ss
This commit is contained in:
69
backend/app/core/redis_client.py
Normal file
69
backend/app/core/redis_client.py
Normal file
@@ -0,0 +1,69 @@
|
|||||||
|
"""
|
||||||
|
Redis客户端
|
||||||
|
"""
|
||||||
|
import redis
|
||||||
|
from app.core.config import settings
|
||||||
|
import logging
|
||||||
|
|
||||||
|
logger = logging.getLogger(__name__)
|
||||||
|
|
||||||
|
_redis_client = None
|
||||||
|
|
||||||
|
def get_redis_client():
|
||||||
|
"""
|
||||||
|
获取Redis客户端（单例模式）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
redis.Redis: Redis客户端实例，如果连接失败则返回None
|
||||||
|
"""
|
||||||
|
global _redis_client
|
||||||
|
|
||||||
|
if _redis_client is not None:
|
||||||
|
try:
|
||||||
|
# 测试连接
|
||||||
|
_redis_client.ping()
|
||||||
|
return _redis_client
|
||||||
|
except:
|
||||||
|
# 连接已断开，重新创建
|
||||||
|
_redis_client = None
|
||||||
|
|
||||||
|
try:
|
||||||
|
redis_url = getattr(settings, 'REDIS_URL', None)
|
||||||
|
if not redis_url:
|
||||||
|
logger.warning("REDIS_URL未配置，无法使用Redis缓存")
|
||||||
|
return None
|
||||||
|
|
||||||
|
# 解析Redis URL: redis://host:port/db
|
||||||
|
if redis_url.startswith('redis://'):
|
||||||
|
redis_url = redis_url.replace('redis://', '')
|
||||||
|
|
||||||
|
# 分离host:port和db
|
||||||
|
parts = redis_url.split('/')
|
||||||
|
host_port = parts[0]
|
||||||
|
db = int(parts[1]) if len(parts) > 1 and parts[1].isdigit() else 0
|
||||||
|
|
||||||
|
# 分离host和port
|
||||||
|
if ':' in host_port:
|
||||||
|
host, port = host_port.split(':')
|
||||||
|
port = int(port)
|
||||||
|
else:
|
||||||
|
host = host_port
|
||||||
|
port = 6379
|
||||||
|
|
||||||
|
_redis_client = redis.Redis(
|
||||||
|
host=host,
|
||||||
|
port=port,
|
||||||
|
db=db,
|
||||||
|
decode_responses=True, # 自动解码为字符串
|
||||||
|
socket_connect_timeout=2,
|
||||||
|
socket_timeout=2
|
||||||
|
)
|
||||||
|
|
||||||
|
# 测试连接
|
||||||
|
_redis_client.ping()
|
||||||
|
logger.info(f"Redis连接成功: {host}:{port}/{db}")
|
||||||
|
return _redis_client
|
||||||
|
except Exception as e:
|
||||||
|
logger.warning(f"Redis连接失败: {str(e)}，将使用内存缓存")
|
||||||
|
_redis_client = None
|
||||||
|
return None
|
||||||
File diff suppressed because it is too large
Load Diff
@@ -71,7 +71,7 @@ class WorkflowValidator:
|
|||||||
node_type = node.get('type')
|
node_type = node.get('type')
|
||||||
if not node_type:
|
if not node_type:
|
||||||
self.errors.append(f"节点 {node_id} 缺少类型")
|
self.errors.append(f"节点 {node_id} 缺少类型")
|
||||||
elif node_type not in ['start', 'input', 'llm', 'condition', 'transform', 'output', 'end', 'default', 'loop', 'foreach', 'loop_end', 'agent', 'http', 'request', 'database', 'db', 'file', 'file_operation', 'schedule', 'delay', 'timer', 'webhook', 'email', 'mail', 'message_queue', 'mq', 'rabbitmq', 'kafka']:
|
elif node_type not in ['start', 'input', 'llm', 'condition', 'transform', 'output', 'end', 'default', 'loop', 'foreach', 'loop_end', 'agent', 'http', 'request', 'database', 'db', 'file', 'file_operation', 'schedule', 'delay', 'timer', 'webhook', 'email', 'mail', 'message_queue', 'mq', 'rabbitmq', 'kafka', 'switch', 'merge', 'wait', 'json', 'text', 'cache', 'vector_db', 'log', 'error_handler', 'csv', 'object_storage', 'slack', 'dingtalk', 'dingding', 'wechat_work', 'wecom', 'sms', 'pdf', 'image', 'excel', 'subworkflow', 'code', 'oauth', 'validator', 'batch']:
|
||||||
self.warnings.append(f"节点 {node_id} 使用了未知类型: {node_type}")
|
self.warnings.append(f"节点 {node_id} 使用了未知类型: {node_type}")
|
||||||
|
|
||||||
def _validate_edges(self):
|
def _validate_edges(self):
|
||||||
|
|||||||
549
backend/scripts/generate_chat_agent.py
Normal file
549
backend/scripts/generate_chat_agent.py
Normal file
@@ -0,0 +1,549 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
生成智能聊天Agent示例
|
||||||
|
展示如何使用平台能力构建一个完整的聊天智能体，包含：
|
||||||
|
- 记忆管理（缓存节点）
|
||||||
|
- 意图识别（LLM节点）
|
||||||
|
- 多分支路由（Switch节点）
|
||||||
|
- 上下文传递（Transform节点）
|
||||||
|
- 多轮对话支持
|
||||||
|
"""
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
|
||||||
|
|
||||||
|
from sqlalchemy.orm import Session
|
||||||
|
from app.core.database import SessionLocal
|
||||||
|
from app.models.agent import Agent
|
||||||
|
from app.models.user import User
|
||||||
|
from datetime import datetime
|
||||||
|
import uuid
|
||||||
|
|
||||||
|
|
||||||
|
def generate_chat_agent(db: Session, user: User):
|
||||||
|
"""生成智能聊天Agent - 完整示例"""
|
||||||
|
nodes = []
|
||||||
|
edges = []
|
||||||
|
|
||||||
|
# ========== 1. 开始节点 ==========
|
||||||
|
start_node = {
|
||||||
|
"id": "start-1",
|
||||||
|
"type": "start",
|
||||||
|
"position": {"x": 50, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "开始",
|
||||||
|
"output_format": "json"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(start_node)
|
||||||
|
|
||||||
|
# ========== 2. 查询记忆节点 ==========
|
||||||
|
query_memory_node = {
|
||||||
|
"id": "cache-query",
|
||||||
|
"type": "cache",
|
||||||
|
"position": {"x": 250, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "查询记忆",
|
||||||
|
"operation": "get",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"default_value": '{"conversation_history": [], "user_profile": {}, "context": {}}'
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(query_memory_node)
|
||||||
|
|
||||||
|
# ========== 3. 合并用户输入和记忆 ==========
|
||||||
|
merge_context_node = {
|
||||||
|
"id": "transform-merge",
|
||||||
|
"type": "transform",
|
||||||
|
"position": {"x": 450, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "合并上下文",
|
||||||
|
"mode": "merge",
|
||||||
|
"mapping": {
|
||||||
|
"user_input": "{{query}}",
|
||||||
|
"memory": "{{output}}",
|
||||||
|
"timestamp": "{{timestamp}}"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(merge_context_node)
|
||||||
|
|
||||||
|
# ========== 4. 意图理解节点 ==========
|
||||||
|
intent_node = {
|
||||||
|
"id": "llm-intent",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 650, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "意图理解",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.3",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": """你是一个专业的对话意图分析助手。请分析用户的输入，识别用户的意图和情感。
|
||||||
|
|
||||||
|
用户输入：{{user_input}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
用户画像：{{memory.user_profile}}
|
||||||
|
|
||||||
|
请以JSON格式输出分析结果：
|
||||||
|
{
|
||||||
|
"intent": "意图类型（greeting/question/emotion/request/goodbye/other）",
|
||||||
|
"emotion": "情感状态（positive/neutral/negative）",
|
||||||
|
"keywords": ["关键词1", "关键词2"],
|
||||||
|
"topic": "话题主题",
|
||||||
|
"needs_response": true
|
||||||
|
}
|
||||||
|
|
||||||
|
请确保输出是有效的JSON格式，不要包含其他文字。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(intent_node)
|
||||||
|
|
||||||
|
# ========== 5. Switch节点 - 根据意图分支 ==========
|
||||||
|
switch_node = {
|
||||||
|
"id": "switch-intent",
|
||||||
|
"type": "switch",
|
||||||
|
"position": {"x": 850, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "意图路由",
|
||||||
|
"field": "intent",
|
||||||
|
"cases": {
|
||||||
|
"greeting": "greeting-handle",
|
||||||
|
"question": "question-handle",
|
||||||
|
"emotion": "emotion-handle",
|
||||||
|
"request": "request-handle",
|
||||||
|
"goodbye": "goodbye-handle"
|
||||||
|
},
|
||||||
|
"default": "general-handle"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(switch_node)
|
||||||
|
|
||||||
|
# ========== 6. 问候处理分支 ==========
|
||||||
|
greeting_node = {
|
||||||
|
"id": "llm-greeting",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 200},
|
||||||
|
"data": {
|
||||||
|
"label": "问候回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.7",
|
||||||
|
"max_tokens": "500",
|
||||||
|
"prompt": """你是一个温暖、友好的AI助手。用户向你打招呼，请用自然、亲切的方式回应。
|
||||||
|
|
||||||
|
用户输入：{{user_input}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
|
||||||
|
请生成一个友好、自然的问候回复，长度控制在50字以内。直接输出回复内容，不要包含其他说明。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(greeting_node)
|
||||||
|
|
||||||
|
# ========== 7. 问题处理分支 ==========
|
||||||
|
question_node = {
|
||||||
|
"id": "llm-question",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 300},
|
||||||
|
"data": {
|
||||||
|
"label": "问题回答",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.5",
|
||||||
|
"max_tokens": "2000",
|
||||||
|
"prompt": """你是一个知识渊博、乐于助人的AI助手。请回答用户的问题。
|
||||||
|
|
||||||
|
用户问题：{{user_input}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
意图分析：{{output}}
|
||||||
|
|
||||||
|
请提供：
|
||||||
|
1. 直接、准确的答案
|
||||||
|
2. 必要的解释和说明
|
||||||
|
3. 如果问题不明确，友好地询问更多信息
|
||||||
|
|
||||||
|
请以自然、易懂的方式回答，长度控制在200字以内。直接输出回答内容。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(question_node)
|
||||||
|
|
||||||
|
# ========== 8. 情感处理分支 ==========
|
||||||
|
emotion_node = {
|
||||||
|
"id": "llm-emotion",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "情感回应",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.8",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": """你是一个善解人意的AI助手。请根据用户的情感状态，给予适当的回应。
|
||||||
|
|
||||||
|
用户输入：{{user_input}}
|
||||||
|
情感状态：{{output.emotion}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
|
||||||
|
请根据用户的情感：
|
||||||
|
- 如果是积极情感：给予鼓励和共鸣
|
||||||
|
- 如果是消极情感：给予理解、安慰和支持
|
||||||
|
- 如果是中性情感：给予关注和陪伴
|
||||||
|
|
||||||
|
请生成一个温暖、共情的回复，长度控制在150字以内。直接输出回复内容。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(emotion_node)
|
||||||
|
|
||||||
|
# ========== 9. 请求处理分支 ==========
|
||||||
|
request_node = {
|
||||||
|
"id": "llm-request",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 500},
|
||||||
|
"data": {
|
||||||
|
"label": "请求处理",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.4",
|
||||||
|
"max_tokens": "1500",
|
||||||
|
"prompt": """你是一个专业的AI助手。用户提出了一个请求，请分析并回应。
|
||||||
|
|
||||||
|
用户请求：{{user_input}}
|
||||||
|
意图分析：{{output}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
|
||||||
|
请：
|
||||||
|
1. 理解用户的请求内容
|
||||||
|
2. 如果可以满足，说明如何满足
|
||||||
|
3. 如果无法满足，友好地说明原因并提供替代方案
|
||||||
|
|
||||||
|
请以清晰、友好的方式回应，长度控制在200字以内。直接输出回复内容。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(request_node)
|
||||||
|
|
||||||
|
# ========== 10. 告别处理分支 ==========
|
||||||
|
goodbye_node = {
|
||||||
|
"id": "llm-goodbye",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 600},
|
||||||
|
"data": {
|
||||||
|
"label": "告别回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.6",
|
||||||
|
"max_tokens": "300",
|
||||||
|
"prompt": """你是一个友好的AI助手。用户要结束对话，请给予温暖的告别。
|
||||||
|
|
||||||
|
用户输入：{{user_input}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
|
||||||
|
请生成一个温暖、友好的告别回复，表达期待下次交流。长度控制在50字以内。直接输出回复内容。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(goodbye_node)
|
||||||
|
|
||||||
|
# ========== 11. 通用处理分支 ==========
|
||||||
|
general_node = {
|
||||||
|
"id": "llm-general",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1050, "y": 700},
|
||||||
|
"data": {
|
||||||
|
"label": "通用回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.6",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": """你是一个友好、专业的AI助手。请回应用户的输入。
|
||||||
|
|
||||||
|
用户输入：{{user_input}}
|
||||||
|
对话历史：{{memory.conversation_history}}
|
||||||
|
意图分析：{{output}}
|
||||||
|
|
||||||
|
请生成一个自然、有意义的回复，保持对话的连贯性。长度控制在150字以内。直接输出回复内容。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(general_node)
|
||||||
|
|
||||||
|
# ========== 12. Merge节点 - 合并所有分支结果 ==========
|
||||||
|
merge_response_node = {
|
||||||
|
"id": "merge-response",
|
||||||
|
"type": "merge",
|
||||||
|
"position": {"x": 1250, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "合并回复",
|
||||||
|
"mode": "merge_first",
|
||||||
|
"strategy": "object"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(merge_response_node)
|
||||||
|
|
||||||
|
# ========== 13. 更新记忆节点 ==========
|
||||||
|
update_memory_node = {
|
||||||
|
"id": "cache-update",
|
||||||
|
"type": "cache",
|
||||||
|
"position": {"x": 1450, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "更新记忆",
|
||||||
|
"operation": "set",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"value": '{"conversation_history": {{memory.conversation_history}} + [{"role": "user", "content": "{{user_input}}", "timestamp": "{{timestamp}}"}, {"role": "assistant", "content": "{{output}}", "timestamp": "{{timestamp}}"}], "user_profile": {{memory.user_profile}}, "context": {{memory.context}}}',
