#!/usr/bin/env python3 """ 创建「智能学习助手」(KG+RAG) Agent 基于知识图谱 + RAG 增强的学习助手： - 实体抽取：自动从学习材料提取知识点 - 关系图谱：构建前置/扩展/包含/示例关系 - 向量检索：语义搜索相关知识和历史记忆 - 永久记忆：跨会话保存学习进度和用户画像 用法: cd backend && .\\venv\\Scripts\\python.exe scripts/create_learning_assistant_agent.py 环境变量: PLATFORM_BASE_URL - 平台地址（默认 http://127.0.0.1:8037） PLATFORM_USERNAME - 用户名（默认 admin） PLATFORM_PASSWORD - 密码（默认 123456） AGENT_NAME - Agent 名称（默认 智能学习助手(KG+RAG)） SUBJECT - 学科领域（默认 通用） LEVEL - 难度级别（默认 中级） """ from __future__ import annotations import json import os import sys from typing import Any, Dict, List, Optional import requests BASE = os.getenv("PLATFORM_BASE_URL", "http://127.0.0.1:8037").rstrip("/") USER = os.getenv("PLATFORM_USERNAME", "admin") PWD = os.getenv("PLATFORM_PASSWORD", "123456") AGENT_NAME = os.getenv("AGENT_NAME", "智能学习助手(KG+RAG)") SUBJECT = os.getenv("SUBJECT", "通用") LEVEL = os.getenv("LEVEL", "中级") # 学习助手专用工具集 LEARNING_TOOLS = [ "knowledge_graph_search", "knowledge_graph_add", "entity_search", "learning_path", "file_read", "file_write", "text_analyze", "web_search", "task_plan", "self_review", "math_calculate", "json_process", "datetime", "http_request", "code_execute", "system_info", ] SYSTEM_PROMPT = f"""# 角色：智能学习助手（知识图谱 + RAG 增强版） 你是专为深度学习场景设计的 AI 学习助手，具备**知识图谱构建**、**向量语义检索**和**永久记忆**能力。 ## 核心架构 你的知识系统由三层组成： 1. **知识图谱 (Knowledge Graph)**：结构化存储知识点实体及其前置/扩展/包含/示例关系，构建学科知识网络 2. **向量记忆 (Vector Memory)**：语义检索历史对话和相关知识，找到最相似的学习内容 3. **长期记忆 (Persistent Memory)**：跨会话保存用户画像、学习进度、薄弱环节 ## 当前学习配置 - 学科领域：{SUBJECT} - 难度级别：{LEVEL} ## 工作流程（每次对话必须遵循） ### 阶段 1：理解与分析 1. 理解用户的学习意图（提问 / 复习 / 练习 / 总结 / 规划） 2. 用 `knowledge_graph_search` 检索相关知识图谱实体 3. 如果用户提供了新的学习材料/知识点，用 `knowledge_graph_add` 自动提取并存储到知识图谱 ### 阶段 2：知识检索与融合 4. 结合图谱检索结果和历史向量记忆，构建完整的知识上下文 5. 用 `entity_search` 查找特定概念的前置知识和扩展内容 6. 如果需要学习路径建议，用 `learning_path` 分析依赖关系并给出学习顺序 ### 阶段 3：生成与交付 7. 基于融合后的知识上下文生成高质量回答 8. 回答应包含： - **核心概念解释**（关联知识图谱中的实体） - **前置知识提醒**（如果有依赖关系） - **实例或练习题**（如适用） - **扩展阅读建议**（关联的扩展知识点） 9. 用 `self_review` 自检回答质量，不达标则修正 ### 阶段 4：巩固与记忆 10. 将本轮对话中的重要知识点持久化到长期记忆 11. 更新用户画像（掌握程度、薄弱环节、学习偏好） ## 知识图谱工具使用指南 | 工具 | 用途 | 何时使用 | |------|------|---------| | `knowledge_graph_search` | 向量+图谱混合检索 | 每次回答学习问题前 | | `knowledge_graph_add` | 从文本提取实体和关系 | 用户分享学习材料/新知识点时 | | `entity_search` | 关键词搜索实体 | 查找特定概念详情时 | | `learning_path` | 推荐学习路径 | 用户询问学习顺序/计划时 | ## 回答风格 - 使用 Markdown 格式，层次分明 - 关键概念用 **粗体** 标记 - 公式用代码块或 LaTeX 表达 - 每个回答末尾附上「📚 相关知识点」列表（来自图谱检索结果） - 必要时用 `task_plan` 为用户制定学习计划 ## 记忆与个性化 - 记住用户的学习进度和薄弱环节 - 根据用户级别（{LEVEL}）调整解释深度 - 对反复出错的知识点主动提醒和强化训练 --- 你是学习者最可靠的 AI 伙伴。开始吧！""" def _login() -> Optional[str]: """登录获取 token。""" try: r = requests.post( f"{BASE}/api/v1/auth/login", data={"username": USER, "password": PWD}, headers={"Content-Type": "application/x-www-form-urlencoded"}, timeout=15, ) if r.status_code == 200: return r.json().get("access_token") print(f"登录失败: {r.status_code} {r.text[:300]}", file=sys.stderr) return None except Exception as e: print(f"登录异常: {e}", file=sys.stderr) return None def _find_agent_by_name(token: str, name: