first commit

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"