|
||||||
|
"ttl": 86400
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(update_memory_node)
|
||||||
|
|
||||||
|
# ========== 14. 格式化最终回复 ==========
|
||||||
|
format_response_node = {
|
||||||
|
"id": "llm-format",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {"x": 1650, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "格式化回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.3",
|
||||||
|
"max_tokens": "500",
|
||||||
|
"prompt": """请将以下回复内容格式化为最终输出。确保回复自然、流畅。
|
||||||
|
|
||||||
|
原始回复：{{output}}
|
||||||
|
|
||||||
|
请直接输出格式化后的回复内容，不要包含其他说明或标记。如果原始回复已经是合适的格式，直接输出即可。"""
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(format_response_node)
|
||||||
|
|
||||||
|
# ========== 15. 结束节点 ==========
|
||||||
|
end_node = {
|
||||||
|
"id": "end-1",
|
||||||
|
"type": "end",
|
||||||
|
"position": {"x": 1850, "y": 400},
|
||||||
|
"data": {
|
||||||
|
"label": "结束",
|
||||||
|
"output_format": "text"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
nodes.append(end_node)
|
||||||
|
|
||||||
|
# ========== 连接边 ==========
|
||||||
|
# 开始 -> 查询记忆
|
||||||
|
edges.append({
|
||||||
|
"id": "e1",
|
||||||
|
"source": "start-1",
|
||||||
|
"target": "cache-query",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 查询记忆 -> 合并上下文
|
||||||
|
edges.append({
|
||||||
|
"id": "e2",
|
||||||
|
"source": "cache-query",
|
||||||
|
"target": "transform-merge",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 合并上下文 -> 意图理解
|
||||||
|
edges.append({
|
||||||
|
"id": "e3",
|
||||||
|
"source": "transform-merge",
|
||||||
|
"target": "llm-intent",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 意图理解 -> Switch路由
|
||||||
|
edges.append({
|
||||||
|
"id": "e4",
|
||||||
|
"source": "llm-intent",
|
||||||
|
"target": "switch-intent",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# Switch -> 各分支处理节点
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-greeting",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-greeting",
|
||||||
|
"sourceHandle": "greeting-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-question",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-question",
|
||||||
|
"sourceHandle": "question-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-emotion",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-emotion",
|
||||||
|
"sourceHandle": "emotion-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-request",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-request",
|
||||||
|
"sourceHandle": "request-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-goodbye",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-goodbye",
|
||||||
|
"sourceHandle": "goodbye-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e5-general",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-general",
|
||||||
|
"sourceHandle": "default",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 各分支 -> Merge节点
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-greeting",
|
||||||
|
"source": "llm-greeting",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-question",
|
||||||
|
"source": "llm-question",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-emotion",
|
||||||
|
"source": "llm-emotion",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-request",
|
||||||
|
"source": "llm-request",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-goodbye",
|
||||||
|
"source": "llm-goodbye",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
edges.append({
|
||||||
|
"id": "e6-general",
|
||||||
|
"source": "llm-general",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# Merge -> 更新记忆
|
||||||
|
edges.append({
|
||||||
|
"id": "e7",
|
||||||
|
"source": "merge-response",
|
||||||
|
"target": "cache-update",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 更新记忆 -> 格式化回复
|
||||||
|
edges.append({
|
||||||
|
"id": "e8",
|
||||||
|
"source": "cache-update",
|
||||||
|
"target": "llm-format",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
# 格式化回复 -> 结束
|
||||||
|
edges.append({
|
||||||
|
"id": "e9",
|
||||||
|
"source": "llm-format",
|
||||||
|
"target": "end-1",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
})
|
||||||
|
|
||||||
|
return {
|
||||||
|
"name": "智能聊天助手（完整示例）",
|
||||||
|
"description": """一个完整的聊天智能体示例，展示平台的核心能力：
|
||||||
|
- ✅ 记忆管理：使用缓存节点存储和查询对话历史
|
||||||
|
- ✅ 意图识别：使用LLM节点分析用户意图
|
||||||
|
- ✅ 多分支路由：使用Switch节点根据意图分发到不同处理分支
|
||||||
|
- ✅ 上下文传递：使用Transform节点合并数据
|
||||||
|
- ✅ 多轮对话：支持上下文记忆和连贯对话
|
||||||
|
- ✅ 个性化回复：根据不同意图生成针对性回复
|
||||||
|
|
||||||
|
适用场景：情感陪聊、客服助手、智能问答等聊天场景。""",
|
||||||
|
"workflow_config": {"nodes": nodes, "edges": edges}
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
"""主函数：生成并保存Agent"""
|
||||||
|
db = SessionLocal()
|
||||||
|
try:
|
||||||
|
# 获取或创建测试用户
|
||||||
|
user = db.query(User).filter(User.username == "admin").first()
|
||||||
|
if not user:
|
||||||
|
print("请先创建admin用户")
|
||||||
|
return
|
||||||
|
|
||||||
|
# 生成Agent
|
||||||
|
agent_data = generate_chat_agent(db, user)
|
||||||
|
|
||||||
|
# 检查是否已存在
|
||||||
|
existing = db.query(Agent).filter(
|
||||||
|
Agent.name == agent_data["name"],
|
||||||
|
Agent.user_id == user.id
|
||||||
|
).first()
|
||||||
|
|
||||||
|
if existing:
|
||||||
|
print(f"Agent '{agent_data['name']}' 已存在，跳过创建")
|
||||||
|
return
|
||||||
|
|
||||||
|
# 创建Agent
|
||||||
|
agent = Agent(
|
||||||
|
name=agent_data["name"],
|
||||||
|
description=agent_data["description"],
|
||||||
|
workflow_config=agent_data["workflow_config"],
|
||||||
|
user_id=user.id,
|
||||||
|
status="draft"
|
||||||
|
)
|
||||||
|
db.add(agent)
|
||||||
|
db.commit()
|
||||||
|
db.refresh(agent)
|
||||||
|
|
||||||
|
print(f"✅ 成功创建Agent: {agent.name} (ID: {agent.id})")
|
||||||
|
print(f" 节点数量: {len(agent_data['workflow_config']['nodes'])}")
|
||||||
|
print(f" 连接数量: {len(agent_data['workflow_config']['edges'])}")
|
||||||
|
print(f"\n📝 使用说明：")
|
||||||
|
print(f" 1. 在Agent管理页面找到 '{agent.name}'")
|
||||||
|
print(f" 2. 点击'设计'按钮进入工作流编辑器")
|
||||||
|
print(f" 3. 配置LLM节点的API密钥（如需要）")
|
||||||
|
print(f" 4. 点击'发布'按钮发布Agent")
|
||||||
|
print(f" 5. 点击'使用'按钮测试对话功能")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
print(f"❌ 创建Agent失败: {str(e)}")
|
||||||
|
import traceback
|
||||||
|
traceback.print_exc()
|
||||||
|
db.rollback()
|
||||||
|
finally:
|
||||||
|
db.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
main()
|
||||||
232
backend/tests/test_nodes_all.py
Normal file
232
backend/tests/test_nodes_all.py
Normal file
@@ -0,0 +1,232 @@
|
|||||||
|
import asyncio
|
||||||
|
import pytest
|
||||||
|
|
||||||
|
from app.services.workflow_engine import WorkflowEngine
|
||||||
|
|
||||||
|
|
||||||
|
def _engine_with(nodes, edges=None):
|
||||||
|
wf_data = {"nodes": nodes, "edges": edges or []}
|
||||||
|
return WorkflowEngine(workflow_id="wf_all", workflow_data=wf_data)
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_switch_branch():
|
||||||
|
node = {
|
||||||
|
"id": "sw1",
|
||||||
|
"type": "switch",
|
||||||
|
"data": {"field": "status", "cases": {"ok": "ok_handle"}, "default": "def"},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"status": "ok"})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["branch"] == "ok_handle"
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_merge_array_strategy():
|
||||||
|
node = {"id": "m1", "type": "merge", "data": {"strategy": "array"}}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"a": 1, "b": 2})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert isinstance(res["output"], list)
|
||||||
|
assert len(res["output"]) == 2
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_wait_time_mode():
|
||||||
|
node = {
|
||||||
|
"id": "w1",
|
||||||
|
"type": "wait",
|
||||||
|
"data": {"wait_type": "time", "wait_seconds": 0.01},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"ping": True})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["output"]["ping"] is True
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_json_parse_and_extract():
|
||||||
|
node = {
|
||||||
|
"id": "j1",
|
||||||
|
"type": "json",
|
||||||
|
"data": {"operation": "extract", "path": "$.data.value"},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"data": {"value": 42}})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["output"] == 42
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_text_split():
|
||||||
|
node = {
|
||||||
|
"id": "t1",
|
||||||
|
"type": "text",
|
||||||
|
"data": {"operation": "split", "delimiter": ","},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, "a,b,c")
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["output"] == ["a", "b", "c"]
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_cache_set_then_get():
|
||||||
|
node_set = {
|
||||||
|
"id": "cset",
|
||||||
|
"type": "cache",
|
||||||
|
"data": {"operation": "set", "key": "k1", "ttl": 1},
|
||||||
|
}
|
||||||
|
node_get = {
|
||||||
|
"id": "cget",
|
||||||
|
"type": "cache",
|
||||||
|
"data": {"operation": "get", "key": "k1", "ttl": 1},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node_set, node_get])
|
||||||
|
await engine.execute_node(node_set, {"value": "v"})
|
||||||
|
res_get = await engine.execute_node(node_get, {})
|
||||||
|
assert res_get["status"] == "success"
|
||||||
|
assert res_get["output"] == "v"
|
||||||
|
assert res_get["cache_hit"] is True
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_vector_db_upsert_search_delete():
|
||||||
|
node = {
|
||||||
|
"id": "vec",
|
||||||
|
"type": "vector_db",
|
||||||
|
"data": {"operation": "upsert", "collection": "col"},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
up = await engine.execute_node(node, {"embedding": [1.0, 0.0], "text": "hi"})
|
||||||
|
assert up["status"] == "success"
|
||||||
|
|
||||||
|
node_search = {
|
||||||
|
"id": "vecs",
|
||||||
|
"type": "vector_db",
|
||||||
|
"data": {
|
||||||
|
"operation": "search",
|
||||||
|
"collection": "col",
|
||||||
|
"query_vector": [1.0, 0.0],
|
||||||
|
"top_k": 1,
|
||||||
|
},
|
||||||
|
}
|
||||||
|
res = await engine.execute_node(node_search, {})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert len(res["output"]) == 1
|
||||||
|
|
||||||
|
node_del = {
|
||||||
|
"id": "vecd",
|
||||||
|
"type": "vector_db",
|
||||||
|
"data": {"operation": "delete", "collection": "col"},
|
||||||
|
}
|
||||||
|
del_res = await engine.execute_node(node_del, {})
|
||||||
|
assert del_res["status"] == "success"
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_log_basic():
|
||||||
|
node = {
|
||||||
|
"id": "log1",
|
||||||
|
"type": "log",
|
||||||
|
"data": {"level": "info", "message": "hello {x}", "include_data": False},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"x": 1})
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["log"]["message"].startswith("节点执行") or res["log"]["message"].startswith("hello")
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_error_handler_notify():
|
||||||
|
node = {
|
||||||
|
"id": "err1",
|
||||||
|
"type": "error_handler",
|
||||||
|
"data": {"on_error": "notify"},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node])
|
||||||
|
res = await engine.execute_node(node, {"status": "failed", "error": "boom"})
|
||||||
|
assert res["status"] == "error_handled"
|
||||||
|
assert res["error"] == "boom"
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_csv_parse_and_generate():
|
||||||
|
node_parse = {
|
||||||
|
"id": "csvp",
|
||||||
|
"type": "csv",
|
||||||
|
"data": {"operation": "parse", "delimiter": ",", "headers": True},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node_parse])
|
||||||
|
csv_text = "a,b\n1,2\n"
|
||||||
|
res = await engine.execute_node(node_parse, csv_text)
|
||||||
|
assert res["status"] == "success"
|
||||||
|
assert res["output"][0]["a"] == "1"
|
||||||
|
|
||||||
|
node_gen = {
|
||||||
|
"id": "csvg",
|
||||||
|
"type": "csv",
|
||||||
|
"data": {"operation": "generate", "delimiter": ",", "headers": True},
|
||||||
