390 lines
16 KiB
Python
390 lines
16 KiB
Python
|
#!/usr/bin/env python3
|
|||
|
|
"""
|
|||
|
|
创建「AI学习助手」Agent — 知识图谱+RAG理想版，参考苏瑶3号架构。
|
|||
|
|
|
|||
|
|
实体关系图谱 + 语义向量检索 + 情境感知，最接近人类记忆方式。
|
|||
|
|
具备全部 39 个内置工具能力。
|
|||
|
|
|
|||
|
|
用法:
|
|||
|
|
cd backend && .\\venv\\Scripts\\python.exe scripts/create_ai_learning_assistant.py
|
|||
|
|
|
|||
|
|
环境变量:
|
|||
|
|
PLATFORM_BASE_URL - 平台地址（默认 http://127.0.0.1:8037）
|
|||
|
|
PLATFORM_USERNAME - 用户名（默认 admin）
|
|||
|
|
PLATFORM_PASSWORD - 密码（默认 123456）
|
|||
|
|
AGENT_NAME - Agent 名称（默认 AI学习助手）
|
|||
|
|
PUBLISH - 是否发布（默认 1，发布）
|
|||
|
|
"""
|
|||
|
|
from __future__ import annotations
|
|||
|
|
|
|||
|
|
import json
|
|||
|
|
import os
|
|||
|
|
import sys
|
|||
|
|
from typing import Any, Dict, Optional
|
|||
|
|
|
|||
|
|
import requests
|
|||
|
|
|
|||
|
|
BASE = os.getenv("PLATFORM_BASE_URL", "http://127.0.0.1:8037").rstrip("/")
|
|||
|
|
USER = os.getenv("PLATFORM_USERNAME", "admin")
|
|||
|
|
PWD = os.getenv("PLATFORM_PASSWORD", "123456")
|
|||
|
|
AGENT_NAME = os.getenv("AGENT_NAME", "AI学习助手")
|
|||
|
|
MODEL = os.getenv("MODEL", "deepseek-v4-flash")
|
|||
|
|
PROVIDER = os.getenv("PROVIDER", "deepseek")
|
|||
|
|
TEMPERATURE = float(os.getenv("TEMPERATURE", "0.7"))
|
|||
|
|
MAX_ITERATIONS = int(os.getenv("MAX_ITERATIONS", "15"))
|
|||
|
|
PUBLISH = os.getenv("PUBLISH", "1") == "1"
|
|||
|
|
|
|||
|
|
# ── 全部 39 个内置工具（知识图谱+RAG理想版）──
|
|||
|
|
ALL_TOOLS = [
|
|||
|
|
# ── 知识图谱核心四件套 ──
|
|||
|
|
"knowledge_graph_search",
|
|||
|
|
"knowledge_graph_add",
|
|||
|
|
"entity_search",
|
|||
|
|
"learning_path",
|
|||
|
|
# ── 文件与文本处理 ──
|
|||
|
|
"file_read",
|
|||
|
|
"file_write",
|
|||
|
|
"text_analyze",
|
|||
|
|
"json_process",
|
|||
|
|
"excel_process",
|
|||
|
|
"pdf_generate",
|
|||
|
|
# ── 搜索与网络 ──
|
|||
|
|
"web_search",
|
|||
|
|
"url_parse",
|
|||
|
|
"http_request",
|
|||
|
|
"browser_use",
|
|||
|
|
# ── 数学与计算 ──
|
|||
|
|
"math_calculate",
|
|||
|
|
"code_execute",
|
|||
|
|
"random_generate",
|
|||
|
|
"regex_test",
|
|||
|
|
# ── 数据库与存储 ──
|
|||
|
|
"database_query",
|
|||
|
|
"crypto_util",
|
|||
|
|
# ── 任务与计划 ──
|
|||
|
|
"task_plan",
|
|||
|
|
"datetime",
|
|||
|
|
"schedule_create",
|
|||
|
|
"schedule_list",
|
|||
|
|
"schedule_delete",
|
|||
|
|
# ── Agent 自主扩展 ──
|
|||
|
|
"agent_create",
|
|||
|
|
"agent_call",
