agent.py

# # from deepagents import create_deep_agent
# # from langchain.chat_models import init_chat_model
# from configs.model_configs import MODEL_CONFIGS
# from utils.api import get_rag_api

# from langchain_community.llms import VLLMOpenAI

# # 指向本地vLLM服务端点
# llm = VLLMOpenAI(
#     openai_api_key="EMPTY",  # vLLM不需要key
#     openai_api_base="http://localhost:54257/v1",  # vLLM服务地址
#     model_name=MODEL_CONFIGS.MODEL_DIR,  # 与served-model-name一致
#     max_tokens=4096,
#     temperature=0.7,
#     top_p=0.9
# )
# # llm = init_chat_model(
# #     model="openai:qwen3-0.6B",           # 和 vLLM 的 served-model-name 一致
# #     model_provider="openai",           # 关键点：用 openai 协议
# #     base_url=f"{MODEL_CONFIGS.MODEL_BASE_URL}",
# #     api_key="EMPTY",                   # 随便写，vLLM 不校验
# #     temperature=0.7,
# # )


# # agent = create_deep_agent(
# #     tools=[],                       # 可以为空 []
# #     system_prompt="""
# #     你是一个专业的研究员。你的任务是对企业文档进行彻底的研究并撰写一份完整的报告。
    
# #     你可以使用以下工具：
# #     - get_rag_api: 用于获取相关文档信息
        
# #     请确保：
# #     1. 验证信息的准确性
# #     2. 组织信息并撰写结构化的报告
# #     """,
# # )

# from langchain.agents import AgentType, initialize_agent, Tool
# from langchain.tools import DuckDuckGoSearchRun, BaseTool
# from langchain.memory import ConversationBufferMemory

# # 示例工具1: 内部知识库检索 (需自行实现RAG)
# class InternalKBSearchTool(BaseTool):
#     name = "Internal_KB_Search"
#     description = "查询公司内部产品文档、技术手册、政策文件知识库"
#     def _run(self, query: str) -> str:
#         # 实现对接本地Milvus/Chroma+Embedding模型的检索逻辑
#         return get_rag_api([query])

# # # 示例工具2: 业务系统查询API
# # class SalesDataQueryTool(BaseTool):
# #     name = "Query_Sales_System"
# #     description = "查询当前季度的销售数据、客户订单状态"
# #     def _run(self, customer_id: str) -> str:
# #         # 调用内部Sales系统的API (假设已存在)
# #         return get_sales_data(customer_id)

# # 创建工具列表
# tools = [
#     InternalKBSearchTool(),
# ]

# # 创建带记忆的Agent
# memory = ConversationBufferMemory(memory_key="chat_history")
# agent = initialize_agent(
#     tools,
#     llm,  # 上一步配置的vLLM-Qwen模型
#     agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION, # 适合多轮对话
#     memory=memory,
#     verbose=True# 打印详细执行过程
# )

from langchain.chat_models import init_chat_model
from configs.model_configs import MODEL_CONFIGS

llm = init_chat_model(
    model=MODEL_CONFIGS.MODEL_DIR,
    model_provider="openai",
    base_url="http://localhost:54257/v1",
    api_key="EMPTY",
    temperature=0.7,
)

from langchain.tools import tool

@tool
def internal_kb_search(query: str) -> str:
    """
    查询公司内部产品文档、技术手册、政策文件等知识库。
    用于企业内部知识问答和研究任务。
    """
    return get_rag_api([query])

from deepagents import create_deep_agent

agent = create_deep_agent(
    model=llm,
    tools=[internal_kb_search],
    system_prompt="""
    你是一个专业的企业研究员，主要基于公司内部知识库进行研究。

    你可以使用以下工具：
    - internal_kb_search：查询公司内部文档和知识库

    工作要求：
    1. 优先使用 internal_kb_search 获取事实信息
    2. 验证信息一致性
    3. 组织内容并撰写结构化回答
    """
    )