|
}
|
||||||
|
res_gen = await engine.execute_node(node_gen, [{"a": 1, "b": 2}])
|
||||||
|
assert res_gen["status"] == "success"
|
||||||
|
assert "a,b" in res_gen["output"]
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_object_storage_upload_download():
|
||||||
|
node_up = {
|
||||||
|
"id": "osup",
|
||||||
|
"type": "object_storage",
|
||||||
|
"data": {
|
||||||
|
"operation": "upload",
|
||||||
|
"provider": "s3",
|
||||||
|
"bucket": "bk",
|
||||||
|
"key": "file.txt",
|
||||||
|
},
|
||||||
|
}
|
||||||
|
engine = _engine_with([node_up])
|
||||||
|
res_up = await engine.execute_node(node_up, {"file": "data"})
|
||||||
|
assert res_up["status"] == "success"
|
||||||
|
assert res_up["output"]["status"] == "uploaded"
|
||||||
|
|
||||||
|
node_down = {
|
||||||
|
"id": "osdown",
|
||||||
|
"type": "object_storage",
|
||||||
|
"data": {
|
||||||
|
"operation": "download",
|
||||||
|
"provider": "s3",
|
||||||
|
"bucket": "bk",
|
||||||
|
"key": "file.txt",
|
||||||
|
},
|
||||||
|
}
|
||||||
|
res_down = await engine.execute_node(node_down, {})
|
||||||
|
assert res_down["status"] == "success"
|
||||||
|
assert res_down["output"]["status"] == "downloaded"
|
||||||
|
|
||||||
|
|
||||||
|
# 集成/外部依赖重的节点标记跳过，避免网络/编译/二进制依赖
|
||||||
|
heavy_nodes = [
|
||||||
|
"llm",
|
||||||
|
"agent",
|
||||||
|
"http",
|
||||||
|
"webhook",
|
||||||
|
"email",
|
||||||
|
"message_queue",
|
||||||
|
"database",
|
||||||
|
"file",
|
||||||
|
"pdf",
|
||||||
|
"image",
|
||||||
|
"excel",
|
||||||
|
"slack",
|
||||||
|
"dingtalk",
|
||||||
|
"wechat_work",
|
||||||
|
"sms",
|
||||||
|
]
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.skip(reason="重依赖/外部IO，保留集成测试")
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_heavy_nodes_placeholder():
|
||||||
|
assert True
|
||||||
136
backend/tests/test_nodes_phase4.py
Normal file
136
backend/tests/test_nodes_phase4.py
Normal file
@@ -0,0 +1,136 @@
|
|||||||
|
import pytest
|
||||||
|
|
||||||
|
from app.services.workflow_engine import WorkflowEngine
|
||||||
|
|
||||||
|
|
||||||
|
def _make_engine_with_node(node):
|
||||||
|
"""构造仅含单节点的工作流引擎"""
|
||||||
|
wf_data = {"nodes": [node], "edges": []}
|
||||||
|
return WorkflowEngine(workflow_id="wf_test", workflow_data=wf_data)
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_subworkflow_mapping():
|
||||||
|
node = {
|
||||||
|
"id": "sub-1",
|
||||||
|
"type": "subworkflow",
|
||||||
|
"data": {
|
||||||
|
"workflow_id": "child_wf",
|
||||||
|
"input_mapping": {"mapped": "source"},
|
||||||
|
},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node)
|
||||||
|
result = await engine.execute_node(node, {"source": 123, "other": 1})
|
||||||
|
assert result["status"] == "success"
|
||||||
|
assert result["output"]["workflow_id"] == "child_wf"
|
||||||
|
assert result["output"]["input"]["mapped"] == 123
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_code_python_success():
|
||||||
|
node = {
|
||||||
|
"id": "code-1",
|
||||||
|
"type": "code",
|
||||||
|
"data": {
|
||||||
|
"language": "python",
|
||||||
|
"code": "result = input_data['x'] * 2",
|
||||||
|
},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node)
|
||||||
|
result = await engine.execute_node(node, {"x": 3})
|
||||||
|
assert result["status"] == "success"
|
||||||
|
assert result["output"] == 6
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_code_unsupported_language():
|
||||||
|
node = {
|
||||||
|
"id": "code-2",
|
||||||
|
"type": "code",
|
||||||
|
"data": {"language": "go", "code": "result = 1"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node)
|
||||||
|
result = await engine.execute_node(node, {})
|
||||||
|
assert result["status"] == "success"
|
||||||
|
assert "不支持的语言" in result["output"]["error"]
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_oauth_mock_token():
|
||||||
|
node = {
|
||||||
|
"id": "oauth-1",
|
||||||
|
"type": "oauth",
|
||||||
|
"data": {"provider": "google", "client_id": "id", "client_secret": "sec"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node)
|
||||||
|
result = await engine.execute_node(node, {})
|
||||||
|
assert result["status"] == "success"
|
||||||
|
token = result["output"]
|
||||||
|
assert token["access_token"].startswith("mock_access_token_google")
|
||||||
|
assert token["token_type"] == "Bearer"
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_validator_reject_and_continue():
|
||||||
|
# reject 分支 -> failed
|
||||||
|
node_reject = {
|
||||||
|
"id": "val-1",
|
||||||
|
"type": "validator",
|
||||||
|
"data": {"schema": {"type": "object"}, "on_error": "reject"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node_reject)
|
||||||
|
res_reject = await engine.execute_node(node_reject, "bad_type")
|
||||||
|
assert res_reject["status"] == "failed"
|
||||||
|
|
||||||
|
# continue 分支 -> success 且 warning
|
||||||
|
node_continue = {
|
||||||
|
"id": "val-2",
|
||||||
|
"type": "validator",
|
||||||
|
"data": {"schema": {"type": "object"}, "on_error": "continue"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node_continue)
|
||||||
|
res_continue = await engine.execute_node(node_continue, "bad_type")
|
||||||
|
assert res_continue["status"] == "success"
|
||||||
|
assert "warning" in res_continue
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.asyncio
|
||||||
|
async def test_batch_split_group_aggregate():
|
||||||
|
data = list(range(5))
|
||||||
|
|
||||||
|
# split
|
||||||
|
node_split = {
|
||||||
|
"id": "batch-1",
|
||||||
|
"type": "batch",
|
||||||
|
"data": {"batch_size": 2, "mode": "split"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node_split)
|
||||||
|
res_split = await engine.execute_node(node_split, data)
|
||||||
|
assert res_split["status"] == "success"
|
||||||
|
assert res_split["output"][0] == [0, 1]
|
||||||
|
assert res_split["output"][1] == [2, 3]
|
||||||
|
assert res_split["output"][2] == [4]
|
||||||
|
|
||||||
|
# group（同 split 逻辑）
|
||||||
|
node_group = {
|
||||||
|
"id": "batch-2",
|
||||||
|
"type": "batch",
|
||||||
|
"data": {"batch_size": 3, "mode": "group"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node_group)
|
||||||
|
res_group = await engine.execute_node(node_group, data)
|
||||||
|
assert res_group["status"] == "success"
|
||||||
|
assert res_group["output"][0] == [0, 1, 2]
|
||||||
|
assert res_group["output"][1] == [3, 4]
|
||||||
|
|
||||||
|
# aggregate
|
||||||
|
node_agg = {
|
||||||
|
"id": "batch-3",
|
||||||
|
"type": "batch",
|
||||||
|
"data": {"mode": "aggregate"},
|
||||||
|
}
|
||||||
|
engine = _make_engine_with_node(node_agg)
|
||||||
|
res_agg = await engine.execute_node(node_agg, data)
|
||||||
|
assert res_agg["status"] == "success"
|
||||||
|
assert res_agg["output"]["count"] == 5
|
||||||
|
assert res_agg["output"]["samples"][:2] == [0, 1]
|
||||||
164
check_switch_logs.py
Executable file
164
check_switch_logs.py
Executable file
@@ -0,0 +1,164 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
查看Switch节点日志的专用脚本
|
||||||
|
用于诊断Switch节点的分支过滤问题
|
||||||
|
"""
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
import json
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
# 添加项目路径
|
||||||
|
sys.path.insert(0, os.path.join(os.path.dirname(__file__), 'backend'))
|
||||||
|
|
||||||
|
from app.core.database import SessionLocal
|
||||||
|
from app.models.execution import Execution
|
||||||
|
from app.models.execution_log import ExecutionLog
|
||||||
|
|
||||||
|
|
||||||
|
def format_json(data):
|
||||||
|
"""格式化JSON数据"""
|
||||||
|
if isinstance(data, dict):
|
||||||
|
return json.dumps(data, ensure_ascii=False, indent=2)
|
||||||
|
return str(data)
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
"""主函数"""
|
||||||
|
db = SessionLocal()
|
||||||
|
|
||||||
|
try:
|
||||||
|
# 获取最近的执行记录
|
||||||
|
print("=" * 80)
|
||||||
|
print("查找最近的Agent执行记录...")
|
||||||
|
print("=" * 80)
|
||||||
|
|
||||||
|
execution = db.query(Execution).filter(
|
||||||
|
Execution.agent_id.isnot(None)
|
||||||
|
).order_by(Execution.created_at.desc()).first()
|
||||||
|
|
||||||
|
if not execution:
|
||||||
|
print("❌ 没有找到执行记录")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"\n✅ 找到执行记录: {execution.id}")
|
||||||
|
print(f" 状态: {execution.status}")
|
||||||
|
print(f" 执行时间: {execution.execution_time}ms")
|
||||||
|
print(f" 创建时间: {execution.created_at}")
|
||||||
|
|
||||||
|
# 获取执行日志
|
||||||
|
print("\n" + "=" * 80)
|
||||||
|
print("Switch节点相关日志:")
|
||||||
|
print("=" * 80)
|
||||||
|
|
||||||
|
logs = db.query(ExecutionLog).filter(
|
||||||
|
ExecutionLog.execution_id == execution.id
|
||||||
|
).order_by(ExecutionLog.timestamp.asc()).all()
|
||||||
|
|
||||||
|
if not logs:
|
||||||
|
print("❌ 没有找到执行日志")
|
||||||
|
return
|
||||||
|
|
||||||
|
# 筛选Switch节点相关的日志
|
||||||
|
switch_logs = []
|
||||||
|
for log in logs:
|
||||||
|
if log.node_type == 'switch' or 'Switch' in log.message or '[rjb] Switch' in log.message:
|
||||||
|
switch_logs.append(log)
|
||||||
|
|
||||||
|
if not switch_logs:
|
||||||
|
print("❌ 没有找到Switch节点相关的日志")
|
||||||
|
print("\n所有日志节点类型:")
|
||||||
|
node_types = set(log.node_type for log in logs if log.node_type)
|
||||||
|
for nt in sorted(node_types):
|
||||||
|
print(f" - {nt}")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"\n找到 {len(switch_logs)} 条Switch节点相关日志:\n")
|
||||||
|
|
||||||
|
for i, log in enumerate(switch_logs, 1):
|
||||||
|
print(f"[{i}] {log.timestamp.strftime('%H:%M:%S.%f')[:-3]} [{log.level}]")
|
||||||
|
print(f" 节点: {log.node_id or '(无)'} ({log.node_type or '(无)'})")
|
||||||
|
print(f" 消息: {log.message}")
|
||||||
|
|
||||||
|
if log.data:
|
||||||
|
print(f" 数据:")
|
||||||
|
data_str = format_json(log.data)
|
||||||
|
# 显示完整数据
|
||||||
|
for line in data_str.split('\n'):
|
||||||
|
print(f" {line}")
|
||||||
|
|
||||||
|
if log.duration:
|
||||||
|
print(f" 耗时: {log.duration}ms")
|
||||||
|
print()
|
||||||
|
|
||||||
|
# 特别分析Switch节点的匹配和过滤过程
|
||||||
|
print("=" * 80)
|
||||||
|
print("Switch节点执行流程分析:")
|
||||||
|
print("=" * 80)
|
||||||
|
|
||||||
|
match_logs = [log for log in switch_logs if '匹配' in log.message]
|
||||||
|
filter_logs = [log for log in switch_logs if '过滤' in log.message]
|
||||||
|
|
||||||
|
if match_logs:
|
||||||
|
print("\n📊 匹配阶段:")
|
||||||
|
for log in match_logs:
|
||||||
|
if log.data:
|
||||||
|
data = log.data
|
||||||
|
print(f" 节点 {log.node_id}:")
|
||||||
|
print(f" 字段: {data.get('field', 'N/A')}")
|
||||||
|
print(f" 字段值: {data.get('field_value', 'N/A')}")
|
||||||
|
print(f" 匹配的分支: {data.get('matched_case', 'N/A')}")
|
||||||
|
print(f" 处理后的输入键: {data.get('processed_input_keys', 'N/A')}")
|
||||||
|
|
||||||
|
if filter_logs:
|
||||||
|
print("\n🔍 过滤阶段:")
|
||||||
|
for log in filter_logs:
|
||||||
|
if log.data:
|
||||||
|
data = log.data
|
||||||
|
print(f" 节点 {log.node_id}:")
|
||||||
|
print(f" 匹配的分支: {data.get('branch', 'N/A')}")
|
||||||
|
print(f" 过滤前边数: {data.get('edges_before', 'N/A')}")
|
||||||
|
print(f" 保留边数: {data.get('edges_kept', 'N/A')}")
|
||||||
|
print(f" 移除边数: {data.get('edges_removed', 'N/A')}")
|
||||||
|
|
||||||
|
# 检查意图理解节点的输出
|
||||||
|
print("\n" + "=" * 80)
|
||||||
|
print("意图理解节点输出分析:")
|
||||||
|
print("=" * 80)
|
||||||
|
|
||||||
|
intent_logs = [log for log in logs if log.node_id and 'intent' in log.node_id.lower()]
|
||||||
|
if intent_logs:
|
||||||
|
for log in intent_logs:
|
||||||
|
if log.message == "节点执行完成" and log.data:
|
||||||
|
print(f"\n节点 {log.node_id} 的输出:")
|
||||||
|
output = log.data.get('output', {})
|
||||||
|
print(format_json(output))
|
||||||
|
else:
|
||||||
|
print("❌ 没有找到意图理解节点的日志")
|
||||||
|
|
||||||
|
# 检查所有节点的输出（用于调试）
|
||||||
|
print("\n" + "=" * 80)
|
||||||
|
print("所有节点输出摘要:")
|
||||||
|
print("=" * 80)
|
||||||
|
|
||||||
|
node_outputs = {}
|
||||||
|
for log in logs:
|
||||||
|
if log.message == "节点执行完成" and log.node_id:
|
||||||
|
node_outputs[log.node_id] = log.data.get('output', {})
|
||||||
|
|
||||||
|
for node_id, output in node_outputs.items():
|
||||||
|
if isinstance(output, str) and len(output) > 100:
|
||||||
|
print(f"{node_id}: {output[:100]}...")
