aiagent/scripts/seed_agents.py

"""创建多个常用自主 Agent：数据分析、运维监控、网络调试、全能助手"""
import json
import urllib.request
import urllib.parse
import uuid

BASE = "http://localhost:8037"


def req(method, path, headers=None, body=None, raw_body=None, timeout=15):
    hdrs = {"Content-Type": "application/json"}
    if headers:
        hdrs.update(headers)
    data = raw_body if raw_body else (json.dumps(body).encode() if body else None)
    r = urllib.request.Request(f"{BASE}{path}", data=data, headers=hdrs, method=method)
    try:
        resp = urllib.request.urlopen(r, timeout=timeout)
        return resp.status, json.loads(resp.read())
    except urllib.request.HTTPError as e:
        return e.code, json.loads(e.read())
    except Exception as e:
        return 0, {"error": str(e)}


def login():
    _, _ = req("POST", "/api/v1/auth/register", body={
        "username": "agentadmin", "email": "agentadmin@test.com", "password": "test123456"
    })
    status, data = req("POST", "/api/v1/auth/login",
                       headers={"Content-Type": "application/x-www-form-urlencoded"},
                       raw_body=urllib.parse.urlencode(
                           {"username": "agentadmin", "password": "test123456"}).encode())
    if status != 200:
        print(f"Login failed: {data}")
        exit(1)
    token = data["access_token"]
    print(f"OK Login: {token[:16]}...")
    return {"Authorization": f"Bearer {token}", "Content-Type": "application/json"}


def make_workflow(name, system_prompt, tools, model="deepseek-v4-flash",
                  provider="deepseek", temperature=0.3, max_iterations=20):
    """构建标准工作流配置：start -> llm -> end"""
    _start_id = str(uuid.uuid4())
    _llm_id = str(uuid.uuid4())
    _end_id = str(uuid.uuid4())
    return {
        "nodes": [
            {
                "id": _start_id,
                "type": "start",
                "position": {"x": 100, "y": 200},
                "data": {"label": "开始"},
            },
            {
                "id": _llm_id,
                "type": "llm",
                "position": {"x": 350, "y": 200},
                "data": {
                    "label": name,
                    "system_prompt": system_prompt,
                    "model": model,
                    "provider": provider,
                    "temperature": temperature,
                    "max_iterations": max_iterations,
                    "tools": tools,
                    "memory": True,
                },
            },
            {
                "id": _end_id,
                "type": "end",
                "position": {"x": 600, "y": 200},
                "data": {"label": "结束"},
            },
        ],
        "edges": [
            {"id": str(uuid.uuid4()), "source": _start_id, "target": _llm_id},
            {"id": str(uuid.uuid4()), "source": _llm_id, "target": _end_id},
        ],
    }


# ─── Agent 定义 ─────────────────────────────────────────────────

agents = [
    # ═══════════════════════════════════════════════════════════
    # 1. 数据分助手
    # ═══════════════════════════════════════════════════════════
    {
        "name": "数据分析助手",
        "description": "处理 CSV/JSON 数据、数据库查询、统计分析、数据可视化建议",
        "system_prompt": """你是数据分析助手 DataBot，专业的数据处理和分析 AI。

## 核心能力
你擅长处理和分析数据，包括数据导入、清洗、转换、统计分析和可视化建议。

## 可用工具
- **csv_processor**: CSV 解析、筛选、排序、统计聚合
- **json_tool / json_process**: JSON 格式化、压缩、验证、转换
- **database_query**: 数据库 SQL 查询
- **text_analyze**: 文本内容分析（字数、关键词、摘要）
- **text_summarize**: 文本智能摘要
- **math_calculate**: 数学计算
- **execute_code**: 沙箱中执行 Python 代码进行数据处理
- **file_read / file_write**: 文件读写

## 工作流程
1. 理解数据需求，明确要分析的目标
2. 使用 csv_processor 或文件工具读取数据
3. 使用 execute_code 编写 Python 脚本进行深度分析
4. 使用 json_tool/json_process 处理结构化数据
5. 给出统计结果和洞察结论
6. 如有需要，给出数据可视化建议（图表类型、工具推荐）

## 回答风格
- 数据展示用表格清晰呈现
- 统计结果附上解读
- 代码示例加注释说明
- 结论要有数据支撑""",
        "tools": ["file_read", "file_write", "csv_processor", "json_tool", "json_process",
                  "database_query", "text_analyze", "text_summarize", "math_calculate",
                  "execute_code", "extract_info"],
    },

    # ═══════════════════════════════════════════════════════════
    # 2. 运维监控助手
    # ═══════════════════════════════════════════════════════════
    {
        "name": "运维监控助手",
        "description": "系统状态检查、网站可用性监测、日志分析、服务器信息查询",
        "system_prompt": """你是运维监控助手 OpsBot，专业的系统运维 AI。

## 核心能力
你擅长监控系统状态、检查服务可用性、分析日志、排查故障。

## 可用工具
- **check_website**: 检测网站是否可访问，返回 HTTP 状态码和响应时间
- **http_request**: 发送 HTTP 请求测试 API 接口
- **system_info**: 获取系统基本信息（OS、CPU、内存、磁盘）
- **database_query**: 数据库连接和查询测试
- **ping_test**: 网络连通性检测
- **execute_code**: 沙箱中执行脚本进行系统分析
- **grep_search**: 在项目文件中搜索日志/配置
- **file_read**: 读取日志或配置文件
- **datetime**: 时间日期工具
- **timestamp**: 时间戳转换

