eabf90c496
- Add AI学习助手 agent creation script with all 39 tools, 3-layer KG+RAG memory - Add renshenguo (人参果) feishu bot integration (app_service + ws_handler) - Register renshenguo WS client in main.py startup - Add RENSHENGUO_APP_ID / RENSHENGUO_APP_SECRET / RENSHENGUO_AGENT_ID config - Reorganize docs from root into docs/ subdirectories - Move startup scripts to scripts/startup/ - Various backend optimizations and tool improvements Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
213 lines
13 KiB
Markdown
213 lines
13 KiB
Markdown
---
|
||
从工作流引擎到自主 AI Agent：改造方案
|
||
|
||
核心思路：不要重构，要"寄生式"生长
|
||
|
||
现有引擎 5788 行，WorkflowEditor.vue 9140 行——不要重构它们。而是寄生在已有的 ToolRegistry、LLM Service、Memory Service
|
||
之上，新建一个独立的 Agent Runtime。
|
||
|
||
---
|
||
第一步：构建 Agent Runtime 内核（1 周）
|
||
|
||
新建 backend/app/agent_runtime/ 包：
|
||
|
||
backend/app/agent_runtime/
|
||
├── __init__.py
|
||
├── core.py # Agent 主循环
|
||
├── context.py # Agent 上下文（会话状态）
|
||
├── memory.py # 记忆管理（连接已有记忆服务）
|
||
├── tool_manager.py # 工具选择与执行（连接已有 ToolRegistry）
|
||
└── schemas.py # Agent 配置 Schema
|
||
|
||
核心循环 (core.py)：
|
||
|
||
class AgentRuntime:
|
||
"""
|
||
自主 Agent 循环（ReAct）
|
||
|
||
loop:
|
||
1. LLM 思考 → 返回文本或工具调用
|
||
2. 如果返回文本 → 结束，返回最终回答
|
||
3. 如果调用工具 → 执行工具 → 结果追加到 messages → 回到 1
|
||
4. 超过 max_iterations → 强制结束
|
||
"""
|
||
|
||
async def run(self, user_input: str) -> AgentResult:
|
||
while self.iteration < self.max_iterations:
|
||
response = await self.llm.chat(messages, tools)
|
||
if response.has_tool_calls:
|
||
for tool_call in response.tool_calls:
|
||
result = tool_registry.execute(tool_call)
|
||
messages.append(tool_result_message)
|
||
else:
|
||
return AgentResult(text=response.content)
|
||
return AgentResult(text="已达最大迭代次数", truncated=True)
|
||
|
||
关键设计点：
|
||
|
||
┌────────────┬─────────────────────────────────────────────────┬───────────────────────┐
|
||
│ 组件 │ 复用什么 │ 新写什么 │
|
||
├────────────┼─────────────────────────────────────────────────┼───────────────────────┤
|
||
│ LLM 调用 │ llm_service.call_openai_with_tools() 已有 ReAct │ 不用写 │
|
||
├────────────┼─────────────────────────────────────────────────┼───────────────────────┤
|
||
│ 工具执行 │ ToolRegistry.get_tool_function() │ 不用写 │
|
||
├────────────┼─────────────────────────────────────────────────┼───────────────────────┤
|
||
│ 记忆存储 │ persistent_memory_service.py │ 记忆检索 + 自动压缩 │
|
||
├────────────┼─────────────────────────────────────────────────┼───────────────────────┤
|
||
│ 系统提示词 │ — │ Agent 人格/指令系统 │
|
||
├────────────┼─────────────────────────────────────────────────┼───────────────────────┤
|
||
│ 会话管理 │ — │ 状态保持 + 多轮上下文 │
|
||
└────────────┴─────────────────────────────────────────────────┴───────────────────────┘
|
||
|
||
工作量：约 300 行代码。已有轮子都在，只要串起来。
|
||
|
||
---
|
||
第二步：让 Agent Runtime 能用上已有工具（3 天）
|
||
|
||
现有 ToolRegistry 有 20+ 内置工具，但只通过 llm_service.py 的 _execute_tool 私有方法调用。需要：
|
||
|
||
# 新增 agent_runtime/tool_manager.py
|
||
class AgentToolManager:
|
||
def __init__(self, tool_registry):
|
||
self.registry = tool_registry
|
||
|
||
def get_tools_for_llm(self) -> list:
|
||
# 把 ToolRegistry 的 schema 转为 OpenAI tool format
|
||
return self.registry.get_all_tool_schemas()
|
||
|
||
async def execute(self, name: str, args: dict) -> str:
|
||
func = self.registry.get_tool_function(name)
|
||
if func is None:
|
||
return f"错误：工具 {name} 不存在"
|
||
result = await func(**args) # 已有，直接复用
|
||
return str(result)
|
||
|
||
注意：现有 _execute_tool 在 llm_service.py 中，需要提取成公共方法或让 ToolManager 直接调用已有实现。
|
||
|
||
---
|
||
第三步：接入记忆系统（3 天）
|
||
|
||
现有记忆系统已经可以读写用户画像和对话历史（persistent_memory_service.py），但只在 Cache 节点中被动使用。
|
||
|
||
需要：
|
||
|
||
# agent_runtime/memory.py
|
||
class AgentMemory:
|
||
"""
|
||
分层记忆：
|
||
- 工作记忆：当前会话的 messages
|
||
- 长期记忆：从 DB/Redis 加载的历史画像 + 重要事实
|
||
- 工具记忆：哪些工具调用成功/失败（辅助 LLM 决策）
|
||
"""
|
||
|
||
