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>
298 lines
11 KiB
Python
298 lines
11 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
创建「智能学习助手1号」Agent — 参考苏瑶3号架构，基于 AgentRuntime 的 KG+RAG 学习助手。
|
||
|
||
与「智能学习助手(KG+RAG)」的区别：
|
||
- 使用 agent 节点类型（AgentRuntime ReAct 循环），而非 llm 节点
|
||
- 参考苏瑶3号的 AgentRuntime 配置模式
|
||
- 更完整的记忆配置（向量记忆、长期记忆、自主学习）
|
||
- 独立 memory_scope_id 防止与其他 Agent 串记忆
|
||
|
||
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1号）
|
||
SUBJECT - 学科领域（默认 通用）
|
||
LEVEL - 难度级别（默认 中级）
|
||
MODEL - 模型（默认 deepseek-v4-flash）
|
||
PROVIDER - 提供商（默认 deepseek）
|
||
TEMPERATURE - 温度（默认 0.85）
|
||
MAX_ITERATIONS - 最大步数（默认 15）
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import json
|
||
import os
|
||
import sys
|
||
from typing import Any, Dict, 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1号")
|
||
SUBJECT = os.getenv("SUBJECT", "通用")
|
||
LEVEL = os.getenv("LEVEL", "中级")
|
||
MODEL = os.getenv("MODEL", "deepseek-v4-flash")
|
||
PROVIDER = os.getenv("PROVIDER", "deepseek")
|
||
TEMPERATURE = float(os.getenv("TEMPERATURE", "0.85"))
|
||
MAX_ITERATIONS = int(os.getenv("MAX_ITERATIONS", "15"))
|
||
|
||
# ── 学习助手专用工具集（KG+RAG 核心 + 通用辅助）──
|
||
LEARNING_TOOLS = [
|
||
# KG+RAG 核心四件套
|
||
"knowledge_graph_search",
|
||
"knowledge_graph_add",
|
||
"entity_search",
|
||
"learning_path",
|
||
# 文件与文本
|
||
"file_read",
|
||
"file_write",
|
||
"text_analyze",
|
||
"json_process",
|
||
# 学习辅助
|
||
"web_search",
|
||
"task_plan",
|
||
"self_review",
|
||
"math_calculate",
|
||
"datetime",
|
||
# 通用
|
||
"http_request",
|
||
"code_execute",
|
||
"system_info",
|
||
]
|
||
|
||
# ── 系统提示词（同 KG+RAG 学习助手，适配 AgentRuntime 风格）──
|
||
SYSTEM_PROMPT = f"""# 角色：智能学习助手1号（AgentRuntime + KG+RAG）
|
||
|
||
你是基于 AgentRuntime 自主 ReAct 循环的 AI 学习助手，参考苏瑶3号架构设计。
|
||
你具备**知识图谱构建**、**向量语义检索**、**长期记忆**和**自主学习**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
|
||
2. **向量记忆 (Vector Memory)**：语义检索历史对话和相关知识
|
||
3. **长期记忆 (Persistent Memory)**：跨会话保存用户画像、学习进度、薄弱环节
|
||
|
||
## 当前配置
|
||
- 学科领域：{SUBJECT}
|
||
- 难度级别：{LEVEL}
|
||
- 模型：{PROVIDER}/{MODEL} (temperature={TEMPERATURE})
|
||
- 最大迭代步数：{MAX_ITERATIONS}
|
||
|
||
## 工作流程（ReAct 循环中自主遵循）
|
||
|
||
### 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. 使用 `knowledge_graph_search` 检索相关知识图谱实体
|
||
3. 如果用户提供了学习材料/知识点，使用 `knowledge_graph_add` 自动提取存储
|
||
|
||
### 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，构建知识上下文
|
||
5. 使用 `entity_search` 查找特定概念的前置知识和扩展内容
|
||
6. 使用 `learning_path` 分析学习依赖，推荐学习顺序
|
||
|
||
### 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. 回答包含：核心概念解释、前置知识提醒、实例/练习题、扩展阅读建议
|
||
9. 使用 `self_review` 自检回答质量，不达标则修正
|
||
|
||
### 阶段 4：巩固与记忆
|
||
10. 将重要知识点持久化到长期记忆和知识图谱
|
||
11. 更新用户画像（掌握程度、薄弱环节、学习偏好）
|
||
|
||
## 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
|
||
- 每个回答末尾附上「📚 相关知识点」列表（来自图谱检索）
|
||
- 必要时用 `task_plan` 制定学习计划
|
||
|
||
## 自主扩展能力
|
||
- 发现知识空白时，用 `web_search` 补充
|
||
- 需要重复计算/处理时，用 `code_execute` 编写脚本
|
||
- 遇到可复用的外部 API 时，用 `tool_register` 注册
|
||
- 需要专业子领域协助时，用 `agent_create` 创建子 Agent
|
||
|
||
---
|
||
|
||
你是学习者最可靠的 AI 伙伴。开始吧！"""
|
||
|
||
|
||
def _login() -> Optional[str]:
|
||
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]]:
|
||
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(agent_id: str = "") -> Dict[str, Any]:
