first commit

src/__init__.py

@@ -0,0 +1,2 @@
+"""furniture_design_agent 源码包。"""
+__version__ = "0.1.0"

src/core/config.py

@@ -0,0 +1,26 @@
+from pydantic_settings import BaseSettings, SettingsConfigDict
+from pydantic import Field
+
+
+class Settings(BaseSettings):
+    """
+    应用配置类。Pydantic Settings 会自动从环境变量和 .env 文件中加载这些值。
+    """
+    model_config = SettingsConfigDict(
+        env_file='.env',
+        env_file_encoding='utf-8',
+        extra='ignore'  # 忽略环境变量中多余的键
+    )
+    # --- google api 配置信息 ---
+    GOOGLE_GENAI_USE_VERTEXAI: str = Field(default="", description="")
+    GOOGLE_API_KEY: str = Field(default="", description="")
+
+    # ---  mongodb配置信息 ---
+    MONGODB_USERNAME: str = Field(default="", description="")
+    MONGODB_PASSWORD: str = Field(default="", description="")
+    MONGODB_HOST: str = Field(default="localhost", description="")
+    MONGODB_PORT: int = Field(default=27017, description="")
+
+
+settings = Settings()
+MONGO_URI = f"mongodb://{settings.MONGODB_USERNAME}:{settings.MONGODB_PASSWORD}@{settings.MONGODB_HOST}:{settings.MONGODB_PORT}"

