"""创建功能最强大的自主 Agent — Pro 模型 + 全工具 + 向量记忆 + 自主学习 用法: python scripts/seed_max_agent.py python scripts/seed_max_agent.py --name "我的助手" --desc "自定义描述" """ import json import urllib.request import urllib.parse import uuid import sys import argparse BASE = "http://localhost:8037" # ─── 全部可用工具（从平台 GET /api/v1/tools 获取） ─── ALL_TOOLS = [ # 文件操作 "file_read", "file_write", "list_files", "grep_search", # 网络请求 "http_request", "web_search", "check_website", "url_parse", "browser_use", # 数据处理 "text_analyze", "text_summarize", "json_process", "json_tool", "math_calculate", "random_generate", "regex_test", "csv_processor", "excel_process", "pdf_generate", "base64_codec", "crypto_util", "html_to_markdown", # 数据库 & 系统 "database_query", "system_info", "datetime", "timestamp", # 代码 & 开发 "code_execute", "execute_code", "code_tool_create", "git_operation", "git_log", "project_scaffold", "project_scan", "docker_manage", "deploy_push", "adb_log", # AI Agent 扩展 "agent_call", "agent_create", "tool_register", "task_plan", "self_review", "capability_check", "extension_log", "create_task", "assign_task", "check_progress", "notify_user", # 知识图谱 "knowledge_graph_search", "knowledge_graph_add", "entity_search", "learning_path", # 多模态 "image_ocr", "image_vision", "speech_to_text", "text_to_speech", # 飞书集成 "feishu_create_doc", "feishu_create_sheet", "feishu_create_calendar_event", "feishu_search_contacts", "feishu_send_approval", "feishu_read_messages", "feishu_upload_file", # DevOps & 测试 "create_gitea_issue", "parse_test_result_file", "schedule_create", "schedule_list", "schedule_delete", # 网络 & IP "ip_info", "shorten_url", # 其他 "extract_info", ] def req(method, path, headers=None, body=None, raw_body=None, timeout=15): hdrs = {"Content-Type": "application/json"} if headers: hdrs.update(headers) data = raw_body if raw_body else (json.dumps(body).encode() if body else None) r = urllib.request.Request(f"{BASE}{path}", data=data, headers=hdrs, method=method) try: resp = urllib.request.urlopen(r, timeout=timeout) return resp.status, json.loads(resp.read()) except urllib.request.HTTPError as e: return e.code, json.loads(e.read()) except Exception as e: return 0, {"error": str(e)} def login(username="admin", password="123456"): """登录获取 token，支持 admin 或自定义账号""" status, data = req("POST", "/api/v1/auth/login", headers={"Content-Type": "application/x-www-form-urlencoded"}, raw_body=urllib.parse.urlencode( {"username": username, "password": password}).encode()) if status != 200: print(f"Login failed ({status}): {data}") return None token = data["access_token"] print(f"OK Login: {token[:20]}... (ws={data.get('ws','')[:8]}...)") return {"Authorization": f"Bearer {token}", "Content-Type": "application/json"} def make_workflow_pro(name, system_prompt, tools=None, model="deepseek-v4-pro", provider="deepseek", temperature=0.8, max_iterations=15): """构建 Pro 级工作流配置，含完整向量记忆+自主学习。 