Agent 应用开发
从概念到落地

# 提示词示例
# 角色
你是网站备案智能助理，专门解答网站备案相关问题。

## 回答规则
- 只基于知识库内容回答，不确定时说"我不确定"
- 回答简洁，先给结论再补充说明
- 语气礼貌专业

## 限制
- 不要编造知识库中没有的信息
- 涉及操作类问题，引导用户到系统操作

# 1. 下载 Dify（用 GitHub 代理）
cd D:\
curl.exe -L -o dify.zip https://gh-proxy.com/https://github.com/langgenius/dify/archive/refs/heads/main.zip
Expand-Archive -Path dify.zip -DestinationPath D:\
Rename-Item dify-main dify

# 2. 启动
cd D:\dify\docker
cp .env.example .env
docker compose up -d

# 3. 访问 http://localhost
#    首次创建管理员账号（邮箱 + 密码）

API Key: sk-你的硅基流动key
# 自动拉取 Qwen2.5-7B-Instruct、BAAI/bge-m3 等模型

{
  "openapi": "3.0.0",
  "info": { "title": "备案查询工具", "version": "1.0.0" },
  "paths": {
    "/api/record/query": {
      "get": {
        "summary": "查询网站备案进度",
        "parameters": [{
          "name": "id_card",
          "in": "query",
          "required": true,
          "schema": { "type": "string" }
        }],
        "responses": {
          "200": {
            "description": "查询成功",
            "content": {
              "application/json": {
                "schema": {
                  "type": "object",
                  "properties": {
                    "status": { "type": "string" },
                    "estimated_date": { "type": "string" }
                  }
                }
              }
            }
          }
        }
      }
    }
  }
}

开始 → 知识库检索 → LLM 生成回答 → 发送通知 → 结束

# 适合需要确定性流程的场景
# 如：采集 → 改写 → 发布的自动化流程

# 在虚拟环境中安装
cd D:\llm-finetune
.\venv\Scripts\Activate.ps1
pip install langgraph langchain-openai

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
import requests

# 1. 定义工具
def search_knowledge(query: str) -> str:
    """搜索网站备案知识库"""
    resp = requests.post(
        "https://cloud.fastgpt.cn/api/core/dataset/searchTest",
        headers={"Authorization": "Bearer fastgpt-你的key"},
        json={
            "datasetId": "你的知识库ID",
            "text": query,
            "limit": 5,
            "similarity": 0,
            "searchMode": "embedding"
        }
    )
    data = resp.json()
    contexts = [item.get("content", "") for item in data.get("data", [])]
    return "\n".join(contexts[:3])

def query_progress(id_card: str) -> str:
    """查询备案进度"""
    # 调用业务系统 API
    return f"身份证 {id_card} 的备案状态：审核中，预计3个工作日完成"

# 2. 创建 Agent
model = ChatOpenAI(
    model="Qwen/Qwen2.5-7B-Instruct",
    base_url="https://api.siliconflow.cn/v1",
    api_key="sk-你的硅基流动key"
)

agent = create_react_agent(model, [search_knowledge, query_progress])

# 3. 运行
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "网站备案要多久？另外帮我查一下"
               "身份证110101199001011234的备案进度"
    }]
})

for msg in result["messages"]:
    print(f"{msg.type}: {msg.content}")

# Agent 会自动：
# 1. 调用 search_knowledge 回答备案时间
# 2. 调用 query_progress 查询进度
# 3. 汇总两步结果回复用户

# CrewAI 示例：多角色协作
from crewai import Agent, Task, Crew

# 角色 1：信息收集员
researcher = Agent(
    role="备案信息研究员",
    goal="收集和分析网站备案相关政策信息",
    backstory="你是备案领域的专家，擅长搜集信息",
    llm=model
)

# 角色 2：报告撰写员
writer = Agent(
    role="报告撰写员",
    goal="将研究结果整理成清晰的报告",
    backstory="你是技术文档专家，擅长结构化表达",
    llm=model
)

# 分配任务
research_task = Task(
    description="研究网站备案的最新政策和流程",
    agent=researcher,
    expected_output="详细的备案政策和流程分析"
)

write_task = Task(
    description="将研究结果整理成用户友好的报告",
    agent=writer,
    expected_output="结构化的备案指南报告",
    context=[research_task]  # 依赖研究结果
)

# 执行
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()