src/routers/chat.py

@@ -0,0 +1,163 @@
+import uuid
+import json
+from fastapi import APIRouter
+from fastapi.responses import StreamingResponse
+from src.schemas.chat import ChatRequest, HistoryResponse, HistoryItem
+from src.server.agent.graph import app  # 导入已经 compile 好的 graph
+from langchain_core.messages import HumanMessage
+
+router = APIRouter(prefix="/chat", tags=["Furniture Design Chat"])
+
+
+@router.post("/stream")
+async def chat_stream(request: ChatRequest):
+    """
+    ### 家具设计流式对话接口 (SSE)
+
+    通过此接口与 AI 家具设计专家团队进行实时沟通。支持 **记忆持久化** 和 **历史回溯分叉**。
+
+    #### 1. 核心功能
+    * **实时反馈**: 采用 Server-Sent Events (SSE) 技术，实时推送主管、设计师、视觉专家等节点的思考过程。
+    * **上下文记忆**: 传入 `thread_id` 即可恢复之前的对话进度。
+    * **版本分溯**: 传入 `checkpoint_id` 可准确定位到历史中的某一轮，并从该点开启新的设计分支。
+
+    #### 2. 请求参数
+    * `message`: 用户的设计意图（如：'我想设计一个极简风格的橡木办公桌'）。
+    * `thread_id`: (可选) 现有项目的唯一标识。若不传，系统将自动分配并返回。
+    * `checkpoint_id`: (可选) 历史快照 ID。
+
+    #### 3. 响应流说明 (Data Format)
+    响应以 `data: ` 开头的 JSON 字符串流形式发送：
+    - **Session Start**: `{"thread_id": "...", "status": "start"}`
+    - **Node Message**: `{"node": "Designer", "content": "...", "checkpoint_id": "..."}`
+    - **Session End**: `{"status": "end"}`
+
+    #### 4. 请求示例
+    ```
+        {
+            "message": "设计一款北欧风格的躺椅."
+        }
+
+        {
+            "message": "就以上信息直接生成sketch.",
+            "thread_id": "187e58af"
+        }
+
+        {
+           "message": "不要躺椅,要桌子",
+           "thread_id": "187e58af",
+           "checkpoint_id": "1f101aa2-8f24-6e2a-8001-2952c3a7447a"
+        }
+    ```
+    """
+    source_thread_id = request.thread_id
+    checkpoint_id = request.checkpoint_id
+
+    # 1. 确定目标 thread_id
+    # 如果是回溯操作，我们生成一个新的 ID，或者由前端传入一个新的 target_thread_id
+    is_branching = source_thread_id and checkpoint_id
+    target_thread_id = str(uuid.uuid4())[:8] if is_branching else (source_thread_id or str(uuid.uuid4())[:8])
+
+    # 2. 如果是分叉请求，我们需要先“搬家”状态
+    if is_branching:
+        # 获取旧状态
+        source_config = {"configurable": {"thread_id": source_thread_id, "checkpoint_id": checkpoint_id}}
+        older_state = await app.aget_state(source_config)
+
+        # 将旧状态的消息，作为新 thread 的初始值注入
+        # 注意：这里我们手动把旧消息塞给新 thread
+        new_config = {"configurable": {"thread_id": target_thread_id}}
+        await app.aupdate_state(new_config, older_state.values)
+
+        # 现在的 config 指向新 Thread
+        current_config = new_config
+    else:
+        current_config = {"configurable": {"thread_id": target_thread_id}}
+
+    async def event_generator():
+        # 告诉前端：现在是在哪个 Thread 上工作（如果是分叉，前端需要更新本地存储的 ID）
+        yield f"data: {json.dumps({'thread_id': target_thread_id, 'is_branch': is_branching}, ensure_ascii=False)}\n\n"
+
+        async for event in app.astream(
+                {"messages": [HumanMessage(content=request.message)]},
+                current_config,
+                stream_mode="updates"
+        ):
+            # ... 发送流式内容的逻辑保持不变 ...
+            for node_name, output in event.items():
+                if "messages" in output:
+                    msg = output["messages"][-1]
+                    state = await app.aget_state(current_config)
+                    yield f"data: {json.dumps({'node': node_name, 'content': msg.content, 'checkpoint_id': state.config['configurable']['checkpoint_id']}, ensure_ascii=False)}\n\n"
+
+    return StreamingResponse(event_generator(), media_type="text/event-stream")
+
+
+@router.get("/history/{thread_id}", response_model=HistoryResponse)
+async def get_chat_history(thread_id: str):
+    """
+        ### 获取项目设计历史记录
+
+        此接口用于拉取指定 `thread_id` 下的所有历史状态快照。它是实现 **“版本回溯”** 和 **“方案对比”** 的核心数据来源。
+
+        #### 1. 功能说明
+        * **快照列表**: 返回该项目从启动至今的所有关键节点（Checkpoints）。
+        * **版本定位**: 每个历史点都包含一个唯一的 `checkpoint_id`。
+        * **数据回溯**: 客户端获取此列表后，可以引导用户选择任意一个版本，并将其 `checkpoint_id` 传回 `/chat/stream` 接口以开启新的设计分支。
+
+        #### 2. 路径参数
+        * `thread_id`: 设计项目的唯一标识符（由 `/chat/stream` 首次调用时生成或指定）。
+
+        #### 3. 返回字段定义
+        * `thread_id`: 当前查询的项目ID。
+        * `history`: 历史记录数组，包含：
+            - `checkpoint_id`: 必填，回溯时使用的关键凭证。
+            - `last_message`: 该阶段的最后一条消息摘要（方便前端预览）。
+            - `node`: 产生该快照的节点名称（如 Designer, Visualizer）。
+            - `timestamp`: 逻辑步骤序号。
+
+        #### 4. 响应示例
+        ```json
+        {
+          "thread_id": "proj_001",
+          "history": [
+            {
+              "checkpoint_id": "d82f3a12",
+              "last_message": "我想设计一款北欧风书架",
+              "node": "Supervisor",
+              "timestamp": 1
+            },
+            {
+              "checkpoint_id": "f4k92m1a",
+              "last_message": "建议使用浅色橡木材质，增加简约感...",
+              "node": "Designer",
+              "timestamp": 2
+            }
+          ]
+        }
+        ```
+    """
+    config = {"configurable": {"thread_id": thread_id}}
+    history_data = []
+    async for state in app.aget_state_history(config):
+        msg_content = "Initial"
+        if state.values and "messages" in state.values:
+            msgs = state.values["messages"]
+            if msgs and len(msgs) > 0:
+                last_msg = msgs[-1]
+                # 获取内容并做摘要截断
+                content = getattr(last_msg, "content", str(last_msg))
+                msg_content = content[:50] + ("..." if len(content) > 50 else "")
+
+        history_data.append(HistoryItem(
+            checkpoint_id=state.config["configurable"]["checkpoint_id"],
+            last_message=msg_content[:50],
+            node=state.metadata.get("source"),
+            timestamp=state.metadata.get("step")
+        ))
+
+    return HistoryResponse(thread_id=thread_id, history=history_data)
+    # try:
+
+    # except Exception as e:
+    #     raise HTTPException(status_code=404, detail=f"History not found: {str(e)}")