参数: name: Agent 名称 system_prompt: 系统提示词 tools: 工具列表，None/空列表 = 全部工具 model: deepseek-v4-pro | deepseek-v4-flash | gpt-4o temperature: 0-1，越高越有创造性 max_iterations: ReAct 最大迭代步数 """ if tools is None: tools = [] _start_id = str(uuid.uuid4()) _llm_id = str(uuid.uuid4()) _end_id = str(uuid.uuid4()) return { "nodes": [ { "id": _start_id, "type": "start", "position": {"x": 100, "y": 200}, "data": {"label": "开始"}, }, { "id": _llm_id, "type": "llm", "position": {"x": 380, "y": 200}, "data": { "label": name, "system_prompt": system_prompt, "model": model, "provider": provider, "temperature": temperature, "max_iterations": max_iterations, # ── 工具配置 ── "tools": tools, "selected_tools": tools, "enable_tools": True, # ── 三级记忆架构 ── "memory": True, "memory_persist": True, # 对话写入 MySQL "memory_vector_enabled": True, # 向量语义检索 "memory_vector_top_k": 20, # 检索最相关 20 条 "memory_learning": True, # 自主学习模式 "memory_max_history": 25, # 上下文最大消息数 }, }, { "id": _end_id, "type": "end", "position": {"x": 640, "y": 200}, "data": {"label": "结束"}, }, ], "edges": [ {"id": str(uuid.uuid4()), "source": _start_id, "target": _llm_id}, {"id": str(uuid.uuid4()), "source": _llm_id, "target": _end_id}, ], } # ══════════════════════════════════════════════════════════════════ # 豆包风格通用 System Prompt（989 字，6 大特质） # ══════════════════════════════════════════════════════════════════ PRO_SYSTEM_PROMPT = """你是豆包，字节跳动推出的AI对话助手。你的使命是用温暖、自然、真挚的方式陪伴用户，成为他们工作生活中值得信赖的伙伴。 ## 核心特质 ### 1. 温暖自然的对话风格 - 语气像朋友聊天，不冷冰冰、不机械 - 适当使用语气词（呢、呀、嘛、哈~）让对话更生动 - 根据用户情绪调整态度：开心时一起高兴，低落时温柔安慰 - 用口语化的表达替代书面语，让每个回复都有温度 - 主动关心用户的感受和需求 ### 2. 知识问答与搜索 - 准确回答各类知识问题，涵盖科学、历史、文化、生活等领域 - 涉及实时信息时主动使用 web_search 工具获取最新内容 - 回答结构清晰，用表格、列表帮助用户快速理解 - 不确定时会诚实说明，并给出进一步获取信息的建议 ### 3. 多模态理解 - 支持图片描述和视觉问答（image_vision） - 支持从图片中提取文字（image_ocr） - 支持语音转文字和文字转语音 - 能处理Excel、PDF、Word等办公文档 ### 4. 创意写作 - 写故事、诗歌、散文、剧本等文学创作 - 文案策划：广告语、品牌故事、产品介绍 - 润色改写：帮用户的文字更有文采、更打动人 - 根据不同场景调整文风：正式的、幽默的、文艺的、可爱的 ### 5. 代码辅助 - 解答编程问题，给出可直接运行的代码 - 帮用户调试bug、优化性能、重构代码 - 解释技术概念，用通俗语言让新手也能理解 - 支持Python、JavaScript、TypeScript、Java、Go等主流语言 ### 6. 情感陪伴 - 认真倾听用户的烦恼，给予同理心回应 - 分享积极正能量，但不强行灌鸡汤 - 记住用户说过的重要事情，在后续对话中自然提及 - 用适当的emoji和语气让文字更有感染力 ✨ ## 回复格式偏好 - 优先用清晰的标题分段，方便用户阅读 - 技术内容用代码块标注语言类型 - 结构化信息用表格呈现 - 适当使用emoji增添亲和力，但不过度 - 思考过程简洁高效，不啰嗦 ## 安全边界 - 拒绝生成违法、暴力、色情等有害内容 - 医疗建议只提供通用信息，提醒用户咨询专业医生 - 金融建议只提供基础知识，不构成投资建议 - 涉及隐私信息时主动提醒用户注意保护 我是豆包，很高兴认识你 ~ 今天有什么可以帮你的吗？ ✨""" # ══════════════════════════════════════════════════════════════════ # Agent 模板定义 # ══════════════════════════════════════════════════════════════════ AGENTS = [ { "name": "智能助手 Pro Max", "description": "最强大全功能AI助手：deepseek-v4-pro + 60+工具 + 向量记忆 + 自主学习 + 多模态理解 + 飞书集成", "system_prompt": PRO_SYSTEM_PROMPT, "tools": ALL_TOOLS, }, { "name": "代码大师 Pro", "description": "专业编程助手：代码生成/调试/重构/审查 + Git操作 + Docker部署 + 项目脚手架", "system_prompt": """你是代码大师 CodeMaster，世界顶级的全栈软件工程师 AI。 ## 核心能力 - **多语言精通**：Python / JavaScript / TypeScript / Java / Go / Rust / C++ / Kotlin / Swift - **全栈能力**：前端(React/Vue/Angular) + 后端(FastAPI/Express/Spring) + 数据库(MySQL/PostgreSQL/MongoDB) - **工程实践**：CI/CD、Docker、Git工作流、测试驱动开发 ## 工作流程 1. 深入理解需求，必要时追问澄清 2. 搜索现有最佳实践和方案（web_search） 3. 分析项目上下文（project_scan, grep_search, list_files） 4. 编写高质量、可测试、有注释的代码（code_execute） 5. 代码审查和性能优化（self_review） 6. 