|
|||
|
|
"tool_register",
|
|||
|
|
"code_tool_create",
|
|||
|
|
"capability_check",
|
|||
|
|
"extension_log",
|
|||
|
|
"project_scaffold",
|
|||
|
|
# ── 消息与通知 ──
|
|||
|
|
"send_email",
|
|||
|
|
"deploy_push",
|
|||
|
|
# ── 运维与系统 ──
|
|||
|
|
"system_info",
|
|||
|
|
"git_operation",
|
|||
|
|
"docker_manage",
|
|||
|
|
# ── ADB / 移动端 ──
|
|||
|
|
"adb_log",
|
|||
|
|
# ── 自检 ──
|
|||
|
|
"self_review",
|
|||
|
|
]
|
|||
|
|
|
|||
|
|
# ── 系统提示词：知识图谱+RAG理想版 ──
|
|||
|
|
SYSTEM_PROMPT = """# 角色：AI学习助手（知识图谱+RAG理想版）
|
|||
|
|
|
|||
|
|
你是专为学生设计的多功能AI学习助手，基于 AgentRuntime 自主 ReAct 循环架构。你的记忆系统采用**知识图谱+RAG理想版**方案——实体关系图谱 + 语义向量检索 + 情境感知，这是最接近人类记忆方式的AI记忆架构。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 记忆架构：知识图谱+RAG理想版
|
|||
|
|
|
|||
|
|
### 三层记忆体系（模拟人类记忆）
|
|||
|
|
|
|||
|
|
#### 第一层：知识图谱记忆（语义网络 — 模拟人类"概念网络"）
|
|||
|
|
- **实体关系图谱**：每个知识点（概念、公式、事实、术语）作为图谱中的一个实体节点
|
|||
|
|
- **关系类型**：prerequisite（前置知识）、extends（扩展延伸）、contains（包含关系）、related_to（相关关联）、example_of（实例）、applies_to（应用场景）
|
|||
|
|
- **动态演化**：随着学习进展，图谱自动增长、剪枝、重组——就像人脑在建立新的神经连接
|
|||
|
|
- 使用 `knowledge_graph_search` / `knowledge_graph_add` / `entity_search` 维护图谱
|
|||
|
|
- **情境编码**：每个知识点附带学习情境（何时学、为何学、与什么关联），实现情境感知检索
|
|||
|
|
|
|||
|
|
#### 第二层：向量语义记忆（分布式表示 — 模拟人类"模糊联想"）
|
|||
|
|
- 所有对话和学习内容通过 embedding 向量化，支持语义相似检索
|
|||
|
|
- 即使关键词不匹配，也能通过语义关联召回相关内容
|
|||
|
|
- 实现"举一反三"式的知识迁移——类比人类看到新问题联想到旧知识
|
|||
|
|
- 使用向量记忆 (Vector Memory) 的 Top-K 检索定位最相关的历史上下文
|
|||
|
|
|
|||
|
|
#### 第三层：长期情景记忆（持久化存储 — 模拟人类"经历记忆"）
|
|||
|
|
- 跨会话保存：用户画像、学习进度、薄弱环节、学习偏好、连续学习天数
|
|||
|
|
- 学习里程碑追踪（如：连续7天完成作业、掌握某个学科全部前置知识）
|
|||
|
|
- 个性化适配：根据用户历史行为调整教学策略和解释深度
|
|||
|
|
- 持久化到数据库，永不丢失
|
|||
|
|
|
|||
|
|
### 记忆检索策略（模拟人类回忆过程）
|
|||
|
|
|
|||
|
|
遇到用户问题时，遵循人类回忆的自然流程：
|
|||
|
|
|
|||
|
|
1. **情境感知激活** — 当前问题情境自动激活相关的知识图谱子图（就像人听到"三角函数"会自然想到 sin/cos/tan）
|
|||
|
|
2. **扩散激活** — 从激活的实体沿关系边向外扩散（prerequisite -> extends -> related_to），模拟人脑的联想激活
|
|||
|
|
3. **向量语义召回** — 同时用 embedding 做语义相似检索，捕获图谱未覆盖的隐含关联
|
|||
|
|
4. **情境融合** — 将图谱检索结果 + 向量检索结果 + 长期记忆的用户画像三者融合，构建完整的知识上下文
|
|||
|
|
5. **置信度加权** — 高频使用、近期复习过的知识点权重更高（模拟人脑的"提取强度"）
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 核心功能模块
|
|||
|
|
|
|||
|
|
### 1. 作业管理（知识图谱驱动）
|
|||
|
|
- **任务清单**：使用 `task_plan` 创建结构化的作业任务列表，按学科和优先级分类
|
|||
|
|
- **截止日期提醒**：结合 `datetime` 和 `schedule_create` 生成倒计时和定时提醒
|
|||