src/schemas/chat.py

@@ -0,0 +1,26 @@
+from pydantic import BaseModel, Field
+from typing import Optional, List, Dict, Any
+
+
+class ChatRequest(BaseModel):
+    message: str = Field(..., description="用户的输入指令")
+    thread_id: Optional[str] = Field(None, description="会话线程ID，不传则开启新会话")
+    checkpoint_id: Optional[str] = Field(None, description="回溯点的ID，用于从历史点开启新对话")
+
+
+class HistoryItem(BaseModel):
+    checkpoint_id: str
+    last_message: str
+    node: Optional[str]
+    timestamp: Any
+
+
+class HistoryResponse(BaseModel):
+    thread_id: str
+    history: List[HistoryItem]
+
+
+class StreamChunk(BaseModel):
+    node: str
+    content: str
+    checkpoint_id: str

src/server/agent/agents.py

@@ -0,0 +1,86 @@
+import os
+
+from google.oauth2 import service_account
+from langchain_core.messages import HumanMessage, SystemMessage
+from langchain_google_genai import ChatGoogleGenerativeAI
+from src.server.agent.state import AgentState
+from src.server.agent.tools import generate_2025_report_tool, generate_furniture_sketch
+from src.server.agent.config_loader import get_agent_prompt
+from src.core.config import settings
+
+creds = service_account.Credentials.from_service_account_file(
+    settings.GOOGLE_GENAI_USE_VERTEXAI,
+    scopes=["https://www.googleapis.com/auth/cloud-platform"],
+)
+# 初始化 Gemini 模型 (使用 Flash 以保证速度)
+llm = ChatGoogleGenerativeAI(
+    model="gemini-2.0-flash", temperature=0.5, credentials=creds,
+    project="aida-461108", location='us-central1', vertexai=True, api_key=settings.GOOGLE_API_KEY
+)
+
+
+# --- 1. Designer Agent (设计顾问) ---
+def designer_node(state: AgentState):
+    """负责细化设计需求，提供专业参数"""
+    messages = state["messages"]
+    system_text = get_agent_prompt("designer") or """
+    你是一位资深的家具设计师。你的职责是：
+    1. 从用户的模糊描述中提取或补充具体的设计参数（尺寸、材质、人体工学数据）。
+    2. 如果用户想画图，不要直接画，而是先描述清楚细节，然后让 Visualizer 去画。
+    请以专业的口吻回复。
+    """
+    system_prompt = SystemMessage(content=system_text)
+    response = llm.invoke([system_prompt] + messages)
+    return {"messages": [response]}
+
+
+# --- 2. Researcher Agent (情报专家) ---
+def researcher_node(state: AgentState):
+    """负责调用报告生成工具"""
+    # 绑定工具给 LLM
+    tools = [generate_2025_report_tool]
+    llm_with_tools = llm.bind_tools(tools)
+
+    messages = state["messages"]
+    system_text = get_agent_prompt("researcher") or "你是情报专家，负责检索与整理参考资料并生成报告。"
+    system_prompt = SystemMessage(content=system_text)
+    response = llm_with_tools.invoke([system_prompt] + messages)
+
+    # 如果模型决定调用工具
+    if response.tool_calls:
+        # 这里为了简化，直接在节点内执行工具（LangGraph也可以用 ToolNode）
+        tool_call = response.tool_calls[0]
+        if tool_call["name"] == "generate_2025_report_tool":
+            result = generate_2025_report_tool.invoke(tool_call["args"])
+            return {"messages": [response, HumanMessage(content=str(result))]}
+
+    return {"messages": [response]}
+
+
+# --- 3. Visualizer Agent (视觉专家) ---
+def visualizer_node(state: AgentState):
+    """负责将自然语言转化为绘图 Prompt 并调用绘图工具"""
+    tools = [generate_furniture_sketch]
+    llm_with_tools = llm.bind_tools(tools)
+
+    messages = state["messages"]
+    system_text = get_agent_prompt("visualizer") or """
+    你是视觉专家。你的目标是生成高质量的家具草图。
+    步骤：
+    1. 根据上下文，编写一个详细的 Stable Diffusion 风格的英文 Prompt。
+    2. 必须调用 generate_furniture_sketch 工具来生成图片。
+    """
+
+    # 强制它尝试调用工具
+    system_prompt = SystemMessage(content=system_text)
+    response = llm_with_tools.invoke([system_prompt] + messages)
+
+    if response.tool_calls:
+        tool_call = response.tool_calls[0]
+        if tool_call["name"] == "generate_furniture_sketch":
+            result = generate_furniture_sketch.invoke(tool_call["args"])
+            # 返回工具结果给 LLM，让它生成最终回复
+            final_msg = f"已为您生成草图，链接如下：{result}"
+            return {"messages": [response, HumanMessage(content=final_msg)]}
+
+    return {"messages": [response]}