|
||||||
|
else:
|
||||||
|
print(f"{node_id}: {output}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
print(f"❌ 错误: {str(e)}")
|
||||||
|
import traceback
|
||||||
|
traceback.print_exc()
|
||||||
|
finally:
|
||||||
|
db.close()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
main()
|
||||||
108
debug_switch_node.py
Normal file
108
debug_switch_node.py
Normal file
@@ -0,0 +1,108 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
调试Switch节点的详细脚本
|
||||||
|
"""
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
import json
|
||||||
|
|
||||||
|
sys.path.insert(0, os.path.join(os.path.dirname(__file__), 'backend'))
|
||||||
|
|
||||||
|
from app.core.database import SessionLocal
|
||||||
|
from app.models.execution import Execution
|
||||||
|
from app.models.agent import Agent
|
||||||
|
|
||||||
|
def main():
|
||||||
|
db = SessionLocal()
|
||||||
|
try:
|
||||||
|
# 获取最近的执行记录
|
||||||
|
execution = db.query(Execution).filter(
|
||||||
|
Execution.agent_id.isnot(None)
|
||||||
|
).order_by(Execution.created_at.desc()).first()
|
||||||
|
|
||||||
|
if not execution:
|
||||||
|
print("❌ 没有找到执行记录")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"执行ID: {execution.id}")
|
||||||
|
print(f"状态: {execution.status}")
|
||||||
|
print()
|
||||||
|
|
||||||
|
# 获取Agent配置
|
||||||
|
agent = db.query(Agent).filter(Agent.id == execution.agent_id).first()
|
||||||
|
if not agent:
|
||||||
|
print("❌ 没有找到Agent")
|
||||||
|
return
|
||||||
|
|
||||||
|
workflow_config = agent.workflow_config
|
||||||
|
nodes = workflow_config.get('nodes', [])
|
||||||
|
edges = workflow_config.get('edges', [])
|
||||||
|
|
||||||
|
# 找到Switch节点
|
||||||
|
switch_node = None
|
||||||
|
for node in nodes:
|
||||||
|
if node.get('type') == 'switch':
|
||||||
|
switch_node = node
|
||||||
|
break
|
||||||
|
|
||||||
|
if not switch_node:
|
||||||
|
print("❌ 没有找到Switch节点")
|
||||||
|
return
|
||||||
|
|
||||||
|
print("=" * 80)
|
||||||
|
print("Switch节点配置:")
|
||||||
|
print("=" * 80)
|
||||||
|
print(f"节点ID: {switch_node['id']}")
|
||||||
|
print(f"字段: {switch_node['data'].get('field')}")
|
||||||
|
print(f"Cases: {json.dumps(switch_node['data'].get('cases', {}), ensure_ascii=False, indent=2)}")
|
||||||
|
print(f"Default: {switch_node['data'].get('default')}")
|
||||||
|
print()
|
||||||
|
|
||||||
|
# 找到从Switch节点出发的边
|
||||||
|
print("=" * 80)
|
||||||
|
print("从Switch节点出发的边:")
|
||||||
|
print("=" * 80)
|
||||||
|
switch_edges = [e for e in edges if e.get('source') == switch_node['id']]
|
||||||
|
for edge in switch_edges:
|
||||||
|
print(f"边ID: {edge.get('id')}")
|
||||||
|
print(f" sourceHandle: {edge.get('sourceHandle')}")
|
||||||
|
print(f" target: {edge.get('target')}")
|
||||||
|
print()
|
||||||
|
|
||||||
|
# 查看执行结果
|
||||||
|
print("=" * 80)
|
||||||
|
print("执行结果中的节点输出:")
|
||||||
|
print("=" * 80)
|
||||||
|
if execution.output_data and 'node_results' in execution.output_data:
|
||||||
|
node_results = execution.output_data['node_results']
|
||||||
|
if switch_node['id'] in node_results:
|
||||||
|
switch_result = node_results[switch_node['id']]
|
||||||
|
print(f"Switch节点输出: {json.dumps(switch_result, ensure_ascii=False, indent=2)}")
|
||||||
|
else:
|
||||||
|
print("❌ Switch节点没有输出结果")
|
||||||
|
else:
|
||||||
|
print("❌ 没有找到节点执行结果")
|
||||||
|
|
||||||
|
# 检查哪些分支节点执行了
|
||||||
|
print()
|
||||||
|
print("=" * 80)
|
||||||
|
print("执行了的分支节点:")
|
||||||
|
print("=" * 80)
|
||||||
|
if execution.output_data and 'node_results' in execution.output_data:
|
||||||
|
node_results = execution.output_data['node_results']
|
||||||
|
for edge in switch_edges:
|
||||||
|
target_id = edge.get('target')
|
||||||
|
if target_id in node_results:
|
||||||
|
print(f"✅ {target_id} (sourceHandle: {edge.get('sourceHandle')})")
|
||||||
|
else:
|
||||||
|
print(f"❌ {target_id} (sourceHandle: {edge.get('sourceHandle')}) - 未执行")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
print(f"❌ 错误: {str(e)}")
|
||||||
|
import traceback
|
||||||
|
traceback.print_exc()
|
||||||
|
finally:
|
||||||
|
db.close()
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
main()
|
||||||
@@ -179,6 +179,7 @@ const inputMessage = ref('')
|
|||||||
const loading = ref(false)
|
const loading = ref(false)
|
||||||
const messagesContainer = ref<HTMLElement>()
|
const messagesContainer = ref<HTMLElement>()
|
||||||
let pollingInterval: any = null
|
let pollingInterval: any = null
|
||||||
|
let replyAdded = false // 标志位：防止重复添加回复
|
||||||
|
|
||||||
// 发送消息
|
// 发送消息
|
||||||
const handleSendMessage = async () => {
|
const handleSendMessage = async () => {
|
||||||
@@ -210,9 +211,17 @@ const handleSendMessage = async () => {
|
|||||||
|
|
||||||
const execution = response.data
|
const execution = response.data
|
||||||
|
|
||||||
|
// 重置标志位
|
||||||
|
replyAdded = false
|
||||||
|
|
||||||
// 轮询执行状态
|
// 轮询执行状态
|
||||||
const checkStatus = async () => {
|
const checkStatus = async () => {
|
||||||
try {
|
try {
|
||||||
|
// 如果已经添加过回复，直接返回，避免重复添加
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
// 获取详细执行状态（包含节点执行信息）
|
// 获取详细执行状态（包含节点执行信息）
|
||||||
const statusResponse = await api.get(`/api/v1/executions/${execution.id}/status`)
|
const statusResponse = await api.get(`/api/v1/executions/${execution.id}/status`)
|
||||||
const status = statusResponse.data
|
const status = statusResponse.data
|
||||||
@@ -225,6 +234,14 @@ const handleSendMessage = async () => {
|
|||||||
const exec = execResponse.data
|
const exec = execResponse.data
|
||||||
|
|
||||||
if (exec.status === 'completed') {
|
if (exec.status === 'completed') {
|
||||||
|
// 防止重复添加：如果已经添加过回复，直接返回
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
|
// 标记已添加回复
|
||||||
|
replyAdded = true
|
||||||
|
|
||||||
// 提取Agent回复
|
// 提取Agent回复
|
||||||
let agentReply = ''
|
let agentReply = ''
|
||||||
if (exec.output_data) {
|
if (exec.output_data) {
|
||||||
@@ -268,6 +285,14 @@ const handleSendMessage = async () => {
|
|||||||
pollingInterval = null
|
pollingInterval = null
|
||||||
}
|
}
|
||||||
} else if (exec.status === 'failed') {
|
} else if (exec.status === 'failed') {
|
||||||
|
// 防止重复添加：如果已经添加过回复，直接返回
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
|
// 标记已添加回复
|
||||||
|
replyAdded = true
|
||||||
|
|
||||||
messages.value.push({
|
messages.value.push({
|
||||||
role: 'agent',
|
role: 'agent',
|
||||||
content: `执行失败: ${exec.error_message || '未知错误'}`,
|
content: `执行失败: ${exec.error_message || '未知错误'}`,
|
||||||
@@ -290,6 +315,14 @@ const handleSendMessage = async () => {
|
|||||||
// 不需要做任何操作，等待下次轮询
|
// 不需要做任何操作，等待下次轮询
|
||||||
}
|
}
|
||||||
} catch (error: any) {
|
} catch (error: any) {
|
||||||
|
// 防止重复添加：如果已经添加过回复，直接返回
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
|
// 标记已添加回复
|
||||||
|
replyAdded = true
|
||||||
|
|
||||||
messages.value.push({
|
messages.value.push({
|
||||||
role: 'agent',
|
role: 'agent',
|
||||||
content: `获取执行结果失败: ${error.response?.data?.detail || error.message}`,
|
content: `获取执行结果失败: ${error.response?.data?.detail || error.message}`,
|
||||||
|
|||||||
File diff suppressed because it is too large
Load Diff
175
test_memory_functionality.py
Executable file
175
test_memory_functionality.py
Executable file
@@ -0,0 +1,175 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
测试记忆功能
|
||||||
|
参考工作流调用测试总结.txt的测试方法
|
||||||
|
"""
|
||||||
|
import sys
|
||||||
|
sys.path.insert(0, 'backend')
|
||||||
|
|
||||||
|
from app.core.database import SessionLocal
|
||||||
|
from app.models.agent import Agent
|
||||||
|
from app.models.execution import Execution
|
||||||
|
from app.models.execution_log import ExecutionLog
|
||||||
|
import json
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
def test_memory_functionality():
|
||||||
|
"""测试记忆功能"""
|
||||||
|
db = SessionLocal()
|
||||||
|
try:
|
||||||
|
# 获取智能聊天助手Agent
|
||||||
|
agent = db.query(Agent).filter(
|
||||||
|
Agent.name == '智能聊天助手（完整示例）'
|
||||||
|
).first()
|
||||||
|
|
||||||
|
if not agent:
|
||||||
|
print("❌ 未找到'智能聊天助手（完整示例）'Agent")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"✅ 找到Agent: {agent.name} (ID: {agent.id})")
|
||||||
|
print("="*80)
|
||||||
|
|
||||||
|
# 获取最近的两次执行（应该对应两次对话）
|
||||||
|
executions = db.query(Execution).filter(
|
||||||
|
Execution.agent_id == agent.id
|
||||||
|
).order_by(Execution.created_at.desc()).limit(2).all()
|
||||||
|
|
||||||
|
if len(executions) < 2:
|
||||||
|
print(f"⚠️ 只找到 {len(executions)} 次执行，需要至少2次执行来测试记忆功能")
|
||||||
|
print("请先进行两次对话测试")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"\n找到 {len(executions)} 次执行记录")
|
||||||
|
print("="*80)
|
||||||
|
|
||||||
|
# 分析每次执行
|
||||||
|
for i, exec_record in enumerate(reversed(executions), 1): # 按时间正序
|
||||||
|
print(f"\n{'='*80}")
|
||||||
|
print(f"执行 {i}: {exec_record.id}")
|
||||||
|
print(f"输入: {exec_record.input_data}")
|
||||||
|
print(f"时间: {exec_record.created_at}")
|
||||||
|
print(f"状态: {exec_record.status}")
|
||||||
|
|
||||||
|
# 检查关键节点的数据流转
|
||||||
|
nodes_to_check = [
|
||||||
|
('cache-query', '查询记忆'),
|
||||||
|
('transform-merge', '合并上下文'),
|
||||||
|
('llm-question', '问题回答'),
|
||||||
|
('cache-update', '更新记忆'),
|
||||||
|
('llm-format', '格式化回复'),
|
||||||
|
('end-1', '最终输出')
|
||||||
|
]
|
||||||
|
|
||||||
|
for node_id, label in nodes_to_check:
|
||||||
|
# 查找节点执行完成的日志
|
||||||
|
log = db.query(ExecutionLog).filter(
|
||||||
|
ExecutionLog.execution_id == exec_record.id,
|
||||||
|
ExecutionLog.node_id == node_id,
|
||||||
|
ExecutionLog.message.like(f'节点 {node_id}%执行完成')
|
||||||
|
).first()
|
||||||
|
|
||||||
|
if not log:
|
||||||
|
# 如果没有执行完成的日志，查找开始执行的日志
|
||||||
|
log = db.query(ExecutionLog).filter(
|
||||||
|
ExecutionLog.execution_id == exec_record.id,
|
||||||
|
ExecutionLog.node_id == node_id,
|
||||||
|
ExecutionLog.message.like(f'节点 {node_id}%开始执行')
|
||||||
|
).first()
|
||||||
|
|
||||||
|
if log and log.data:
|
||||||
|
data_key = 'output' if '执行完成' in log.message else 'input'
|
||||||
|
data = log.data.get(data_key, {})
|
||||||
|
|
||||||
|
print(f"\n{label} ({node_id}):")
|
||||||
|
|
||||||
|
if isinstance(data, dict):
|
||||||
|
print(f" keys: {list(data.keys())}")
|
||||||
|
|
||||||
|
# 检查memory字段
|
||||||
|
if 'memory' in data:
|
||||||
|
memory = data['memory']
|
||||||
|
if isinstance(memory, dict):
|
||||||
|
print(f" ✅ memory存在，keys: {list(memory.keys())}")
|
||||||
|
if 'conversation_history' in memory:
|
||||||
|
history = memory['conversation_history']
|
||||||
|
if isinstance(history, list):
|
||||||
|
print(f" ✅ conversation_history: {len(history)} 条")
|
||||||
|
if history:
|
||||||
|
print(f" 最新一条: {history[-1].get('content', '')[:50]}")
|
||||||
|
else:
|
||||||
|
print(f" ❌ conversation_history不是list: {type(history)}")
|
||||||
|
# 检查conversation_history字段（可能在顶层）
|
||||||
|
elif 'conversation_history' in data:
|
||||||
|
history = data['conversation_history']
|
||||||
|
if isinstance(history, list):
|
||||||
|
print(f" ✅ conversation_history在顶层: {len(history)} 条")
|
||||||
|
if history:
|
||||||
|
print(f" 最新一条: {history[-1].get('content', '')[:50]}")
|
||||||
|
|
||||||
|
# 对于end节点，检查最终输出
|
||||||
|
if node_id == 'end-1' and 'output' in data:
|
||||||
|
output = data['output']
|
||||||