|
||
"""构建 agent 节点工作流（参考苏瑶3号架构）。"""
|
||
return {
|
||
"nodes": [
|
||
{
|
||
"id": "start-1",
|
||
"type": "start",
|
||
"position": {"x": 80, "y": 240},
|
||
"data": {"label": "学习任务开始"},
|
||
},
|
||
{
|
||
"id": "agent-learning-v1",
|
||
"type": "agent", # ← agent 节点类型，使用 AgentRuntime
|
||
"position": {"x": 380, "y": 240},
|
||
"data": {
|
||
"label": AGENT_NAME,
|
||
# ── LLM 配置 ──
|
||
"system_prompt": SYSTEM_PROMPT,
|
||
"provider": PROVIDER,
|
||
"model": MODEL,
|
||
"temperature": TEMPERATURE,
|
||
"max_iterations": MAX_ITERATIONS,
|
||
# ── 工具配置 ──
|
||
"tools": LEARNING_TOOLS,
|
||
# ── 记忆配置（完整 AgentMemoryConfig）──
|
||
"memory": True,
|
||
"memory_max_history": 30,
|
||
"memory_vector_enabled": True,
|
||
"memory_vector_top_k": 8,
|
||
"memory_persist": True,
|
||
"memory_learning": True,
|
||
# ── 作用域隔离 ──
|
||
"memory_scope_id": agent_id,
|
||
"agent_id": agent_id,
|
||
# ── 自检 ──
|
||
"self_review_enabled": True,
|
||
},
|
||
},
|
||
{
|
||
"id": "end-1",
|
||
"type": "end",
|
||
"position": {"x": 680, "y": 240},
|
||
"data": {"label": "学习完成"},
|
||
},
|
||
],
|
||
"edges": [
|
||
{
|
||
"id": "e_start_agent",
|
||
"source": "start-1",
|
||
"target": "agent-learning-v1",
|
||
"sourceHandle": "right",
|
||
"targetHandle": "left",
|
||
},
|
||
{
|
||
"id": "e_agent_end",
|
||
"source": "agent-learning-v1",
|
||
"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']})，将更新配置")
|
||
agent_id = existing["id"]
|
||
else:
|
||
# 先创建一个临时工作流获取 agent_id
|
||
temp_wf = _build_workflow(agent_id="")
|
||
body = {
|
||
"name": AGENT_NAME,
|
||
"description": f"AgentRuntime KG+RAG 学习助手（参考苏瑶3号）。学科：{SUBJECT}，难度：{LEVEL}。",
|
||
"workflow_config": temp_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}")
|
||
|
||
# 用正确的 agent_id 重建工作流
|
||
wf = _build_workflow(agent_id=agent_id)
|
||
|
||
description = (
|
||
f"智能学习助手1号 — AgentRuntime KG+RAG 学习助手（参考苏瑶3号架构）。\n"
|
||
f"学科：{SUBJECT}，难度：{LEVEL}。\n"
|
||
f"工作流：开始 → agent(ReAct) → 结束。\n"
|
||
f"核心能力：\n"
|
||
f"- 知识图谱：实体抽取 + 关系构建 + 混合检索\n"
|
||
f"- 向量记忆：语义检索历史对话\n"
|
||
f"- 长期记忆：跨会话用户画像 + 学习进度\n"
|
||
f"- 自主学习：工具模式学习 + 能力自检\n"
|
||
f"配置：{PROVIDER}/{MODEL} temperature={TEMPERATURE} max_iterations={MAX_ITERATIONS}"
|
||
)
|
||
|
||
up = requests.put(
|
||
f"{BASE}/api/v1/agents/{agent_id}",
|
||
headers=h,
|
||
json={
|
||
"description": description,
|
||
"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" 类型: agent 节点 (AgentRuntime ReAct)")
|
||
print(f" 学科: {SUBJECT}")
|
||
print(f" 级别: {LEVEL}")
|
||
print(f" 模型: {PROVIDER}/{MODEL} (temperature={TEMPERATURE})")
|
||
print(f" 最大步数: {MAX_ITERATIONS}")
|
||
print(f" 工具 ({len(LEARNING_TOOLS)}): {', '.join(LEARNING_TOOLS)}")
|
||
print(f" 记忆: 向量(Top-8) + 长期 + 自主学习 已启用")
|
||
print(f" 知识图谱: 混合检索 + 实体抽取 + 关系构建 已启用")
|
||
print(f" 自检: self_review 已启用")
|
||
print()
|
||
print("与「智能学习助手(KG+RAG)」的区别：")
|
||
print(" - 使用 agent 节点（AgentRuntime ReAct 循环）代替 llm 节点")
|
||
print(" - 参考苏瑶3号架构，完整记忆配置")
|
||
print(" - 独立 memory_scope_id，不与其他 Agent 串记忆")
|
||
print(" - 更高的 temperature (0.85) 和自主学习能力")
|
||
print()
|
||
print(json.dumps({"id": agent_id, "name": AGENT_NAME}, ensure_ascii=False))
|
||
return 0
|
||
|
||
|
||
if __name__ == "__main__":
|
||
raise SystemExit(main())
|