|
|
- **进度追踪**：标记待完成/进行中/已完成，使用 `schedule_list` 查看所有任务
|
|||
|
|
- **智能拆分**：将大型作业自动拆分为可执行的小步骤，存入知识图谱追踪依赖关系
|
|||
|
|
- 例如：写论文 -> 选题 -> 大纲 -> 初稿 -> 修改 -> 终稿
|
|||
|
|
- 每个子步骤作为知识图谱实体，用 prerequisite 关系链连接
|
|||
|
|
|
|||
|
|
### 2. 学习辅助（图谱+向量双重检索）
|
|||
|
|
- **知识问答**：
|
|||
|
|
1. 先用 `entity_search` 定位核心概念实体
|
|||
|
|
2. 用 `knowledge_graph_search` 获取前置知识和扩展内容
|
|||
|
|
3. 用向量记忆检索相关历史对话
|
|||
|
|
4. 融合三层记忆后生成精准解答，附带完整推理过程
|
|||
|
|
- **错题本生成**：用户输入错题后，自动抽取知识点实体 → `knowledge_graph_add` 存入图谱 → 标记"薄弱"权重 → 生成同类练习题
|
|||
|
|
- **笔记整理**：用 `text_analyze` 将混乱笔记整理为结构化摘要（概念→公式→例题→易错点），自动抽取实体入图谱
|
|||
|
|
- **记忆卡片**：根据知识图谱中的实体和关系，生成 Anki 风格闪卡，`learning_path` 规划间隔重复复习顺序
|
|||
|
|
|
|||
|
|
### 3. 时间与计划（情境感知）
|
|||
|
|
- **日程规划**：根据知识图谱分析学习依赖关系 → 用 `learning_path` 确定最优学习顺序 → `task_plan` 生成番茄工作法时间表
|
|||
|
|
- **时间审计**：分析用户学习时间分配，指出低效环节，基于学习目标推荐优化方案
|
|||
|
|
- **考试冲刺**：输入考试日期 → 图谱分析薄弱环节 → 按 prerequisite 关系倒推复习路径 → 生成每日冲刺计划
|
|||
|
|
|
|||
|
|
### 4. 资源推荐（联网+图谱）
|
|||
|
|
- **学习资料**：用 `web_search` 检索教材、视频（Khan Academy等）、题库，基于当前知识图谱中的"知识空白"精准推荐
|
|||
|
|
- **工具集成**：推荐学习工具（Grammarly、Wolfram Alpha、Notion模板），必要时用 `http_request` 调外部 API
|
|||
|
|
- **学习路径**：用 `learning_path` 分析知识图谱，规划从当前水平到目标水平的最优学习路径
|
|||
|
|
|
|||
|
|
### 5. 激励与反馈
|
|||
|
|
- **成就系统**：跟踪学习里程碑（连续学习天数、掌握知识点数量、图谱规模增长），生成鼓励性反馈
|
|||
|
|
- **考试倒计时**：`datetime` + `schedule_create` 定时提醒，生成复习冲刺表
|
|||
|
|
- **成长可视化**：定期总结知识图谱的增长（新增实体数、关系数），让用户看到自己的进步
|
|||
|
|
|
|||
|
|
### 6. 自主进化能力（AgentRuntime 独有）
|
|||
|
|
- **工具扩展**：发现重复操作模式时，用 `code_tool_create` 创建专用工具
|
|||
|
|
- **子Agent创建**：遇到需要专业领域深度协助时，用 `agent_create` 创建子Agent
|
|||
|
|
- **能力自检**：定期用 `capability_check` 和 `self_review` 评估自身表现
|
|||
|
|
- **知识共享**：用 `extension_log` 记录扩展历史，促进跨会话学习
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 交互规则
|
|||
|
|
|
|||
|
|
### 响应格式
|
|||
|
|
- **任务清单**：Markdown 列表 `- [ ]` / `- [x]`
|
|||
|
|
- **知识解答**：先给出清晰简洁的答案 → 分割线 → 完整推理过程
|
|||
|
|
- **学习计划**：表格或时间轴呈现
|
|||
|
|
- **图谱可视化**：必要时用文本方式呈现知识图谱子图结构
|
|||
|
|
|
|||
|
|
### 语气风格
|
|||
|
|
- 像一位懂教育学和认知心理学的私人导师
|
|||
|
|
- 鼓励、耐心、细致，积极正向
|
|||
|
|
- 多用"你做得很棒！""这个思路很好！""我们一起来看看这个问题背后的原理"
|
|||
|
|
|
|||
|
|
### 安全边界
|
|||
|
|
- 不代写考试答案，不鼓励学术不端
|
|||
|
|
- 遇到心理健康问题，建议寻求专业帮助
|
|||
|
|
- 推荐资源应合法合规
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 你是最接近人类记忆方式的AI学习伙伴
|
|||
|
|
|
|||
|
|
你的三层记忆架构让你能够：
|
|||
|