|
if isinstance(output, str):
|
||||||
|
print(f" ✅ 最终输出: {output[:200]}")
|
||||||
|
# 检查是否包含名字
|
||||||
|
if '老七' in output:
|
||||||
|
print(f" ✅ 输出中包含名字'老七'")
|
||||||
|
else:
|
||||||
|
print(f" ❌ 输出中不包含名字'老七'")
|
||||||
|
elif isinstance(data, str):
|
||||||
|
print(f" 输出类型: str, 内容: {data[:200]}")
|
||||||
|
if '老七' in data:
|
||||||
|
print(f" ✅ 输出中包含名字'老七'")
|
||||||
|
else:
|
||||||
|
print(f" ❌ 输出中不包含名字'老七'")
|
||||||
|
else:
|
||||||
|
print(f"\n{label} ({node_id}): ❌ 未找到执行日志")
|
||||||
|
|
||||||
|
# 检查最终输出
|
||||||
|
if exec_record.output_data:
|
||||||
|
output_data = exec_record.output_data
|
||||||
|
if isinstance(output_data, dict):
|
||||||
|
result = output_data.get('result', '')
|
||||||
|
if isinstance(result, str):
|
||||||
|
print(f"\n最终结果: {result[:200]}")
|
||||||
|
if '老七' in result:
|
||||||
|
print(f"✅ 最终结果中包含名字'老七'")
|
||||||
|
else:
|
||||||
|
print(f"❌ 最终结果中不包含名字'老七'")
|
||||||
|
|
||||||
|
# 检查Redis中的记忆数据
|
||||||
|
print(f"\n{'='*80}")
|
||||||
|
print("检查Redis中的记忆数据:")
|
||||||
|
try:
|
||||||
|
from app.core.redis_client import get_redis_client
|
||||||
|
redis_client = get_redis_client()
|
||||||
|
if redis_client:
|
||||||
|
keys = redis_client.keys('user_memory_*')
|
||||||
|
if keys:
|
||||||
|
for key in keys:
|
||||||
|
value = redis_client.get(key)
|
||||||
|
if value:
|
||||||
|
try:
|
||||||
|
memory_data = json.loads(value)
|
||||||
|
if 'conversation_history' in memory_data:
|
||||||
|
history = memory_data['conversation_history']
|
||||||
|
print(f" ✅ {key}: {len(history)} 条对话记录")
|
||||||
|
if history:
|
||||||
|
print(f" 最新一条: {history[-1].get('content', '')[:50]}")
|
||||||
|
except:
|
||||||
|
print(f" ⚠️ {key}: 无法解析JSON")
|
||||||
|
else:
|
||||||
|
print(" ❌ Redis中没有找到记忆数据")
|
||||||
|
else:
|
||||||
|
print(" ⚠️ Redis客户端不可用")
|
||||||
|
except Exception as e:
|
||||||
|
print(f" ⚠️ 检查Redis失败: {str(e)}")
|
||||||
|
|
||||||
|
print(f"\n{'='*80}")
|
||||||
|
print("测试完成")
|
||||||
|
|
||||||
|
finally:
|
||||||
|
db.close()
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
test_memory_functionality()
|
||||||
66
test_output_variable_extraction.py
Normal file
66
test_output_variable_extraction.py
Normal file
@@ -0,0 +1,66 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
测试output变量提取逻辑
|
||||||
|
"""
|
||||||
|
import sys
|
||||||
|
sys.path.insert(0, 'backend')
|
||||||
|
|
||||||
|
from app.services.workflow_engine import WorkflowEngine
|
||||||
|
|
||||||
|
# 模拟llm-format节点的输入数据
|
||||||
|
input_data = {
|
||||||
|
'right': {
|
||||||
|
'right': {
|
||||||
|
'right': '是的，我记得！根据我们之前的对话，你告诉我你的名字叫"老七"。我会在本次对话中记住这个名字，以便更好地为你提供帮助。如果你希望我用其他称呼，也可以随时告诉我。',
|
||||||
|
'query': '你还记得我的名字吗？'
|
||||||
|
},
|
||||||
|
'memory': {
|
||||||
|
'conversation_history': [],
|
||||||
|
'user_profile': {},
|
||||||
|
'context': {}
|
||||||
|
},
|
||||||
|
'query': '你还记得我的名字吗？'
|
||||||
|
},
|
||||||
|
'memory': {
|
||||||
|
'conversation_history': [],
|
||||||
|
'user_profile': {},
|
||||||
|
'context': {}
|
||||||
|
},
|
||||||
|
'query': '你还记得我的名字吗？'
|
||||||
|
}
|
||||||
|
|
||||||
|
# 创建WorkflowEngine实例
|
||||||
|
engine = WorkflowEngine("test", {"nodes": [], "edges": []})
|
||||||
|
|
||||||
|
# 测试_get_nested_value方法
|
||||||
|
print("测试_get_nested_value方法:")
|
||||||
|
value1 = engine._get_nested_value(input_data, 'output')
|
||||||
|
print(f" _get_nested_value(input_data, 'output'): {value1}")
|
||||||
|
|
||||||
|
# 测试output变量提取逻辑
|
||||||
|
print("\n测试output变量提取逻辑:")
|
||||||
|
right_value = input_data.get('right')
|
||||||
|
print(f" right_value类型: {type(right_value)}")
|
||||||
|
print(f" right_value: {str(right_value)[:100]}")
|
||||||
|
|
||||||
|
if right_value is not None:
|
||||||
|
if isinstance(right_value, str):
|
||||||
|
value = right_value
|
||||||
|
print(f" ✅ 从right字段（字符串）提取: {value[:100]}")
|
||||||
|
elif isinstance(right_value, dict):
|
||||||
|
current = right_value
|
||||||
|
depth = 0
|
||||||
|
while isinstance(current, dict) and depth < 10:
|
||||||
|
if 'right' in current:
|
||||||
|
current = current['right']
|
||||||
|
depth += 1
|
||||||
|
if isinstance(current, str):
|
||||||
|
value = current
|
||||||
|
print(f" ✅ 从right字段（嵌套{depth}层）提取: {value[:100]}")
|
||||||
|
break
|
||||||
|
else:
|
||||||
|
break
|
||||||
|
else:
|
||||||
|
print(f" ❌ 无法提取字符串值")
|
||||||
|
|
||||||
|
print("\n测试完成")
|
||||||
1117
可新增节点类型建议.md
Normal file
1117
可新增节点类型建议.md
Normal file
File diff suppressed because it is too large
Load Diff
296
智能体聊天助手记忆存储说明.md
Normal file
296
智能体聊天助手记忆存储说明.md
Normal file
@@ -0,0 +1,296 @@
|
|||||||
|
# 智能体聊天助手记忆存储说明
|
||||||
|
|
||||||
|
## 一、数据存储位置
|
||||||
|
|
||||||
|
### 1. 主要存储：Redis
|
||||||
|
|
||||||
|
智能体聊天助手使用 **Redis** 作为记忆数据的持久化存储后端。
|
||||||
|
|
||||||
|
- **存储键名格式**：`user_memory_{user_id}`
|
||||||
|
- 例如：`user_memory_default`、`user_memory_12345`
|
||||||
|
- **存储位置**：Redis 数据库（默认 DB 0）
|
||||||
|
- **数据格式**：JSON 字符串
|
||||||
|
|
||||||
|
### 2. 备用存储：内存缓存
|
||||||
|
|
||||||
|
如果 Redis 不可用，系统会回退到**内存缓存**（Memory Cache）。
|
||||||
|
|
||||||
|
⚠️ **重要提示**：内存缓存只在**单次执行会话内有效**，执行结束后数据会丢失，无法跨会话保留。
|
||||||
|
|
||||||
|
### 3. 存储结构
|
||||||
|
|
||||||
|
每个用户的记忆数据包含以下字段：
|
||||||
|
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"conversation_history": [
|
||||||
|
{
|
||||||
|
"role": "user",
|
||||||
|
"content": "我的名字叫老七",
|
||||||
|
"timestamp": "2024-01-01T10:00:00"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"role": "assistant",
|
||||||
|
"content": "好的，我记住了你的名字是老七。",
|
||||||
|
"timestamp": "2024-01-01T10:00:01"
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"user_profile": {
|
||||||
|
// 用户画像信息（可扩展）
|
||||||
|
},
|
||||||
|
"context": {
|
||||||
|
// 上下文信息（可扩展）
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
## 二、数据大小限制
|
||||||
|
|
||||||
|
### 1. Redis 存储限制
|
||||||
|
|
||||||
|
- **单条记录大小**：
|
||||||
|
- Redis 理论上单个 key 的值最大可达 **512MB**（默认配置）
|
||||||
|
- 实际使用中，受 Redis 服务器配置的 `maxmemory` 限制
|
||||||
|
- 当前系统：**无硬编码限制**（取决于 Redis 服务器配置）
|
||||||
|
|
||||||
|
- **对话历史累积**：
|
||||||
|
- 对话历史会**不断累积**，没有自动截断机制
|
||||||
|
- 每次对话会添加 2 条记录（用户消息 + 助手回复）
|
||||||
|
- 假设每条消息平均 200 字（约 600 字节），1000 轮对话约 1.2MB
|
||||||
|
|
||||||
|
### 2. 实际使用情况
|
||||||
|
|
||||||
|
根据当前系统检查：
|
||||||
|
- 当前用户记忆 key 数量：**1 个**
|
||||||
|
- 示例 key 大小：**约 5.73 KB**（20 条对话历史）
|
||||||
|
- Redis 已使用内存：**2.52 MB**
|
||||||
|
- Redis 最大内存限制：**无限制**（取决于服务器配置）
|
||||||
|
|
||||||
|
### 3. 建议的容量规划
|
||||||
|
|
||||||
|
| 对话轮数 | 预估大小 | 说明 |
|
||||||
|
|---------|---------|------|
|
||||||
|
| 100 轮 | ~120 KB | 适合短期对话 |
|
||||||
|
| 500 轮 | ~600 KB | 适合中期对话 |
|
||||||
|
| 1000 轮 | ~1.2 MB | 适合长期对话 |
|
||||||
|
| 5000 轮 | ~6 MB | 需要监控内存使用 |
|
||||||
|
| 10000 轮 | ~12 MB | 建议实施截断策略 |
|
||||||
|
|
||||||
|
## 三、数据持久化与丢失风险
|
||||||
|
|
||||||
|
### 1. 数据持久化机制
|
||||||
|
|
||||||
|
#### Redis 持久化（推荐）
|
||||||
|
|
||||||
|
- **持久化方式**：取决于 Redis 配置
|
||||||
|
- **RDB**：定期快照，默认开启
|
||||||
|
- **AOF**：追加日志，可选开启
|
||||||
|
- **Docker 卷持久化**：
|
||||||
|
- 使用 `redis_data` 卷存储数据
|
||||||
|
- 即使容器重启，数据也会保留
|
||||||
|
- 数据存储在 Docker 卷中，位置：`/var/lib/docker/volumes/redis_data`
|
||||||
|
|
||||||
|
#### 内存缓存（不持久化）
|
||||||
|
|
||||||
|
- 数据仅存在于进程内存中
|
||||||
|
- 进程重启后数据丢失
|
||||||
|
- 仅用于 Redis 不可用时的临时回退
|
||||||
|
|
||||||
|
### 2. 数据丢失风险分析
|
||||||
|
|
||||||
|
| 场景 | 数据是否丢失 | 说明 |
|
||||||
|
|------|------------|------|
|
||||||
|
| Redis 正常重启 | ❌ 不丢失 | 数据已持久化到磁盘 |
|
||||||
|
| Docker 容器重启 | ❌ 不丢失 | 数据存储在 Docker 卷中 |
|
||||||
|
| Redis 数据卷被删除 | ✅ **会丢失** | 需要重新创建卷 |
|
||||||
|
| 超过 TTL 时间 | ✅ **会过期** | 默认 24 小时后过期 |
|
||||||
|
| Redis 服务器故障 | ⚠️ 取决于持久化配置 | 如果持久化配置不当可能丢失 |
|
||||||
|
| 使用内存缓存时 | ✅ **会丢失** | 每次执行后丢失 |
|
||||||
|
|
||||||
|
### 3. TTL（生存时间）设置
|
||||||
|
|
||||||
|
当前配置：
|
||||||
|
- **TTL**：**86400 秒**（24 小时）
|
||||||
|
- **位置**：`cache-update` 节点的 `ttl` 配置
|
||||||
|
- **默认值**：如果未配置，默认 3600 秒（1 小时）
|
||||||
|
|
||||||
|
⚠️ **重要**：如果用户在 24 小时内没有新的对话，记忆数据会**自动过期删除**。
|
||||||
|
|
||||||
|
## 四、配置说明
|
||||||
|
|
||||||
|
### 1. Redis 配置
|
||||||
|
|
||||||
|
**环境变量**（`docker-compose.dev.yml`）：
|
||||||
|
```yaml
|
||||||
|
REDIS_URL=redis://redis:6379/0
|
||||||
|
```
|
||||||
|
|
||||||
|
**配置文件**（`backend/.env`）：
|
||||||
|
```env
|
||||||
|
REDIS_URL=redis://localhost:6379/0
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2. Cache 节点配置
|
||||||
|
|
||||||
|
**查询记忆节点**（`cache-query`）：
|
||||||
|
```python
|
||||||
|
{
|
||||||
|
"id": "cache-query",
|
||||||
|
"type": "cache",
|
||||||
|
"data": {
|
||||||
|
"operation": "get",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"default_value": '{"conversation_history": [], "user_profile": {}, "context": {}}'
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
**更新记忆节点**（`cache-update`）：
|
||||||
|
```python
|
||||||
|
{
|
||||||
|
"id": "cache-update",
|
||||||
|
"type": "cache",
|
||||||
|
"data": {
|
||||||
|
"operation": "set",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"value": '{"conversation_history": {{memory.conversation_history}} + [...], ...}',
|
||||||
|
"ttl": 86400 # 24小时
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
## 五、优化建议
|
||||||
|
|
||||||
|
### 1. 对话历史截断策略
|
||||||
|
|
||||||
|
如果对话历史过长，建议实施截断策略：
|
||||||
|
|
||||||
|
**方案 A：保留最近 N 条**
|
||||||
|
```python
|
||||||
|
# 在 cache-update 节点中，限制 conversation_history 长度
|
||||||
|
conversation_history = memory.conversation_history[-100:] # 只保留最近100条
|
||||||
|
```
|
||||||
|
|
||||||
|
**方案 B：按时间截断**
|
||||||
|
```python
|
||||||
|
# 只保留最近7天的对话
|
||||||
|
from datetime import datetime, timedelta
|
||||||
|
cutoff_date = (datetime.now() - timedelta(days=7)).isoformat()
|
||||||
|
conversation_history = [
|
||||||
|
msg for msg in memory.conversation_history
|
||||||
|
if msg.get('timestamp', '') > cutoff_date
|
||||||
|
]
|
||||||
|
```
|
||||||
|
|
||||||
|
**方案 C：智能摘要**
|
||||||
|
```python
|
||||||
|
# 将旧对话历史压缩为摘要
|
||||||
|
# 使用 LLM 节点生成摘要，保留关键信息
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2. 增加 TTL 时间
|
||||||
|
|
||||||
|
如果需要更长的记忆保留时间，可以修改 TTL：
|
||||||
|
|
||||||
|
```python
|
||||||
|
"ttl": 604800 # 7天
|
||||||
|
"ttl": 2592000 # 30天
|
||||||
|
"ttl": 0 # 永不过期（不推荐，可能导致内存溢出）
|
||||||
|
```
|
||||||
|
|
||||||
|
### 3. 监控 Redis 内存使用
|
||||||
|
|
||||||
|
定期检查 Redis 内存使用情况：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 进入 Redis 容器
|
||||||
|
docker exec -it aiagent-redis-1 redis-cli
|
||||||
|
|
||||||
|
# 查看内存信息
|
||||||
|
INFO memory
|
||||||
|
|
||||||
|
# 查看所有用户记忆 key
|
||||||
|
KEYS user_memory_*
|
||||||
|
|
||||||
|
# 查看特定 key 的大小
|
||||||
|
MEMORY USAGE user_memory_default
|
||||||
|
```
|
||||||
|
|
||||||
|
### 4. 数据备份策略
|
||||||
|
|
||||||
|
**定期备份 Redis 数据**：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 备份 Redis 数据
|
||||||
|
docker exec aiagent-redis-1 redis-cli SAVE
|
||||||
|
docker cp aiagent-redis-1:/data/dump.rdb ./backup/dump_$(date +%Y%m%d).rdb
|
||||||
|
```
|
||||||
|
|
||||||
|
**恢复 Redis 数据**：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 恢复 Redis 数据
|
||||||
|
docker cp ./backup/dump_20240101.rdb aiagent-redis-1:/data/dump.rdb
|
||||||
|
docker restart aiagent-redis-1
|
||||||
|
```
|
||||||
|
|
||||||
|
## 六、常见问题
|
||||||
|
|
||||||
|
### Q1: 数据会丢失吗？
|
||||||
|
|
||||||
|
**A**:
|
||||||
|
