的专用工具""" + tools = [search] + return tools + + async def get_graph(self, **kwargs): + """构建 Deep Agent 的图""" + if self.graph: + return self.graph + + # 获取上下文配置 + context = self.context_schema.from_file(module_name=self.name) + + # 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(), + subagents=[critique_sub_agent, research_sub_agent], + middleware=[ + context_based_model, # 动态模型选择 + context_aware_prompt, # 动态系统提示词 + inject_attachment_context, # 附件上下文注入 + ], + checkpointer=await self._get_checkpointer(), + ) + + self.graph = graph + return graph