7b9e0826de
- 新增 embedding_service（语义检索）、knowledge_service（RAG）、text_chunker、document_parser - 新增 tool_registry（自定义工具注册表）并完善工具市场 API（CRUD + code/http 执行） - 新增 agent_vector_memory / knowledge_base 模型及对应数据库表 - 实现 SSE 流式响应与 Agent 预算控制 - AgentChat.vue 集成 MainLayout 导航布局 - 完善测试体系：7 个新测试文件共 110 个测试覆盖 - 修复 conftest.py SQLite 内存数据库连接隔离问题 Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
131 lines
4.2 KiB
Python
131 lines
4.2 KiB
Python
"""
|
||
Agent Runtime ⇄ WorkflowEngine 桥接。
|
||
|
||
让 workflow_engine.execute_node() 通过寥寥几行调用 Agent Runtime。
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import logging
|
||
from typing import Any, Dict, Optional
|
||
|
||
from app.agent_runtime.core import AgentRuntime
|
||
from app.agent_runtime.schemas import (
|
||
AgentConfig,
|
||
AgentLLMConfig,
|
||
AgentToolConfig,
|
||
AgentBudgetConfig,
|
||
)
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
|
||
async def run_agent_node(
|
||
node_data: Dict[str, Any],
|
||
input_data: Dict[str, Any],
|
||
execution_logger: Optional[Any] = None,
|
||
user_id: Optional[str] = None,
|
||
on_tool_executed: Optional[Any] = None,
|
||
on_llm_invocation: Optional[Any] = None,
|
||
budget_limits: Optional[Dict[str, int]] = None,
|
||
) -> Dict[str, Any]:
|
||
"""
|
||
在工作流中执行 Agent 节点。
|
||
|
||
node_data 支持的字段：
|
||
system_prompt — Agent 人格/指令（支持 {{variable}} 模板）
|
||
tools — 可选工具白名单，默认全部
|
||
exclude_tools — 可选工具黑名单
|
||
model — 模型名称
|
||
provider — 提供商（openai/deepseek）
|
||
temperature — 温度
|
||
max_iterations — ReAct 最大步数
|
||
memory — 是否启用长期记忆
|
||
|
||
input_data 中的 "query" 或 "input" 字段作为用户输入。
|
||
"""
|
||
# 1. 解析配置
|
||
query = (
|
||
input_data.get("query")
|
||
or input_data.get("input")
|
||
or input_data.get("text", "")
|
||
)
|
||
if not isinstance(query, str):
|
||
query = str(query) if query else ""
|
||
|
||
if not query:
|
||
return {"output": "错误：Agent 节点未收到用户输入", "status": "error"}
|
||
|
||
# 2. 解析 system_prompt（支持模板变量）
|
||
raw_prompt = node_data.get("system_prompt", "你是一个有用的AI助手。")
|
||
try:
|
||
formatted_prompt = raw_prompt.format(**input_data)
|
||
except (KeyError, ValueError):
|
||
formatted_prompt = raw_prompt
|
||
|
||
# 3. 构建 Agent 配置
|
||
llm_config = AgentLLMConfig(
|
||
provider=node_data.get("provider", "openai"),
|
||
model=node_data.get("model", "gpt-4o-mini"),
|
||
temperature=float(node_data.get("temperature", 0.7)),
|
||
max_iterations=int(node_data.get("max_iterations", 10)),
|
||
)
|
||
# 允许节点内联 api_key/base_url
|
||
if node_data.get("api_key"):
|
||
llm_config.api_key = node_data["api_key"]
|
||
if node_data.get("base_url"):
|
||
llm_config.base_url = node_data["base_url"]
|
||
|
||
# 3a. 构建预算配置（接收工作流级预算限制）
|
||
budget = AgentBudgetConfig()
|
||
if budget_limits:
|
||
if "max_llm_invocations" in budget_limits:
|
||
budget.max_llm_invocations = max(1, int(budget_limits["max_llm_invocations"]))
|
||
if "max_tool_calls" in budget_limits:
|
||
budget.max_tool_calls = max(1, int(budget_limits["max_tool_calls"]))
|
||
|
||
agent_config = AgentConfig(
|
||
name=node_data.get("label", "agent_node"),
|
||
system_prompt=formatted_prompt,
|
||
llm=llm_config,
|
||
tools=AgentToolConfig(
|
||
include_tools=node_data.get("tools", []),
|
||
exclude_tools=node_data.get("exclude_tools", []),
|
||
),
|
||
memory={
|
||
"enabled": node_data.get("memory", True),
|
||
"persist_to_db": node_data.get("memory", True),
|
||
},
|
||
budget=budget,
|
||
user_id=user_id,
|
||
)
|
||
|
||
# 4. 执行 Agent
|
||
runtime = AgentRuntime(
|
||
config=agent_config,
|
||
execution_logger=execution_logger,
|
||
on_tool_executed=on_tool_executed,
|
||
)
|
||
# 注入 LLM 预算回调（使 Agent 内部 LLM 调用计入工作流预算）
|
||
if on_llm_invocation:
|
||
runtime.on_llm_invocation = on_llm_invocation
|
||
|
||
result = await runtime.run(query)
|
||
|
||
# 5. 返回结果（兼容工作流引擎的输出格式）
|
||
if result.success:
|
||
return {
|
||
"output": result.content,
|
||
"status": "success",
|
||
"agent_meta": {
|
||
"iterations": result.iterations_used,
|
||
"tool_calls": result.tool_calls_made,
|
||
"truncated": result.truncated,
|
||
},
|
||
}
|
||
else:
|
||
return {
|
||
"output": result.content,
|
||
"status": "error",
|
||
"error": result.error,
|
||
}
|