- 如果使用 Redis 且配置了持久化：**不会丢失**（除非数据卷被删除或超过 TTL）
|
||||||
|
- 如果使用内存缓存：**会丢失**（每次执行后丢失）
|
||||||
|
|
||||||
|
### Q2: 可以存储多少对话？
|
||||||
|
|
||||||
|
**A**:
|
||||||
|
- 理论上：取决于 Redis 服务器内存限制
|
||||||
|
- 实际建议：**1000-5000 轮对话**（约 1-6 MB）
|
||||||
|
- 超过 10000 轮建议实施截断策略
|
||||||
|
|
||||||
|
### Q3: 如何延长记忆保留时间？
|
||||||
|
|
||||||
|
**A**:
|
||||||
|
- 修改 `cache-update` 节点的 `ttl` 配置
|
||||||
|
- 设置为更大的值（如 2592000 = 30 天）
|
||||||
|
- 或设置为 0（永不过期，需谨慎）
|
||||||
|
|
||||||
|
### Q4: 如何清理特定用户的记忆？
|
||||||
|
|
||||||
|
**A**:
|
||||||
|
```bash
|
||||||
|
# 通过 Redis CLI
|
||||||
|
docker exec -it aiagent-redis-1 redis-cli DEL user_memory_{user_id}
|
||||||
|
|
||||||
|
# 或通过工作流添加 delete 操作节点
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q5: 多个用户的数据会互相影响吗？
|
||||||
|
|
||||||
|
**A**:
|
||||||
|
- **不会**，每个用户使用独立的 key：`user_memory_{user_id}`
|
||||||
|
- 数据完全隔离
|
||||||
|
|
||||||
|
## 七、总结
|
||||||
|
|
||||||
|
### 当前配置
|
||||||
|
|
||||||
|
- ✅ **存储位置**：Redis（持久化）
|
||||||
|
- ✅ **TTL**：24 小时
|
||||||
|
- ✅ **数据格式**：JSON（包含对话历史、用户画像、上下文）
|
||||||
|
- ✅ **大小限制**：无硬编码限制（取决于 Redis 配置）
|
||||||
|
- ⚠️ **数据丢失风险**：低（除非数据卷被删除或超过 TTL）
|
||||||
|
|
||||||
|
### 建议
|
||||||
|
|
||||||
|
1. **短期使用**（< 1000 轮对话）：当前配置足够
|
||||||
|
2. **长期使用**（> 5000 轮对话）：建议实施对话历史截断策略
|
||||||
|
3. **生产环境**：建议定期备份 Redis 数据，监控内存使用
|
||||||
|
4. **高可用场景**：考虑 Redis 主从复制或集群模式
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
**文档版本**：v1.0
|
||||||
|
**最后更新**：2024年
|
||||||
|
**维护人员**：AI Assistant
|
||||||
344
智能体聊天助手记忆问题修复.md
Normal file
344
智能体聊天助手记忆问题修复.md
Normal file
@@ -0,0 +1,344 @@
|
|||||||
|
# 智能体聊天助手记忆问题修复文档
|
||||||
|
|
||||||
|
## 问题描述
|
||||||
|
|
||||||
|
智能聊天助手无法记住用户信息，具体表现为：
|
||||||
|
1. 第一次对话：用户输入 "我的名字叫老七"
|
||||||
|
2. 第二次对话：用户输入 "你还记得我的名字吗？"
|
||||||
|
3. **预期结果**：助手应该回答 "是的，我记得你叫老七"
|
||||||
|
4. **实际结果**：助手无法记住用户名字，或者回答错误
|
||||||
|
|
||||||
|
**额外问题**：助手有时会回复两次相同的消息。
|
||||||
|
|
||||||
|
## 问题分析
|
||||||
|
|
||||||
|
### 工作流结构
|
||||||
|
|
||||||
|
智能聊天助手的工作流包含以下关键节点：
|
||||||
|
1. **开始节点** (`start-1`) - 接收用户输入
|
||||||
|
2. **查询记忆节点** (`cache-query`) - 从Redis查询对话历史
|
||||||
|
3. **合并上下文节点** (`transform-merge`) - 合并用户输入和记忆
|
||||||
|
4. **意图理解节点** (`llm-intent`) - 分析用户意图
|
||||||
|
5. **意图路由节点** (`switch-intent`) - 根据意图分发到不同分支
|
||||||
|
6. **问题回答节点** (`llm-question`) - 生成回答
|
||||||
|
7. **合并回复节点** (`merge-response`) - 合并各分支结果
|
||||||
|
8. **更新记忆节点** (`cache-update`) - 更新对话历史到Redis
|
||||||
|
9. **格式化回复节点** (`llm-format`) - 格式化最终回复
|
||||||
|
10. **结束节点** (`end-1`) - 返回最终结果
|
||||||
|
|
||||||
|
### 根本原因
|
||||||
|
|
||||||
|
经过深入调试，发现以下问题：
|
||||||
|
|
||||||
|
#### 1. Cache节点数据存储问题
|
||||||
|
- **问题**：`cache-update` 节点的 `value_template` 中，`{{user_input}}`、`{{output}}`、`{{timestamp}}` 等变量在Python表达式执行时被当作字符串 `"null"` 处理
|
||||||
|
- **原因**：变量替换逻辑在Python表达式执行之后，导致变量未正确替换
|
||||||
|
|
||||||
|
#### 2. Cache节点数据读取问题
|
||||||
|
- **问题**：`cache-query` 节点的 `default_value` 中，`conversation_history` 初始化为 `null`，导致后续 `null + [...]` 操作失败
|
||||||
|
- **原因**：JSON解析后，空值被解析为 `None`，而不是空列表 `[]`
|
||||||
|
|
||||||
|
#### 3. Transform节点数据丢失问题
|
||||||
|
- **问题**：`transform-merge` 节点的 `mapping` 中，`{{output}}` 映射到 `memory` 字段，但 `cache-query` 的输出结构不包含完整的 `memory` 对象
|
||||||
|
- **原因**：`cache-query` 返回的数据结构是 `{"right": {...}}`，而 `transform-merge` 期望的是完整的 `memory` 对象
|
||||||
|
|
||||||
|
#### 4. 边连接导致的数据丢失问题
|
||||||
|
- **问题**：`cache-query → transform-merge` 的边设置了 `sourceHandle='right'`，导致只有 `right` 字段被传递，其他内存相关字段丢失
|
||||||
|
- **原因**：`get_node_input` 方法在处理 `sourceHandle` 时，只传递了指定字段，没有保留内存相关字段
|
||||||
|
|
||||||
|
#### 5. LLM节点变量替换问题
|
||||||
|
- **问题1**：LLM节点的prompt模板中，`{{user_input}}` 和 `{{memory.conversation_history}}` 无法正确替换
|
||||||
|
- **原因**：变量替换逻辑不支持嵌套路径（如 `{{memory.conversation_history}}`）
|
||||||
|
- **问题2**：`{{output}}` 变量无法从嵌套的 `right.right.right` 结构中提取
|
||||||
|
- **原因**：变量提取逻辑只检查顶层字段，没有递归查找
|
||||||
|
|
||||||
|
#### 6. 前端重复回复问题
|
||||||
|
- **问题**：助手有时会回复两次相同的消息
|
||||||
|
- **原因**：轮询逻辑中，`checkStatus` 函数在状态为 `completed` 时可能被多次调用，导致重复添加消息
|
||||||
|
|
||||||
|
## 修复方案
|
||||||
|
|
||||||
|
### 1. 修复Cache节点的变量替换逻辑
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`execute_node` 方法中的 `cache` 节点处理逻辑
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 在Python表达式执行之前，先替换变量
|
||||||
|
if '{{user_input}}' in value_template:
|
||||||
|
user_input_value = input_data.get('user_input') or input_data.get('query') or input_data.get('input') or input_data.get('USER_INPUT') or ''
|
||||||
|
user_input_escaped = json_module.dumps(user_input_value, ensure_ascii=False)[1:-1] # 移除外层引号
|
||||||
|
value_template = value_template.replace('{{user_input}}', user_input_escaped)
|
||||||
|
|
||||||
|
if '{{output}}' in value_template:
|
||||||
|
output_value = self._extract_output_value(input_data)
|
||||||
|
output_escaped = json_module.dumps(output_value, ensure_ascii=False)[1:-1] # 移除外层引号
|
||||||
|
value_template = value_template.replace('{{output}}', output_escaped)
|
||||||
|
|
||||||
|
if '{{timestamp}}' in value_template:
|
||||||
|
timestamp_value = input_data.get('timestamp') or datetime.now().isoformat()
|
||||||
|
timestamp_escaped = json_module.dumps(timestamp_value, ensure_ascii=False)[1:-1] # 移除外层引号
|
||||||
|
value_template = value_template.replace('{{timestamp}}', timestamp_escaped)
|
||||||
|
```
|
||||||
|
|
||||||
|
**说明**：
|
||||||
|
- 使用 `json.dumps()[1:-1]` 来正确转义字符串，同时移除外层引号
|
||||||
|
- 在Python表达式执行之前完成变量替换
|
||||||
|
|
||||||
|
### 2. 修复Cache节点的默认值初始化
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`execute_node` 方法中的 `cache-query` 处理逻辑
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 确保default_value中的conversation_history初始化为空列表
|
||||||
|
default_value_str = node_data.get('default_value', '{}')
|
||||||
|
try:
|
||||||
|
default_value = json_module.loads(default_value_str)
|
||||||
|
# 确保conversation_history是列表而不是null
|
||||||
|
if 'conversation_history' not in default_value or default_value.get('conversation_history') is None:
|
||||||
|
default_value['conversation_history'] = []
|
||||||
|
except:
|
||||||
|
default_value = {"conversation_history": [], "user_profile": {}, "context": {}}
|
||||||
|
```
|
||||||
|
|
||||||
|
### 3. 修复Transform节点的Memory字段构建
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`execute_node` 方法中的 `transform` 节点处理逻辑（`merge` 模式）
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 如果memory字段为空，尝试从顶层字段构建
|
||||||
|
if key == 'memory' and (value is None or value == '' or value == '{{output}}'):
|
||||||
|
# 尝试从expanded_input中构建memory对象
|
||||||
|
memory = {}
|
||||||
|
for field in ['conversation_history', 'user_profile', 'context']:
|
||||||
|
if field in expanded_input:
|
||||||
|
memory[field] = expanded_input[field]
|
||||||
|
if memory:
|
||||||
|
result[key] = memory
|
||||||
|
else:
|
||||||
|
# 如果还是找不到，保留原有的memory字段（如果有）
|
||||||
|
if 'memory' in expanded_input:
|
||||||
|
result[key] = expanded_input['memory']
|
||||||
|
else:
|
||||||
|
result[key] = value
|
||||||
|
```
|
||||||
|
|
||||||
|
### 4. 修复边连接导致的数据丢失
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`get_node_input` 方法
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 即使有sourceHandle，也要保留内存相关字段
|
||||||
|
if edge.get('sourceHandle'):
|
||||||
|
input_data[edge['sourceHandle']] = source_output
|
||||||
|
# 显式保留内存相关字段
|
||||||
|
if isinstance(source_output, dict):
|
||||||
|
for field in ['conversation_history', 'user_profile', 'context', 'memory']:
|
||||||
|
if field in source_output:
|
||||||
|
input_data[field] = source_output[field]
|
||||||
|
else:
|
||||||
|
# ... 原有逻辑
|
||||||
|
```
|
||||||
|
|
||||||
|
### 5. 修复LLM节点的嵌套路径变量支持
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`execute_node` 方法中的 `llm` 节点处理逻辑（变量替换部分）
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 支持嵌套路径，如 {{memory.conversation_history}}
|
||||||
|
if '.' in var_name:
|
||||||
|
value = self._get_nested_value(input_data, var_name)
|
||||||
|
else:
|
||||||
|
# 原有逻辑：检查别名和直接字段
|
||||||
|
value = input_data.get(var_name)
|
||||||
|
if value is None:
|
||||||
|
# 检查别名
|
||||||
|
aliases = {
|
||||||
|
'user_input': ['query', 'input', 'USER_INPUT', 'user_input'],
|
||||||
|
'output': ['result', 'response', 'text', 'content']
|
||||||
|
}
|
||||||
|
for alias_key, alias_list in aliases.items():
|
||||||
|
if var_name == alias_key:
|
||||||
|
for alias in alias_list:
|
||||||
|
value = input_data.get(alias)
|
||||||
|
if value is not None:
|
||||||
|
break
|
||||||
|
```
|
||||||
|
|
||||||
|
**特殊处理**：`{{memory.conversation_history}}` 格式化
|
||||||
|
```python
|
||||||
|
# 如果是conversation_history，格式化为可读格式
|
||||||
|
if var_name == 'memory.conversation_history' and isinstance(value, list):
|
||||||
|
formatted_history = []
|
||||||
|
for msg in value:
|
||||||
|
role = msg.get('role', 'unknown')
|
||||||
|
content = msg.get('content', '')
|
||||||
|
if role == 'user':
|
||||||
|
formatted_history.append(f"用户: {content}")
|
||||||
|
elif role == 'assistant':
|
||||||
|
formatted_history.append(f"助手: {content}")
|
||||||
|
value = '\n'.join(formatted_history) if formatted_history else '无对话历史'
|
||||||
|
```
|
||||||
|
|
||||||
|
### 6. 修复{{output}}变量的递归提取
|
||||||
|
|
||||||
|
**文件**：`backend/app/services/workflow_engine.py`
|
||||||
|
|
||||||
|
**修改位置**：`execute_node` 方法中的 `llm` 节点处理逻辑（`{{output}}` 变量处理）
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```python
|
||||||
|
# 特殊处理output变量：递归查找right字段
|
||||||
|
if var_path == 'output':
|
||||||
|
right_value = input_data.get('right')
|
||||||
|
if right_value:
|
||||||
|
# 递归查找字符串值
|
||||||
|
def extract_string_from_right(obj, depth=0):
|
||||||
|
if isinstance(obj, str):
|
||||||
|
return obj
|
||||||
|
elif isinstance(obj, dict):
|
||||||
|
# 优先检查常见字段
|
||||||
|
for key in ['content', 'text', 'message', 'output']:
|
||||||
|
if key in obj and isinstance(obj[key], str):
|
||||||
|
return obj[key]
|
||||||
|
# 递归查找right字段
|
||||||
|
if 'right' in obj:
|
||||||
|
return extract_string_from_right(obj['right'], depth + 1)
|
||||||
|
return None
|
||||||
|
|
||||||
|
value = extract_string_from_right(right_value)
|
||||||
|
if value:
|
||||||
|
logger.info(f"[rjb] LLM节点从right字段提取output: {value[:100]}")
|
||||||
|
```
|
||||||
|
|
||||||
|
### 7. 修复前端重复回复问题
|
||||||
|
|
||||||
|
**文件**：`frontend/src/components/AgentChatPreview.vue`
|
||||||
|
|
||||||
|
**修改位置**：`handleSendMessage` 方法中的 `checkStatus` 函数
|
||||||
|
|
||||||
|
**关键修改**：
|
||||||
|
```typescript
|
||||||
|
// 添加标志位，防止重复添加回复
|
||||||
|
let replyAdded = false
|
||||||
|
|
||||||
|
const checkStatus = async () => {
|
||||||
|
try {
|
||||||
|
// 如果已经添加过回复，直接返回
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
|
// ... 获取执行状态 ...
|
||||||
|
|
||||||
|
if (exec.status === 'completed') {
|
||||||
|
// 防止重复添加
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
|
||||||
|
// 标记已添加回复
|
||||||
|
replyAdded = true
|
||||||
|
|
||||||
|
// 添加回复消息
|
||||||
|
messages.value.push({
|
||||||
|
role: 'agent',
|
||||||
|
content: agentReply || '执行完成',
|
||||||
|
timestamp: Date.now()
|
||||||
|
})
|
||||||
|
|
||||||
|
// ... 其他逻辑 ...
|
||||||
|
}
|
||||||
|
} catch (error) {
|
||||||
|
// 同样添加防重复逻辑
|
||||||
|
if (replyAdded) {
|
||||||
|
return
|
||||||
|
}
|
||||||
|
replyAdded = true
|
||||||
|
// ... 错误处理 ...