|
- **理解**知识之间的深层关联（图谱），而非孤立记忆
|
|||
|
|
- **联想**到相关的历史讨论（向量语义），而非关键词匹配
|
|||
|
|
- **记住**每个学生的独特情况（长期记忆），而非每次从零开始
|
|||
|
|
|
|||
|
|
记住：你的使命不是替学生完成作业，而是**帮助他们建立自己的知识网络，学会如何学习**。"""
|
|||
|
|
|
|||
|
|
|
|||
|
|
def _login() -> Optional[str]:
|
|||
|
|
try:
|
|||
|
|
r = requests.post(
|
|||
|
|
f"{BASE}/api/v1/auth/login",
|
|||
|
|
data={"username": USER, "password": PWD},
|
|||
|
|
headers={"Content-Type": "application/x-www-form-urlencoded"},
|
|||
|
|
timeout=15,
|
|||
|
|
)
|
|||
|
|
if r.status_code == 200:
|
|||
|
|
return r.json().get("access_token")
|
|||
|
|
print(f"Login failed: {r.status_code} {r.text[:300]}", file=sys.stderr)
|
|||
|
|
return None
|
|||
|
|
except Exception as e:
|
|||
|
|
print(f"Login error: {e}", file=sys.stderr)
|
|||
|
|
return None
|
|||
|
|
|
|||
|
|
|
|||
|
|
def _find_agent_by_name(token: str, name: str) -> Optional[Dict[str, Any]]:
|
|||
|
|
h = {"Authorization": f"Bearer {token}"}
|
|||
|
|
r = requests.get(f"{BASE}/api/v1/agents", params={"search": name, "limit": 50}, headers=h, timeout=30)
|
|||
|
|
if r.status_code != 200:
|
|||
|
|
return None
|
|||
|
|
for a in r.json() or []:
|
|||
|
|
if a.get("name") == name:
|
|||
|
|
return a
|
|||
|
|
return None
|
|||
|
|
|
|||
|
|
|
|||
|
|
def _build_workflow(agent_id: str = "") -> Dict[str, Any]:
|
|||
|
|
"""构建 agent 节点工作流（参考苏瑶3号架构：开始 -> agent(ReAct) -> 结束）。"""
|
|||
|
|
return {
|
|||
|
|
"nodes": [
|
|||
|
|
{
|
|||
|
|
"id": "start-1",
|
|||
|
|
"type": "start",
|
|||
|
|
"position": {"x": 80, "y": 240},
|
|||
|
|
"data": {"label": "学习任务开始"},
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"id": "agent-learning-core",
|
|||
|
|
"type": "agent",
|
|||
|
|
"position": {"x": 380, "y": 240},
|
|||
|
|
"data": {
|
|||
|
|
"label": AGENT_NAME,
|
|||
|
|
# LLM config
|
|||
|
|
"system_prompt": SYSTEM_PROMPT,
|
|||
|
|
"provider": PROVIDER,
|
|||
|
|
"model": MODEL,
|
|||
|
|
"temperature": TEMPERATURE,
|
|||
|
|
"max_iterations": MAX_ITERATIONS,
|
|||
|
|
# All 39 tools
|
|||
|
|
"tools": ALL_TOOLS,
|
|||
|
|
# KG+RAG memory config
|
|||
|
|
"memory": True,
|
|||
|
|
"memory_max_history": 40,
|
|||
|
|
"memory_vector_enabled": True,
|
|||
|
|
"memory_vector_top_k": 10,
|
|||
|
|
"memory_persist": True,
|
|||
|
|
"memory_learning": True,
|
|||
|
|
# Scope isolation
|
|||
|
|
"memory_scope_id": agent_id,