如有需要，创建可复用工具（code_tool_create） ## 代码风格 - 类型安全优先（TypeScript / Python type hints） - 遵循语言社区最佳实践和风格指南 - 错误处理完善，边界条件考虑周全 - 代码块始终标注语言类型""", "tools": ALL_TOOLS, }, { "name": "产品架构师 Pro", "description": "产品规划与技术架构：需求分析/产品设计/架构评审/技术方案/竞品分析", "system_prompt": """你是产品架构师 ArchiPro，资深产品+架构双栖专家。 ## 核心能力 - **产品思维**：能从用户价值和商业价值两个维度分析需求 - **架构设计**：熟悉微服务、事件驱动、CQRS、DDD 等架构模式 - **技术选型**：能根据团队能力和业务场景给出合理的技术栈建议 - **文档产出**：BRD/PRD/技术方案/架构图/API 设计 ## 工作流程 1. 理清业务目标和用户场景 2. 拆解需求为功能模块 3. 设计系统架构和数据模型 4. Web搜索参考业界方案 5. 如果需要，创建子Agent负责专项设计 6. 产出结构化文档 ## 产出格式 - 需求分析用表格呈现（场景/角色/目标/优先级） - 架构设计用分层图描述 - API设计用 OpenAPI 风格 - 风险评估和里程碑规划""", "tools": ALL_TOOLS, }, ] # ══════════════════════════════════════════════════════════════════ # 主程序 # ══════════════════════════════════════════════════════════════════ def main(): parser = argparse.ArgumentParser(description="创建 Pro Max 级别 Agent") parser.add_argument("--name", help="自定义 Agent 名称") parser.add_argument("--desc", help="自定义 Agent 描述") parser.add_argument("--prompt", help="自定义 System Prompt（文件路径或直接文本）") parser.add_argument("--model", default="deepseek-v4-pro", help="模型名称") parser.add_argument("--user", default="admin", help="登录用户名") parser.add_argument("--pass", dest="password", default="123456", help="登录密码") parser.add_argument("--base", default="http://localhost:8037", help="API 地址") args = parser.parse_args() global BASE BASE = args.base # 登录 auth = login(username=args.user, password=args.password) if not auth: print("Login failed, abort.") sys.exit(1) # 确定要创建的 Agent 列表 if args.name: prompt = PRO_SYSTEM_PROMPT if args.prompt: try: with open(args.prompt, "r", encoding="utf-8") as f: prompt = f.read() except FileNotFoundError: prompt = args.prompt agents_to_create = [{ "name": args.name, "description": args.desc or "自定义 Pro Max Agent", "system_prompt": prompt, "tools": ALL_TOOLS, }] else: agents_to_create = AGENTS # 批量创建 ok = 0 fail = 0 for a in agents_to_create: wf = make_workflow_pro( a["name"], a["system_prompt"], tools=a.get("tools", ALL_TOOLS), model=args.model, ) agent_config = { "name": a["name"], "description": a.get("description", ""), "workflow_config": wf, "budget_config": { "max_llm_invocations": 200, "max_tool_calls": 500, "timeout_seconds": 300, }, "category": "llm", "tags": ["pro", "max", "all-tools", "vector-memory"], "is_public": True, } status, data = req("POST", "/api/v1/agents", headers=auth, body=agent_config) if status in (200, 201): agent_id = data.get("id", "") print(f" OK {a['name']}") print(f" ID: {agent_id}") print(f" Status: {data.get('status', '?')}") # 自动发布 pub_status, pub_data = req( "PUT", f"/api/v1/agents/{agent_id}", headers=auth, body={"status": "published"} ) if pub_status in (200, 201): print(f" Published: OK") print(f" Chat URL: http://localhost:3001/agent-chat/{agent_id}") else: print(f" Publish failed: {pub_data}") ok += 1 elif status == 409: print(f" - {a['name']} (already exists)") ok += 1 else: print(f" FAIL {a['name']} (HTTP {status}): {json.dumps(data, ensure_ascii=False)[:200]}") fail += 1 print() print(f"=" * 50) print(f"Done: {ok} ok, {fail} failed") if ok > 0: print(f"\nFrontend: http://localhost:3001/agents") print(f"Go to Agent Management to see your new Pro Max agents!") if __name__ == "__main__": main()