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// 每次发送新消息时重置标志位
|
||||||
|
replyAdded = false
|
||||||
|
```
|
||||||
|
|
||||||
|
## 测试验证
|
||||||
|
|
||||||
|
### 测试步骤
|
||||||
|
|
||||||
|
1. **第一次对话**：
|
||||||
|
- 输入：`我的名字叫老七`
|
||||||
|
- 预期：助手正常回复，并将信息存储到记忆
|
||||||
|
|
||||||
|
2. **第二次对话**：
|
||||||
|
- 输入：`你还记得我的名字吗？`
|
||||||
|
- 预期：助手回答 `是的，我记得你叫老七`
|
||||||
|
|
||||||
|
3. **验证重复回复**：
|
||||||
|
- 观察是否只收到一次回复
|
||||||
|
|
||||||
|
### 测试结果
|
||||||
|
|
||||||
|
✅ **记忆功能**：正常工作，能正确记住用户名字
|
||||||
|
✅ **重复回复**：已修复，每次对话只回复一次
|
||||||
|
|
||||||
|
## 关键代码文件
|
||||||
|
|
||||||
|
1. **后端核心逻辑**：
|
||||||
|
- `backend/app/services/workflow_engine.py` - 工作流执行引擎
|
||||||
|
- `backend/scripts/generate_chat_agent.py` - 智能聊天助手工作流定义
|
||||||
|
|
||||||
|
2. **前端组件**：
|
||||||
|
- `frontend/src/components/AgentChatPreview.vue` - 聊天预览组件
|
||||||
|
|
||||||
|
3. **测试脚本**：
|
||||||
|
- `test_memory_functionality.py` - 记忆功能测试脚本
|
||||||
|
- `test_output_variable_extraction.py` - 输出变量提取测试脚本
|
||||||
|
|
||||||
|
## 修复时间线
|
||||||
|
|
||||||
|
1. **问题发现**：用户报告无法记住名字
|
||||||
|
2. **初步分析**：检查工作流定义和节点配置
|
||||||
|
3. **深入调试**：添加详细日志，追踪数据流
|
||||||
|
4. **修复Cache节点**：修复数据存储和读取逻辑
|
||||||
|
5. **修复Transform节点**：修复数据合并逻辑
|
||||||
|
6. **修复LLM节点**：修复变量替换和嵌套路径支持
|
||||||
|
7. **修复前端**：修复重复回复问题
|
||||||
|
8. **测试验证**：确认所有问题已解决
|
||||||
|
|
||||||
|
## 经验总结
|
||||||
|
|
||||||
|
1. **数据流追踪**：在复杂工作流中，需要仔细追踪数据在每个节点之间的传递
|
||||||
|
2. **变量替换时机**：变量替换必须在表达式执行之前完成
|
||||||
|
3. **数据结构一致性**：确保上下游节点对数据结构的期望一致
|
||||||
|
4. **边界情况处理**：注意处理 `null`、空值、嵌套结构等边界情况
|
||||||
|
5. **前端防重复**：轮询逻辑中需要添加防重复机制
|
||||||
|
|
||||||
|
## 后续优化建议
|
||||||
|
|
||||||
|
1. **统一数据结构**：定义统一的数据结构规范，避免节点间数据格式不一致
|
||||||
|
2. **增强日志**：添加更详细的调试日志，方便问题排查
|
||||||
|
3. **单元测试**：为关键节点添加单元测试，确保修复的稳定性
|
||||||
|
4. **性能优化**：优化轮询频率，减少不必要的API调用
|
||||||
|
5. **错误处理**：增强错误处理机制，提供更友好的错误提示
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
**修复完成时间**：2024年（根据实际时间填写）
|
||||||
|
**修复人员**：AI Assistant
|
||||||
|
**文档版本**：v1.0
|
||||||
374
聊天智能体示例.json
Normal file
374
聊天智能体示例.json
Normal file
@@ -0,0 +1,374 @@
|
|||||||
|
{
|
||||||
|
"name": "智能聊天助手（完整示例）",
|
||||||
|
"description": "一个完整的聊天智能体示例，展示平台的核心能力：\n- ✅ 记忆管理：使用缓存节点存储和查询对话历史\n- ✅ 意图识别：使用LLM节点分析用户意图\n- ✅ 多分支路由：使用Switch节点根据意图分发到不同处理分支\n- ✅ 上下文传递：使用Transform节点合并数据\n- ✅ 多轮对话：支持上下文记忆和连贯对话\n- ✅ 个性化回复：根据不同意图生成针对性回复\n\n适用场景：情感陪聊、客服助手、智能问答等聊天场景。",
|
||||||
|
"workflow_config": {
|
||||||
|
"nodes": [
|
||||||
|
{
|
||||||
|
"id": "start-1",
|
||||||
|
"type": "start",
|
||||||
|
"position": {
|
||||||
|
"x": 50,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "开始",
|
||||||
|
"output_format": "json"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "cache-query",
|
||||||
|
"type": "cache",
|
||||||
|
"position": {
|
||||||
|
"x": 250,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "查询记忆",
|
||||||
|
"operation": "get",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"default_value": "{\"conversation_history\": [], \"user_profile\": {}, \"context\": {}}"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "transform-merge",
|
||||||
|
"type": "transform",
|
||||||
|
"position": {
|
||||||
|
"x": 450,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "合并上下文",
|
||||||
|
"mode": "merge",
|
||||||
|
"mapping": {
|
||||||
|
"user_input": "{{query}}",
|
||||||
|
"memory": "{{output}}",
|
||||||
|
"timestamp": "{{timestamp}}"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-intent",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 650,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "意图理解",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.3",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": "你是一个专业的对话意图分析助手。请分析用户的输入，识别用户的意图和情感。\n\n用户输入：{{user_input}}\n对话历史：{{memory.conversation_history}}\n用户画像：{{memory.user_profile}}\n\n请以JSON格式输出分析结果：\n{\n \"intent\": \"意图类型（greeting/question/emotion/request/goodbye/other）\",\n \"emotion\": \"情感状态（positive/neutral/negative）\",\n \"keywords\": [\"关键词1\", \"关键词2\"],\n \"topic\": \"话题主题\",\n \"needs_response\": true\n}\n\n请确保输出是有效的JSON格式，不要包含其他文字。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "switch-intent",
|
||||||
|
"type": "switch",
|
||||||
|
"position": {
|
||||||
|
"x": 850,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "意图路由",
|
||||||
|
"field": "intent",
|
||||||
|
"cases": {
|
||||||
|
"greeting": "greeting-handle",
|
||||||
|
"question": "question-handle",
|
||||||
|
"emotion": "emotion-handle",
|
||||||
|
"request": "request-handle",
|
||||||
|
"goodbye": "goodbye-handle"
|
||||||
|
},
|
||||||
|
"default": "general-handle"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-greeting",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 200
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "问候回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.7",
|
||||||
|
"max_tokens": "500",
|
||||||
|
"prompt": "你是一个温暖、友好的AI助手。用户向你打招呼，请用自然、亲切的方式回应。\n\n用户输入：{{user_input}}\n对话历史：{{memory.conversation_history}}\n\n请生成一个友好、自然的问候回复，长度控制在50字以内。直接输出回复内容，不要包含其他说明。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-question",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 300
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "问题回答",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.5",
|
||||||
|
"max_tokens": "2000",
|
||||||
|
"prompt": "你是一个知识渊博、乐于助人的AI助手。请回答用户的问题。\n\n用户问题：{{user_input}}\n对话历史：{{memory.conversation_history}}\n意图分析：{{output}}\n\n请提供：\n1. 直接、准确的答案\n2. 必要的解释和说明\n3. 如果问题不明确，友好地询问更多信息\n\n请以自然、易懂的方式回答，长度控制在200字以内。直接输出回答内容。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-emotion",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "情感回应",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.8",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": "你是一个善解人意的AI助手。请根据用户的情感状态，给予适当的回应。\n\n用户输入：{{user_input}}\n情感状态：{{output.emotion}}\n对话历史：{{memory.conversation_history}}\n\n请根据用户的情感：\n- 如果是积极情感：给予鼓励和共鸣\n- 如果是消极情感：给予理解、安慰和支持\n- 如果是中性情感：给予关注和陪伴\n\n请生成一个温暖、共情的回复，长度控制在150字以内。直接输出回复内容。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-request",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 500
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "请求处理",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.4",
|
||||||
|
"max_tokens": "1500",
|
||||||
|
"prompt": "你是一个专业的AI助手。用户提出了一个请求，请分析并回应。\n\n用户请求：{{user_input}}\n意图分析：{{output}}\n对话历史：{{memory.conversation_history}}\n\n请：\n1. 理解用户的请求内容\n2. 如果可以满足，说明如何满足\n3. 如果无法满足，友好地说明原因并提供替代方案\n\n请以清晰、友好的方式回应，长度控制在200字以内。直接输出回复内容。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-goodbye",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 600
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "告别回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.6",
|
||||||
|
"max_tokens": "300",
|
||||||
|
"prompt": "你是一个友好的AI助手。用户要结束对话，请给予温暖的告别。\n\n用户输入：{{user_input}}\n对话历史：{{memory.conversation_history}}\n\n请生成一个温暖、友好的告别回复，表达期待下次交流。长度控制在50字以内。直接输出回复内容。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-general",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1050,
|
||||||
|
"y": 700
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "通用回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.6",
|
||||||
|
"max_tokens": "1000",
|
||||||
|
"prompt": "你是一个友好、专业的AI助手。请回应用户的输入。\n\n用户输入：{{user_input}}\n对话历史：{{memory.conversation_history}}\n意图分析：{{output}}\n\n请生成一个自然、有意义的回复，保持对话的连贯性。长度控制在150字以内。直接输出回复内容。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "merge-response",
|
||||||
|
"type": "merge",
|
||||||
|
"position": {
|
||||||
|
"x": 1250,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "合并回复",
|
||||||
|
"mode": "merge_first",
|
||||||
|
"strategy": "object"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "cache-update",
|
||||||
|
"type": "cache",
|
||||||
|
"position": {
|
||||||
|
"x": 1450,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "更新记忆",
|
||||||
|
"operation": "set",
|
||||||
|
"key": "user_memory_{user_id}",
|
||||||
|
"value": "{\"conversation_history\": {{memory.conversation_history}} + [{\"role\": \"user\", \"content\": \"{{user_input}}\", \"timestamp\": \"{{timestamp}}\"}, {\"role\": \"assistant\", \"content\": \"{{output}}\", \"timestamp\": \"{{timestamp}}\"}], \"user_profile\": {{memory.user_profile}}, \"context\": {{memory.context}}}",
|
||||||
|
"ttl": 86400
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "llm-format",
|
||||||
|
"type": "llm",
|
||||||
|
"position": {
|
||||||
|
"x": 1650,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "格式化回复",
|
||||||
|
"provider": "deepseek",
|
||||||
|
"model": "deepseek-chat",
|
||||||
|
"temperature": "0.3",
|
||||||
|
"max_tokens": "500",
|
||||||
|
"prompt": "请将以下回复内容格式化为最终输出。确保回复自然、流畅。\n\n原始回复：{{output}}\n\n请直接输出格式化后的回复内容，不要包含其他说明或标记。如果原始回复已经是合适的格式，直接输出即可。"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "end-1",
|
||||||
|
"type": "end",
|
||||||
|
"position": {
|
||||||
|
"x": 1850,
|
||||||
|
"y": 400
|
||||||
|
},
|
||||||
|
"data": {
|
||||||
|
"label": "结束",
|
||||||
|
"output_format": "text"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"edges": [
|
||||||
|
{
|
||||||
|
"id": "e1",
|
||||||
|
"source": "start-1",
|
||||||
|
"target": "cache-query",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e2",
|
||||||
|
"source": "cache-query",
|
||||||
|
"target": "transform-merge",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e3",
|
||||||
|
"source": "transform-merge",
|
||||||
|
"target": "llm-intent",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e4",
|
||||||
|
"source": "llm-intent",
|
||||||
|
"target": "switch-intent",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-greeting",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-greeting",
|
||||||
|
"sourceHandle": "greeting-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-question",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-question",
|
||||||
|