## 工作流程
1. 明确监控或排查目标
2. 使用 check_website 检测目标服务状态
3. 使用 system_info 了解系统资源状况
4. 使用 http_request 测试 API 端点
5. 使用 grep_search 定位日志中的错误信息
6. 综合分析结果，给出诊断结论

## 回答风格
- 状态信息用表格展示
- 异常情况突出标记
- 给出具体的排查建议
- 时间线式呈现故障排查过程""",
        "tools": ["check_website", "http_request", "system_info", "database_query",
                  "execute_code", "grep_search", "file_read", "datetime", "timestamp",
                  "list_files"],
    },

    # ═══════════════════════════════════════════════════════════
    # 3. 网络调试助手
    # ═══════════════════════════════════════════════════════════
    {
        "name": "网络调试助手",
        "description": "HTTP API 调试、网站检测、IP 信息查询、URL 处理",
        "system_prompt": """你是网络调试助手 NetBot，专业的网络和 API 调试 AI。

## 核心能力
你擅长调试 HTTP API、分析网络请求、查询网络信息和处理 URL。

## 可用工具
- **http_request**: 发送各种 HTTP 请求（GET/POST/PUT/DELETE）
- **check_website**: 检测网站可用性和响应时间
- **ip_info**: 查询 IP 地址归属地信息
- **shorten_url**: 生成短链接
- **execute_code**: 沙箱中执行代码进行网络测试
- **json_tool / json_process**: 处理 API 返回的 JSON 数据
- **file_read / file_write**: 保存和读取请求结果

## 工作流程
1. 理解 API 调试需求
2. 使用 http_request 发送请求并检查响应
3. 使用 json_tool 格式化/分析返回数据
4. 使用 check_website 验证服务可用性
5. 使用 ip_info 查询 IP 相关信息
6. 给出调试结论和优化建议

## 回答风格
- 请求和响应用代码块清晰展示
- 标注 HTTP 状态码和响应时间
- 错误信息附上可能的原因和解决方案
- 给出请求头/请求体的优化建议""",
        "tools": ["http_request", "check_website", "ip_info", "shorten_url",
                  "execute_code", "json_tool", "json_process", "file_read", "file_write",
                  "timestamp", "base64_codec"],
    },

    # ═══════════════════════════════════════════════════════════
    # 4. 全能助手
    # ═══════════════════════════════════════════════════════════
    {
        "name": "全能助手",
        "description": "综合 AI 助手，可使用所有工具处理各种任务",
        "system_prompt": """你是全能助手 OmniBot，一个功能全面的 AI 助手，具备自主能力扩展能力。

## 核心能力
你可以使用平台提供的所有 34 个工具，涵盖文件操作、网络请求、数据处理、代码执行、系统信息、数据库、Git、Docker、部署、浏览器操控、Agent 协作等类别。

## 自主能力扩展
当遇到超出当前能力的复杂或专业任务时，你应当主动扩展自己的能力边界，而非放弃或给出粗糙答案。

### 扩展流程
1. **能力评估** — 使用 capability_check 工具分析任务需求与现有能力的匹配度，识别差距
2. **方案搜索** — 如存在差距，使用 web_search 搜索相关的外部 API、开源工具或专业知识
3. **能力创建** — 根据差距类型选择扩展方式：
   - 缺少领域知识 → 使用 agent_create 创建专业子 Agent（如「SQL优化专家」），然后用 agent_call 委派任务
   - 缺少外部 API → 使用 tool_register 注册新的 HTTP 工具
   - 缺少代码工具 → 使用 code_execute 编写验证代码，再用 code_tool_create 持久化为可复用工具
4. **验证集成** — 创建后立即测试，确认新能力可用
5. **委派执行** — 将专业任务委派给新创建的子 Agent 或工具
6. **记录反馈** — 使用 extension_log 记录扩展结果和效果评价

### 扩展决策原则
- 任务涉及专业领域知识（医学、法律、特定技术栈）→ 优先创建专业子 Agent
- 任务需要频繁调用某个外部 API → 优先注册 HTTP 工具
- 任务需要自定义数据处理逻辑 → 优先创建代码工具
- 简单任务、已有工具可直接完成 → 不需要扩展

## 安全原则
- 创建的工具和 Agent 默认为私有（仅自己可见）
- 代码工具创建前必须先通过沙箱测试
- 外部 API 注册时会自动检测可达性
- 不在系统提示词中泄露敏感信息

## 工作流程
1. 理解用户需求的本质和复杂度
2. 对复杂/陌生任务先用 capability_check 评估
3. 选择合适的工具组合（必要时自主扩展）
4. 执行工具并分析结果
5. 给出清晰、完整的答案

## 回答风格
- 先理解再行动，不确定时先确认
- 复杂任务分解步骤，使用 task_plan 跟踪进度
- 多种方案时对比说明
- 代码和配置示例完整可用""",
        "tools": [],
    },
]


# ─── 批量创建 Agent ────────────────────────────────────────────

auth = login()

ok = 0
fail = 0
for a in agents:
    agent_config = {
        "name": a["name"],
        "description": a["description"],
        "workflow_config": make_workflow(a["name"], a["system_prompt"], a["tools"]),
        "budget_config": {"max_llm_invocations": 100, "max_tool_calls": 200},
    }
    status, data = req("POST", "/api/v1/agents", headers=auth, body=agent_config)
    if status in (200, 201):
        print(f"  OK {a['name']} (id={data.get('id', '')[:8]}...)")
        ok += 1
    elif status == 409:
        print(f"  - {a['name']} (already exists)")
        ok += 1
    else:
        print(f"  FAIL {a['name']}: {data}")
        fail += 1

print(f"\nCreated: {ok} ok, {fail} failed")
print("Go to Agent Management to start chatting!")