aiagent/backend/app/agent_runtime/workflow_integration.py

"""
Agent Runtime ⇄ WorkflowEngine 桥接。

让 workflow_engine.execute_node() 通过寥寥几行调用 Agent Runtime。
"""
from __future__ import annotations

import logging
from typing import Any, Dict, Optional

from app.agent_runtime.core import AgentRuntime
from app.agent_runtime.schemas import (
    AgentConfig,
    AgentLLMConfig,
    AgentToolConfig,
    AgentBudgetConfig,
)

logger = logging.getLogger(__name__)


async def run_agent_node(
    node_data: Dict[str, Any],
    input_data: Dict[str, Any],
    execution_logger: Optional[Any] = None,
    user_id: Optional[str] = None,
    on_tool_executed: Optional[Any] = None,
    on_llm_invocation: Optional[Any] = None,
    budget_limits: Optional[Dict[str, int]] = None,
) -> Dict[str, Any]:
    """
    在工作流中执行 Agent 节点。

    node_data 支持的字段：
        system_prompt  — Agent 人格/指令（支持 {{variable}} 模板）
        tools          — 可选工具白名单，默认全部
        exclude_tools  — 可选工具黑名单
        model          — 模型名称
        provider       — 提供商（openai/deepseek）
        temperature    — 温度
        max_iterations — ReAct 最大步数
        memory         — 是否启用长期记忆

    input_data 中的 "query" 或 "input" 字段作为用户输入。
    """
    # 1. 解析配置
    query = (
        input_data.get("query")
        or input_data.get("input")
        or input_data.get("text", "")
    )
    if not isinstance(query, str):
        query = str(query) if query else ""

    if not query:
        return {"output": "错误：Agent 节点未收到用户输入", "status": "error"}

    # 2. 解析 system_prompt（支持模板变量）
    raw_prompt = node_data.get("system_prompt", "你是一个有用的AI助手。")
    try:
        formatted_prompt = raw_prompt.format(**input_data)
    except (KeyError, ValueError):
        formatted_prompt = raw_prompt

    # 3. 构建 Agent 配置
    llm_config = AgentLLMConfig(
        provider=node_data.get("provider", "openai"),
        model=node_data.get("model", "gpt-4o-mini"),
        temperature=float(node_data.get("temperature", 0.7)),
        max_iterations=int(node_data.get("max_iterations", 10)),
    )
    # 允许节点内联 api_key/base_url
    if node_data.get("api_key"):
        llm_config.api_key = node_data["api_key"]
    if node_data.get("base_url"):
        llm_config.base_url = node_data["base_url"]

    # 3a. 构建预算配置（接收工作流级预算限制）
    budget = AgentBudgetConfig()
    if budget_limits:
        if "max_llm_invocations" in budget_limits:
            budget.max_llm_invocations = max(1, int(budget_limits["max_llm_invocations"]))
        if "max_tool_calls" in budget_limits:
            budget.max_tool_calls = max(1, int(budget_limits["max_tool_calls"]))

    agent_config = AgentConfig(
        name=node_data.get("label", "agent_node"),
        system_prompt=formatted_prompt,
        llm=llm_config,
        tools=AgentToolConfig(
            include_tools=node_data.get("tools", []),
            exclude_tools=node_data.get("exclude_tools", []),
        ),
        memory={
            "enabled": node_data.get("memory", True),
            "persist_to_db": node_data.get("memory", True),
        },
        budget=budget,
        user_id=user_id,
    )

    # 4. 执行 Agent
    runtime = AgentRuntime(
        config=agent_config,
        execution_logger=execution_logger,
        on_tool_executed=on_tool_executed,
    )
    # 注入 LLM 预算回调（使 Agent 内部 LLM 调用计入工作流预算）
    if on_llm_invocation:
        runtime.on_llm_invocation = on_llm_invocation

    result = await runtime.run(query)

    # 5. 返回结果（兼容工作流引擎的输出格式）
    if result.success:
        return {
            "output": result.content,
            "status": "success",
            "agent_meta": {
                "iterations": result.iterations_used,
                "tool_calls": result.tool_calls_made,
                "truncated": result.truncated,
            },
        }
    else:
        return {
            "output": result.content,
            "status": "error",
            "error": result.error,
        }