src/server/agent/config_loader.py

@@ -0,0 +1,32 @@
+"""加载项目根目录下的 config.yaml 并提供 agent prompt 访问接口。"""
+import os
+from functools import lru_cache
+from typing import Any, Dict, Optional
+
+import yaml
+
+
+def _project_root() -> str:
+    return os.path.abspath(os.path.join(os.path.dirname(__file__), "../..", ".."))
+
+
+@lru_cache(maxsize=1)
+def load_config() -> Dict[str, Any]:
+    path = os.path.join(_project_root(), "config.yaml")
+    if not os.path.exists(path):
+        return {}
+    with open(path, "r", encoding="utf-8") as f:
+        return yaml.safe_load(f) or {}
+
+
+def get_agent_prompt(agent_name: str) -> Optional[str]:
+    cfg = load_config()
+    agents = cfg.get("agents", {})
+    entry = agents.get(agent_name, {})
+    prompt = entry.get("prompt_template") or entry.get("prompt")
+    return prompt
+
+
+def get_model_config() -> Dict[str, Any]:
+    cfg = load_config()
+    return cfg.get("model", {})

src/server/agent/graph.py

@@ -0,0 +1,98 @@
+import os
+from typing import Literal
+
+from google.oauth2 import service_account
+from langchain_core.messages import AIMessage
+from langchain_google_genai import ChatGoogleGenerativeAI
+from langgraph.graph import StateGraph, END, START
+from pydantic import BaseModel
+from pymongo import MongoClient
+
+from src.core.config import settings, MONGO_URI
+from src.server.agent.state import AgentState
+from src.server.agent.agents import designer_node, researcher_node, visualizer_node
+from langgraph.checkpoint.mongodb import MongoDBSaver
+
+
+# --- Supervisor (路由逻辑) ---
+# 定义路由的输出结构，强制 LLM 选择一个
+class RouteResponse(BaseModel):
+    next: Literal["Designer", "Researcher", "Visualizer", "FINISH"]
+
+
+creds = service_account.Credentials.from_service_account_file(
+    settings.GOOGLE_GENAI_USE_VERTEXAI,
+    scopes=["https://www.googleapis.com/auth/cloud-platform"],
+)
+
+llm_supervisor = ChatGoogleGenerativeAI(
+    model="gemini-2.0-flash", temperature=0, credentials=creds,
+    project="aida-461108", location='us-central1', vertexai=True, api_key=settings.GOOGLE_API_KEY
+)
+
+
+def supervisor_node(state: AgentState):
+    messages = state["messages"]
+    if not messages:
+        return {"next": "FINISH"}
+
+    last_message = messages[-1]
+
+    # --- 改进的拦截逻辑 ---
+    # 如果最后一条消息是 AI 产生的（且没有调用工具），说明专家已经回复完了用户
+    # 此时我们才拦截并结束，否则会导致专家没机会说话
+    if isinstance(last_message, AIMessage) and not last_message.tool_calls:
+        return {"next": "FINISH"}
+
+    # 如果最后一条是 HumanMessage，说明用户刚说完，Supervisor 必须派发任务
+    system_prompt = """
+    你是家具设计团队的主管(Supervisor)。
+    请根据用户的意图，选择最合适的专家：
+    - Designer: 设计建议、参数细化、闲聊、问候。
+    - Visualizer: 绘图、看草图。
+    - Researcher: 市场报告、趋势。
+
+    只需输出专家名称。
+    """
+
+    chain = llm_supervisor.with_structured_output(RouteResponse)
+    decision = chain.invoke([{"role": "system", "content": system_prompt}] + messages)
+
+    return {"next": decision.next}
+
+
+# --- 构建 Graph ---
+workflow = StateGraph(AgentState)
+
+workflow.add_node("Supervisor", supervisor_node)
+workflow.add_node("Designer", designer_node)
+workflow.add_node("Researcher", researcher_node)
+workflow.add_node("Visualizer", visualizer_node)
+
+workflow.add_edge(START, "Supervisor")
+
+# 这里的逻辑是关键：Supervisor 决定去向
+workflow.add_conditional_edges(
+    "Supervisor",
+    lambda state: state["next"],
+    {
+        "Designer": "Designer",
+        "Researcher": "Researcher",
+        "Visualizer": "Visualizer",
+        "FINISH": END
+    }
+)
+
+# 重点修改：专家执行完后，必须回到 Supervisor 进行状态检查
+# 如果 Supervisor 发现专家刚说完话，它会触发上面的逻辑返回 FINISH
+workflow.add_edge("Designer", "Supervisor")
+workflow.add_edge("Researcher", "Supervisor")
+workflow.add_edge("Visualizer", "Supervisor")
+
+client = MongoClient(MONGO_URI)
+checkpointer = MongoDBSaver(
+    client=client["furniture_agent_db"],
+    db_name="langgraph",
+    collection_name="checkpoints"
+)
+app = workflow.compile(checkpointer=checkpointer)