"sourceHandle": "question-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-emotion",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-emotion",
|
||||||
|
"sourceHandle": "emotion-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-request",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-request",
|
||||||
|
"sourceHandle": "request-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-goodbye",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-goodbye",
|
||||||
|
"sourceHandle": "goodbye-handle",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e5-general",
|
||||||
|
"source": "switch-intent",
|
||||||
|
"target": "llm-general",
|
||||||
|
"sourceHandle": "default",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-greeting",
|
||||||
|
"source": "llm-greeting",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-question",
|
||||||
|
"source": "llm-question",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-emotion",
|
||||||
|
"source": "llm-emotion",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-request",
|
||||||
|
"source": "llm-request",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-goodbye",
|
||||||
|
"source": "llm-goodbye",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e6-general",
|
||||||
|
"source": "llm-general",
|
||||||
|
"target": "merge-response",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e7",
|
||||||
|
"source": "merge-response",
|
||||||
|
"target": "cache-update",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e8",
|
||||||
|
"source": "cache-update",
|
||||||
|
"target": "llm-format",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "e9",
|
||||||
|
"source": "llm-format",
|
||||||
|
"target": "end-1",
|
||||||
|
"sourceHandle": "right",
|
||||||
|
"targetHandle": "left"
|
||||||
|
}
|
||||||
|
]
|
||||||
|
}
|
||||||
|
}
|
||||||
337
聊天智能体示例说明.md
Normal file
337
聊天智能体示例说明.md
Normal file
@@ -0,0 +1,337 @@
|
|||||||
|
# 智能聊天Agent完整示例说明
|
||||||
|
|
||||||
|
## 📋 概述
|
||||||
|
|
||||||
|
这是一个完整的聊天智能体示例，展示了如何使用平台的核心能力构建一个功能完善的聊天助手。该示例包含了记忆管理、意图识别、多分支路由、上下文传递等核心功能。
|
||||||
|
|
||||||
|
## 🎯 功能特性
|
||||||
|
|
||||||
|
### ✅ 核心能力展示
|
||||||
|
|
||||||
|
1. **记忆管理**
|
||||||
|
- 使用缓存节点存储对话历史
|
||||||
|
- 支持用户画像和上下文信息
|
||||||
|
- 自动更新记忆内容
|
||||||
|
|
||||||
|
2. **意图识别**
|
||||||
|
- 使用LLM节点分析用户意图
|
||||||
|
- 识别情感状态
|
||||||
|
- 提取关键词和话题
|
||||||
|
|
||||||
|
3. **多分支路由**
|
||||||
|
- 使用Switch节点根据意图分发
|
||||||
|
- 支持6种不同场景的处理分支
|
||||||
|
- 默认分支处理未知意图
|
||||||
|
|
||||||
|
4. **上下文传递**
|
||||||
|
- 使用Transform节点合并数据
|
||||||
|
- 保持对话历史的连贯性
|
||||||
|
- 支持多轮对话
|
||||||
|
|
||||||
|
5. **个性化回复**
|
||||||
|
- 根据不同意图生成针对性回复
|
||||||
|
- 考虑用户情感状态
|
||||||
|
- 保持对话风格一致
|
||||||
|
|
||||||
|
## 🔄 工作流结构
|
||||||
|
|
||||||
|
```
|
||||||
|
开始节点
|
||||||
|
↓
|
||||||
|
查询记忆（Cache节点）
|
||||||
|
↓
|
||||||
|
合并上下文（Transform节点）
|
||||||
|
↓
|
||||||
|
意图理解（LLM节点）
|
||||||
|
↓
|
||||||
|
意图路由（Switch节点）
|
||||||
|
├─→ 问候处理（greeting）
|
||||||
|
├─→ 问题回答（question）
|
||||||
|
├─→ 情感回应（emotion）
|
||||||
|
├─→ 请求处理（request）
|
||||||
|
├─→ 告别回复（goodbye）
|
||||||
|
└─→ 通用回复（default）
|
||||||
|
↓
|
||||||
|
合并回复（Merge节点）
|
||||||
|
↓
|
||||||
|
更新记忆（Cache节点）
|
||||||
|
↓
|
||||||
|
格式化回复（LLM节点）
|
||||||
|
↓
|
||||||
|
结束节点
|
||||||
|
```
|
||||||
|
|
||||||
|
## 📊 节点详细说明
|
||||||
|
|
||||||
|
### 1. 开始节点（start-1）
|
||||||
|
- **功能**: 接收用户输入
|
||||||
|
- **输入格式**: JSON格式，包含 `query` 字段
|
||||||
|
- **输出**: 将用户输入传递给后续节点
|
||||||
|
|
||||||
|
### 2. 查询记忆节点（cache-query）
|
||||||
|
- **类型**: Cache节点
|
||||||
|
- **操作**: `get` - 获取用户记忆
|
||||||
|
- **Key**: `user_memory_{user_id}`
|
||||||
|
- **默认值**: 空记忆结构
|
||||||
|
- **功能**: 从缓存中读取用户的对话历史和画像信息
|
||||||
|
|
||||||
|
### 3. 合并上下文节点（transform-merge）
|
||||||
|
- **类型**: Transform节点
|
||||||
|
- **模式**: `merge` - 合并模式
|
||||||
|
- **功能**: 将用户输入、记忆数据、时间戳合并为完整上下文
|
||||||
|
|
||||||
|
### 4. 意图理解节点（llm-intent）
|
||||||
|
- **类型**: LLM节点
|
||||||
|
- **模型**: DeepSeek Chat
|
||||||
|
- **功能**:
|
||||||
|
- 分析用户输入
|
||||||
|
- 识别意图类型（greeting/question/emotion/request/goodbye/other）
|
||||||
|
- 识别情感状态（positive/neutral/negative）
|
||||||
|
- 提取关键词和话题
|
||||||
|
- **输出格式**: JSON
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"intent": "意图类型",
|
||||||
|
"emotion": "情感状态",
|
||||||
|
"keywords": ["关键词"],
|
||||||
|
"topic": "话题主题",
|
||||||
|
"needs_response": true
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
### 5. 意图路由节点（switch-intent）
|
||||||
|
- **类型**: Switch节点
|
||||||
|
- **功能**: 根据意图类型路由到不同的处理分支
|
||||||
|
- **分支**:
|
||||||
|
- `greeting` → 问候处理
|
||||||
|
- `question` → 问题回答
|
||||||
|
- `emotion` → 情感回应
|
||||||
|
- `request` → 请求处理
|
||||||
|
- `goodbye` → 告别回复
|
||||||
|
- `default` → 通用回复
|
||||||
|
|
||||||
|
### 6. 各分支处理节点（llm-*）
|
||||||
|
- **类型**: LLM节点
|
||||||
|
- **功能**: 根据不同意图生成针对性的回复
|
||||||
|
- **特点**:
|
||||||
|
- 问候分支：友好、亲切
|
||||||
|
- 问题分支：准确、详细
|
||||||
|
- 情感分支：共情、温暖
|
||||||
|
- 请求分支：专业、清晰
|
||||||
|
- 告别分支：温暖、期待
|
||||||
|
- 通用分支：自然、连贯
|
||||||
|
|
||||||
|
### 7. 合并回复节点（merge-response）
|
||||||
|
- **类型**: Merge节点
|
||||||
|
- **模式**: `merge_first` - 合并第一个结果
|
||||||
|
- **功能**: 将各分支的回复结果合并
|
||||||
|
|
||||||
|
### 8. 更新记忆节点（cache-update）
|
||||||
|
- **类型**: Cache节点
|
||||||
|
- **操作**: `set` - 设置记忆
|
||||||
|
- **功能**:
|
||||||
|
- 将本次对话添加到历史记录
|
||||||
|
- 更新用户画像（如需要）
|
||||||
|
- 保存上下文信息
|
||||||
|
- **TTL**: 86400秒（24小时）
|
||||||
|
|
||||||
|
### 9. 格式化回复节点（llm-format）
|
||||||
|
- **类型**: LLM节点
|
||||||
|
- **功能**: 对最终回复进行格式化和优化
|
||||||
|
- **输出**: 自然、流畅的文本回复
|
||||||
|
|
||||||
|
### 10. 结束节点（end-1）
|
||||||
|
- **功能**: 返回最终回复
|
||||||
|
- **输出格式**: 纯文本
|
||||||
|
|
||||||
|
## 🚀 使用方法
|
||||||
|
|
||||||
|
### 方法一：使用生成脚本（推荐）
|
||||||
|
|
||||||
|
```bash
|
||||||
|
cd backend/scripts
|
||||||
|
python3 generate_chat_agent.py
|
||||||
|
```
|
||||||
|
|
||||||
|
脚本会自动创建Agent，包含完整的工作流配置。
|
||||||
|
|
||||||
|
### 方法二：手动创建
|
||||||
|
|
||||||
|
1. **进入Agent管理页面**
|
||||||
|
- 点击"创建Agent"按钮
|
||||||
|
- 填写名称和描述
|
||||||
|
|
||||||
|
2. **进入工作流编辑器**
|
||||||
|
- 点击"设计"按钮
|
||||||
|
- 使用节点工具箱添加节点
|
||||||
|
- 按照工作流结构连接节点
|
||||||
|
|
||||||
|
3. **配置节点**
|
||||||
|
- **LLM节点**: 配置API密钥、模型、Prompt
|
||||||
|
- **Cache节点**: 配置缓存Key和操作
|
||||||
|
- **Switch节点**: 配置路由规则
|
||||||
|
- **Transform节点**: 配置数据映射
|
||||||
|
|
||||||
|
4. **测试Agent**
|
||||||
|
- 点击"测试"按钮
|
||||||
|
- 输入测试消息
|
||||||
|
- 查看执行结果
|
||||||
|
|
||||||
|
5. **发布Agent**
|
||||||
|
- 点击"发布"按钮
|
||||||
|
- Agent状态变为"已发布"
|
||||||
|
- 可以开始使用
|
||||||
|
|
||||||
|
## 📝 配置要点
|
||||||
|
|
||||||
|
### 1. LLM节点配置
|
||||||
|
|
||||||
|
- **Provider**: 选择AI模型提供商（如DeepSeek、OpenAI）
|
||||||
|
- **Model**: 选择具体模型（如deepseek-chat、gpt-3.5-turbo）
|
||||||
|
- **Temperature**:
|
||||||
|
- 意图识别：0.3（需要准确性）
|
||||||
|
- 情感回应：0.8（需要创造性）
|
||||||
|
- 问题回答：0.5（平衡准确性和灵活性）
|
||||||
|
- **Max Tokens**: 根据回复长度需求设置
|
||||||
|
- **Prompt**: 明确角色、任务、输出格式要求
|
||||||
|
|
||||||
|
### 2. Cache节点配置
|
||||||
|
|
||||||
|
- **Operation**:
|
||||||
|
- `get`: 查询记忆
|
||||||
|
- `set`: 更新记忆
|
||||||
|
- **Key**: 使用用户ID确保记忆隔离
|
||||||
|
- **TTL**: 设置合适的过期时间（如24小时）
|
||||||
|
|
||||||
|
### 3. Switch节点配置
|
||||||
|
|
||||||
|
- **Field**: 指定用于路由的字段（如`intent`）
|
||||||
|
- **Cases**: 配置各分支的路由规则
|
||||||
|
- **Default**: 配置默认分支
|
||||||
|
|
||||||
|
### 4. Transform节点配置
|
||||||
|
|
||||||
|
- **Mode**: 选择合并模式（`merge`）
|
||||||
|
- **Mapping**: 配置数据映射规则
|
||||||
|
- **变量引用**: 使用`{{variable}}`引用上游数据
|
||||||
|
|
||||||
|
## 🎨 自定义扩展
|
||||||
|
|
||||||
|
### 1. 添加新的意图分支
|
||||||
|
|
||||||
|
1. 在Switch节点中添加新的case
|
||||||
|
2. 创建对应的LLM处理节点
|
||||||
|
3. 连接Switch节点和处理节点
|
||||||
|
4. 连接处理节点到Merge节点
|
||||||
|
|
||||||
|
### 2. 增强记忆功能
|
||||||
|
|
||||||
|
- 添加用户画像更新逻辑
|
||||||
|
- 实现长期记忆和短期记忆分离
|
||||||
|
- 添加记忆检索和总结功能
|
||||||
|
|
||||||
|
### 3. 添加外部工具
|
||||||
|
|
||||||
|
- 集成知识库查询
|
||||||
|
- 添加天气、新闻等外部API
|
||||||
|
- 实现文件处理功能
|
||||||
|
|
||||||
|
### 4. 优化回复质量
|
||||||
|
|
||||||
|
- 添加回复质量评估节点
|
||||||
|
- 实现多候选回复生成和选择
|
||||||
|
- 添加回复风格控制
|
||||||
|
|
||||||
|
## 🔍 测试示例
|
||||||
|
|
||||||
|
### 测试用例1：问候
|
||||||
|
```
|
||||||
|
输入: "你好"
|
||||||
|
预期: 友好的问候回复
|
||||||
|
```
|
||||||
|
|
||||||
|
### 测试用例2：问题
|
||||||
|
```
|
||||||
|
输入: "今天天气怎么样？"
|
||||||
|
预期: 尝试回答问题或说明无法获取天气信息
|
||||||
|
```
|
||||||
|
|
||||||
|
### 测试用例3：情感表达
|
||||||
|
```
|
||||||
|
输入: "我今天心情不太好"
|
||||||
|
预期: 共情、安慰的回复
|
||||||
|
```
|
||||||
|
|
||||||
|
### 测试用例4：请求
|
||||||
|
```
|
||||||
|
输入: "帮我写一首诗"
|
||||||
|
预期: 生成诗歌或说明能力范围
|
||||||
|
```
|
||||||
|
|
||||||
|
### 测试用例5：告别
|
||||||
|
```
|
||||||
|
输入: "再见"
|
||||||
|
预期: 温暖的告别回复
|
||||||
|
```
|
||||||
|
|
||||||
|
## ⚠️ 注意事项
|
||||||
|
|
||||||
|
1. **API密钥配置**
|
||||||
|
- 确保所有LLM节点都配置了有效的API密钥
|
||||||
|
- 检查API配额和限制
|
||||||
|
|
||||||
|
2. **记忆管理**
|
||||||
|
- Cache节点使用内存缓存，重启后会丢失
|
||||||
|
- 生产环境建议使用Redis等持久化缓存
|
||||||
|
|
||||||
|
3. **性能优化**
|
||||||
|
- 减少不必要的LLM调用
|
||||||
|
- 优化Prompt长度
|
||||||
|
- 合理设置Token限制
|
||||||
|
|
||||||
|
4. **错误处理**
|
||||||
|
- 添加错误处理节点
|
||||||
|
- 配置重试机制
|
||||||
|
- 提供友好的错误提示
|
||||||
|
|
||||||
|
## 📚 相关文档
|
||||||
|
|
||||||
|
- [创建Agent经验总结](./创建Agent经验.md)
|
||||||
|
- [工作流节点类型说明](./可新增节点类型建议.md)
|
||||||
|
- [Agent使用说明](./Agent使用说明.md)
|
||||||
|
|
||||||
|
## 🎯 适用场景
|
||||||
|
|
||||||
|
- ✅ 情感陪聊助手
|
||||||
|
- ✅ 客服机器人
|
||||||
|
- ✅ 智能问答系统
|
||||||
|
- ✅ 对话式AI应用
|
||||||
|
- ✅ 个性化聊天助手
|
||||||
|
|
||||||
|
## 💡 最佳实践
|
||||||
|
|
||||||
|
1. **Prompt设计**
|
||||||
|
- 明确角色定位
|
||||||
|
- 明确输出格式
|
||||||
|
- 提供示例和上下文
|
||||||
|
|
||||||
|
2. **工作流设计**
|
||||||
|
- 保持流程清晰
|
||||||
|
- 合理使用分支
|
||||||
|
- 避免过度复杂
|
||||||
|
|
||||||
|
3. **记忆管理**
|
||||||
|
- 定期清理过期记忆
|
||||||
|
- 控制记忆大小
|
||||||
|
- 保护用户隐私
|
||||||
|
|
||||||
|
4. **测试验证**
|
||||||
|
- 覆盖各种场景
|
||||||
|
- 测试边界情况
|
||||||
|
- 验证回复质量
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
**创建时间**: 2024年
|
||||||
|
**版本**: 1.0
|
||||||
|
**作者**: AI Agent Platform
|
||||||
Reference in New Issue
Block a user