str) -> Optional[Dict[str, Any]]: """查找同名 Agent。""" h = {"Authorization": f"Bearer {token}"} r = requests.get(f"{BASE}/api/v1/agents", params={"search": name, "limit": 50}, headers=h, timeout=30) if r.status_code != 200: return None for a in r.json() or []: if a.get("name") == name: return a return None def _build_workflow() -> Dict[str, Any]: """构建学习助手工作流。""" return { "nodes": [ { "id": "start-1", "type": "start", "position": {"x": 80, "y": 240}, "data": {"label": "学习任务开始"}, }, { "id": "llm-learning", "type": "llm", "position": {"x": 380, "y": 240}, "data": { "label": "智能学习助手 (KG+RAG)", "prompt": SYSTEM_PROMPT, "temperature": 0.7, "provider": "deepseek", "model": "deepseek-chat", "max_iterations": 20, "enable_tools": True, "tools": LEARNING_TOOLS, "selected_tools": LEARNING_TOOLS, "max_tool_iterations": 18, "memory": True, "memory_max_history": 30, "memory_vector_enabled": True, "memory_vector_top_k": 8, "memory_persist": True, "memory_learning": True, }, }, { "id": "end-1", "type": "end", "position": {"x": 680, "y": 240}, "data": {"label": "学习完成"}, }, ], "edges": [ { "id": "e_start_learning", "source": "start-1", "target": "llm-learning", "sourceHandle": "right", "targetHandle": "left", }, { "id": "e_learning_end", "source": "llm-learning", "target": "end-1", "sourceHandle": "right", "targetHandle": "left", }, ], } def main() -> int: token = _login() if not token: return 1 h = {"Authorization": f"Bearer {token}", "Content-Type": "application/json"} # 检查是否已存在 existing = _find_agent_by_name(token, AGENT_NAME) if existing: print(f"Agent「{AGENT_NAME}」已存在 (id={existing['id']})，将更新工作流和工具配置") agent_id = existing["id"] else: # 创建新 Agent wf = _build_workflow() body = { "name": AGENT_NAME, "description": ( f"知识图谱+RAG增强学习助手。学科：{SUBJECT}，难度：{LEVEL}。" "支持实体抽取、关系图谱构建、向量语义检索、学习路径推荐、永久记忆。" ), "workflow_config": wf, } r = requests.post(f"{BASE}/api/v1/agents", headers=h, json=body, timeout=60) if r.status_code != 201: print(f"创建失败: {r.status_code} {r.text[:500]}", file=sys.stderr) return 1 agent_id = r.json()["id"] print(f"Agent 创建成功: id={agent_id} name={AGENT_NAME}") # 更新工作流配置（确保工具集是最新的） wf = _build_workflow() up = requests.put( f"{BASE}/api/v1/agents/{agent_id}", headers=h, json={ "description": ( f"知识图谱+RAG增强学习助手。学科：{SUBJECT}，难度：{LEVEL}。" "工作流：开始→智能学习助手(KG+RAG)→结束。" "核心能力：实体抽取、关系图谱构建、向量语义检索、学习路径推荐、永久记忆。" ), "workflow_config": wf, }, timeout=120, ) if up.status_code != 200: print(f"更新失败: {up.status_code} {up.text[:500]}", file=sys.stderr) return 1 print(f"Agent「{AGENT_NAME}」配置完成") print(f" ID: {agent_id}") print(f" 学科: {SUBJECT}") print(f" 级别: {LEVEL}") print(f" 工具 ({len(LEARNING_TOOLS)}): {', '.join(LEARNING_TOOLS)}") print(f" 记忆: 向量记忆+长期记忆+自主学习 已启用") print(f" 知识图谱: 实体抽取+关系构建+混合检索 已启用") print() print("使用方法：") print(f" 1. 在 Agent 管理页面找到「{AGENT_NAME}」") print(f" 2. 点击「使用」开始对话") print(f" 3. 可以分享学习材料让助手自动构建知识图谱") print(f" 4. 查询知识点时会自动做图谱+向量混合检索") print() print(json.dumps({"id": agent_id, "name": AGENT_NAME}, ensure_ascii=False)) return 0 if __name__ == "__main__": raise SystemExit(main())