|
|||
|
|
"agent_id": agent_id,
|
|||
|
|
# Self-review
|
|||
|
|
"self_review_enabled": True,
|
|||
|
|
},
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"id": "end-1",
|
|||
|
|
"type": "end",
|
|||
|
|
"position": {"x": 680, "y": 240},
|
|||
|
|
"data": {"label": "学习完成"},
|
|||
|
|
},
|
|||
|
|
],
|
|||
|
|
"edges": [
|
|||
|
|
{
|
|||
|
|
"id": "e_start_agent",
|
|||
|
|
"source": "start-1",
|
|||
|
|
"target": "agent-learning-core",
|
|||
|
|
"sourceHandle": "right",
|
|||
|
|
"targetHandle": "left",
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"id": "e_agent_end",
|
|||
|
|
"source": "agent-learning-core",
|
|||
|
|
"target": "end-1",
|
|||
|
|
"sourceHandle": "right",
|
|||
|
|
"targetHandle": "left",
|
|||
|
|
},
|
|||
|
|
],
|
|||
|
|
}
|
|||
|
|
|
|||
|
|
|
|||
|
|
def main() -> int:
|
|||
|
|
token = _login()
|
|||
|
|
if not token:
|
|||
|
|
return 1
|
|||
|
|
|
|||
|
|
h = {"Authorization": f"Bearer {token}", "Content-Type": "application/json"}
|
|||
|
|
|
|||
|
|
# Check if agent exists
|
|||
|
|
existing = _find_agent_by_name(token, AGENT_NAME)
|
|||
|
|
if existing:
|
|||
|
|
print(f"Agent '{AGENT_NAME}' exists (id={existing['id']}), updating config...")
|
|||
|
|
agent_id = existing["id"]
|
|||
|
|
else:
|
|||
|
|
temp_wf = _build_workflow(agent_id="")
|
|||
|
|
body = {
|
|||
|
|
"name": AGENT_NAME,
|
|||
|
|
"description": "AI学习助手 -- KG+RAG理想版，实体关系图谱+语义向量检索+情境感知，具备全部39工具。",
|
|||
|
|
"workflow_config": temp_wf,
|
|||
|
|
}
|
|||
|
|
r = requests.post(f"{BASE}/api/v1/agents", headers=h, json=body, timeout=60)
|
|||
|
|
if r.status_code != 201:
|
|||
|
|
print(f"Create failed: {r.status_code} {r.text[:500]}", file=sys.stderr)
|
|||
|
|
return 1
|
|||
|
|
agent_id = r.json()["id"]
|
|||
|
|
print(f"Agent created: id={agent_id} name={AGENT_NAME}")
|
|||
|
|
|
|||
|
|
# Rebuild workflow with correct agent_id
|
|||
|
|
wf = _build_workflow(agent_id=agent_id)
|
|||
|
|
|
|||
|
|
description = (
|
|||
|
|
f"AI学习助手 -- 知识图谱+RAG理想版（参考苏瑶3号架构）。\n\n"
|
|||
|
|
f"记忆架构：三层记忆体系（最接近人类记忆方式）\n"
|
|||
|
|
f" [Layer 1] 知识图谱 -- 实体关系图谱，动态演化，情境编码\n"
|
|||
|
|
f" [Layer 2] 向量语义 -- Embedding检索，模糊联想，知识迁移\n"
|
|||
|
|
f" [Layer 3] 长期情景 -- 跨会话持久化，用户画像，学习里程碑\n\n"
|
|||
|
|
f"工作流：开始 -> agent(ReAct) -> 结束\n"
|
|||
|
|
f"工具：全部 {len(ALL_TOOLS)} 个内置工具\n"
|
|||
|
|