src/server/agent/run_test.py

@@ -0,0 +1,49 @@
+from langchain_core.messages import HumanMessage, AIMessage
+from src.server.agent.graph import app
+
+
+def main():
+    # 模拟 thread_id 区分不同用户或项目
+    config = {"configurable": {"thread_id": "project_alpha"}}
+
+    while True:
+        user_input = input("\n👤 设计师 (输入 'history' 定位轮次): ")
+
+        # --- 官方推荐的异步回溯逻辑 ---
+        if user_input.lower() == "history":
+            print("\n--- 历史记录 ---")
+            for state in app.get_state_history(config):
+                # 每一个 state 都是一个 CheckpointTuple
+                cp_id = state.config["configurable"]["checkpoint_id"]
+                msg = state.values["messages"][-1].content[:30] if state.values.get("messages") else "Initial"
+                print(f"ID: {cp_id} | 内容: {msg}...")
+
+            target_id = input("\n请输入想要回溯的 Checkpoint ID (直接回车取消): ")
+            if target_id:
+                # 重新配置 config，指向特定的 checkpoint_id 实现分支
+                config = {"configurable": {"thread_id": "project_alpha", "checkpoint_id": target_id}}
+                print(f"✅ 已定位到节点 {target_id}，后续对话将从此分叉。")
+            continue
+
+        # --- 官方推荐的 astream 异步流式调用 ---
+        print("🤖 Agent 思考中...")
+        for event in app.stream(
+                {"messages": [HumanMessage(content=user_input)]},
+                config,
+                stream_mode="values"  # 这里设为 values 可以直接获取当前状态的消息列表
+        ):
+            # 获取当前节点处理后的最新消息
+            if "messages" in event:
+                last_msg = event["messages"][-1]
+                if isinstance(last_msg, AIMessage):
+                    # 为了极致流式体验，可以在此处对 content 进行打印
+                    pass
+
+        # 运行结束后，最新的状态已经自动持久化到 MongoDB
+        # 我们可以通过 app.get_state(config) 验证
+        final_state = app.get_state(config)
+        print(f"\n✅ 最终回复: {final_state.values['messages'][-1].content}")
+
+
+if __name__ == "__main__":
+    main()

src/server/agent/state.py

@@ -0,0 +1,9 @@
+import operator
+from typing import Annotated, Sequence, TypedDict, Union
+from langchain_core.messages import BaseMessage
+
+class AgentState(TypedDict):
+    # messages 存储完整的对话历史，operator.add 表示新消息是追加而不是覆盖
+    messages: Annotated[Sequence[BaseMessage], operator.add]
+    # next 存储 Supervisor 决定的下一步是谁
+    next: str

src/server/agent/tools.py

@@ -0,0 +1,25 @@
+from langchain_core.tools import tool
+
+
+# --- 模拟你已经开发好的报告生成功能 ---
+@tool
+def generate_2025_report_tool(topic: str) -> str:
+    """
+    专门用于收集信息并生成报告。
+    当用户询问关于趋势、市场分析、年度报告（如2025家具报告）时调用此工具。
+    """
+    print(f"\n[系统日志] 正在调用外部模块生成关于 '{topic}' 的报告...")
+    # 这里对接你实际的代码，比如：return my_existing_module.run(topic)
+    return f"【报告生成成功】已生成关于 {topic} 的 PDF 报告。核心洞察：2025年趋势倾向于生物嗜好设计(Biophilic Design)和可持续软木材质。"
+
+
+# --- 绘图工具 ---
+@tool
+def generate_furniture_sketch(prompt: str) -> str:
+    """
+    用于生成家具草图。输入必须是详细的英文绘画提示词(Prompt)。
+    """
+    print(f"\n[系统日志] 正在调用 Gemini/Imagen 绘图 API，Prompt: {prompt}...")
+    # 在真实场景中，这里调用 Google Imagen API 或 Midjourney API
+    # 示例返回一个模拟的图片链接
+    return "https://furniture-design-db.com/generated_sketch_v1.jpg"