async def load_context(self, user_id: str) -> str:
|
||
# 从 persistent_memory_service 加载用户画像
|
||
profile = get_user_profile(user_id)
|
||
# 从数据库加载最近对话摘要
|
||
history = get_conversation_summary(user_id)
|
||
return f"用户画像：{profile}\n历史记录：{history}"
|
||
|
||
async def save(self, messages: list):
|
||
# 自动总结关键信息写入长期记忆
|
||
summary = await self.llm.summarize(messages)
|
||
save_user_profile(user_id, summary)
|
||
|
||
---
|
||
第四步：在现有工作流中启用 Agent 节点（3 天）
|
||
|
||
在 workflow_engine.py 的 execute_node 中新增 agent 类型：
|
||
|
||
# 现有 5788 行引擎只需加一个分支
|
||
elif node_type == 'agent':
|
||
# 初始化 Agent Runtime
|
||
runtime = AgentRuntime(
|
||
system_prompt=node_data.get('system_prompt'),
|
||
tools=node_data.get('tools', []), # 可选，默认全部
|
||
memory_enabled=node_data.get('memory', True),
|
||
)
|
||
result = await runtime.run(input_data.get('query', ''))
|
||
|
||
这样不用动现有任何节点，用户可以在工作流中拖一个 Agent 节点，它就能：
|
||
1. 自动 ReAct 循环
|
||
2. 调用任意内置工具
|
||
3. 使用长期记忆
|
||
4. 自我纠错
|
||
|
||
---
|
||
第五步：独立 Agent 运行模式（1 周）
|
||
|
||
不依赖工作流 DAG，可以直接启动 Agent：
|
||
|
||
POST /api/v1/agents/{id}/chat
|
||
{"message": "帮我写一个Python脚本读取日志"}
|
||
|
||
后端：
|
||
runtime = AgentRuntime(agent_config)
|
||
result = await runtime.run(message)
|
||
return result
|
||
|
||
前端可以加一个聊天界面（类似 ChatGPT）：
|
||
- 已有 AgentChatPreview.vue 可以改造
|
||
- 复用现有 Agents.vue 的列表和配置
|
||
|
||
---
|
||
第六步：多智能体编排（2 周）
|
||
|
||
# agent_runtime/orchestrator.py
|
||
class AgentOrchestrator:
|
||
"""
|
||
多 Agent 协作模式：
|
||
|
||
1. 路由模式：用户问题 → Router Agent → 分发到子 Agent
|
||
2. 顺序模式：Agent A 输出 → Agent B 输入
|
||
3. 辩论模式：多个 Agent 独立回答 → 汇总
|
||
"""
|
||
|
||
async def route(self, question: str) -> str:
|
||
# Router Agent 判断应该用哪个 Specialist Agent
|
||
specialist = await self.router_agent.choose(question)
|
||
return await specialist.run(question)
|
||
|
||
---
|
||
整体路线图
|
||
|
||
┌──────┬────────────────────────┬──────┬────────────┐
|
||
│ 阶段 │ 内容 │ 时间 │ 前提 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P0 │ Agent Runtime 内核 │ 1 周 │ 无，纯新增 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P0 │ 工具接入 │ 3 天 │ P0 完成 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P1 │ 记忆接入 │ 3 天 │ P0 完成 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P1 │ Agent 节点（工作流内） │ 3 天 │ P0+P1 完成 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P2 │ 独立 Agent 聊天模式 │ 1 周 │ P0+P1 完成 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P3 │ 多 Agent 编排 │ 2 周 │ P0-P2 完成 │
|
||
├──────┼────────────────────────┼──────┼────────────┤
|
||
│ P3 │ Agent 工作台/监控 │ 1 周 │ P0-P2 完成 │
|
||
└──────┴────────────────────────┴──────┴────────────┘
|
||
|
||
---
|
||
为什么这个方案可行
|
||
|
||
你代码库中 关键能力已经就绪：
|
||
|
||
┌─────────────────────────┬─────────────────────────────────────┬──────────────────┬────────────────┐
|
||
│ 已有能力 │ 位置 │ 当前用途 │ 新计划用途 │
|
||
├─────────────────────────┼─────────────────────────────────────┼──────────────────┼────────────────┤
|
||
│ ReAct 循环 │ llm_service.py:646 │ LLM 节点单次调用 │ Agent 核心循环 │
|
||
├─────────────────────────┼─────────────────────────────────────┼──────────────────┼────────────────┤
|
||
│ ToolRegistry + 20+ 工具 │ tool_registry.py + builtin_tools.py │ 工作流内使用 │ Agent 自主调用 │
|
||
├─────────────────────────┼─────────────────────────────────────┼──────────────────┼────────────────┤
|
||
│ 持久化记忆 │ persistent_memory_service.py │ Cache 节点 │ 长期记忆层 │
|
||
├─────────────────────────┼─────────────────────────────────────┼──────────────────┼────────────────┤
|
||
│ 对话历史注入 │ workflow_engine.py:986 │ LLM 节点 │ Agent 上下文 │
|
||
├─────────────────────────┼─────────────────────────────────────┼──────────────────┼────────────────┤
|
||
│ Agent 配置 │ models/agent.py │ 工作流包装 │ Agent 本体配置 │
|
||
└─────────────────────────┴─────────────────────────────────────┴──────────────────┴────────────────┘
|
||
|
||
新增代码控制在 1500 行以内，不动现有 5788 行的引擎和 9140 行的编辑器。
|
||
|
||
需要我从第一步的 Agent Runtime 核心代码开始写吗？ |