f"模型：{PROVIDER}/{MODEL} temperature={TEMPERATURE} max_iterations={MAX_ITERATIONS}\n"
|
|||
|
|
f"记忆：KG+RAG 三层记忆 + 向量Top-10 + 长期 + 自主学习"
|
|||
|
|
)
|
|||
|
|
|
|||
|
|
up = requests.put(
|
|||
|
|
f"{BASE}/api/v1/agents/{agent_id}",
|
|||
|
|
headers=h,
|
|||
|
|
json={
|
|||
|
|
"description": description,
|
|||
|
|
"workflow_config": wf,
|
|||
|
|
},
|
|||
|
|
timeout=120,
|
|||
|
|
)
|
|||
|
|
if up.status_code != 200:
|
|||
|
|
print(f"Update failed: {up.status_code} {up.text[:500]}", file=sys.stderr)
|
|||
|
|
return 1
|
|||
|
|
|
|||
|
|
print(f"[OK] Agent '{AGENT_NAME}' configured (KG+RAG ideal version)")
|
|||
|
|
print(f" ID: {agent_id}")
|
|||
|
|
print(f" Type: agent node (AgentRuntime ReAct)")
|
|||
|
|
print(f" Model: {PROVIDER}/{MODEL} (temperature={TEMPERATURE})")
|
|||
|
|
print(f" Max iterations: {MAX_ITERATIONS}")
|
|||
|
|
print(f" Tools: ALL {len(ALL_TOOLS)} built-in tools")
|
|||
|
|
print(f" Memory: 3-layer KG+RAG (entity graph + vector semantic + persistent)")
|
|||
|
|
print(f" Vector top-K: 10, Max history: 40")
|
|||
|
|
print(f" Self-review: enabled")
|
|||
|
|
|
|||
|
|
# Publish if requested
|
|||
|
|
if PUBLISH:
|
|||
|
|
pub = requests.put(
|
|||
|
|
f"{BASE}/api/v1/agents/{agent_id}",
|
|||
|
|
headers=h,
|
|||
|
|
json={"status": "published"},
|
|||
|
|
timeout=30,
|
|||
|
|
)
|
|||
|
|
if pub.status_code == 200:
|
|||
|
|
print(f" Status: published")
|
|||
|
|
else:
|
|||
|
|
print(f" Publish failed: {pub.status_code} {pub.text[:200]}")
|
|||
|
|
|
|||
|
|
print()
|
|||
|
|
print("Five core modules (KG+RAG enhanced):")
|
|||
|
|
print(" [1] Homework management -- KG-driven task splitting & scheduling")
|
|||
|
|
print(" [2] Learning assistance -- dual retrieval (graph + vector semantic)")
|
|||
|
|
print(" [3] Time & planning -- context-aware scheduling via learning_path")
|
|||
|
|
print(" [4] Resource recommendation -- web search + knowledge gap analysis")
|
|||
|
|
print(" [5] Motivation & feedback -- achievement tracking + KG growth visualization")
|
|||
|
|
print(" [6] Autonomous evolution -- agent_create, tool_register, code_tool_create")
|
|||
|
|
print()
|
|||
|
|
print(json.dumps({"id": agent_id, "name": AGENT_NAME, "published": PUBLISH}, ensure_ascii=False))
|
|||
|
|
return 0
|
|||
|
|
|
|||
|
|
|
|||
|
|
if __name__ == "__main__":
|
|||
|
|
raise SystemExit(main())
|