ailine/backend/app/main_graph/nodes/agent.py

"""
Agent 节点：完整的 ReAct 循环 + 流式 Tool Calling 拼接
完全参考指南实现！
"""

from typing import Dict, Any, Optional, List
from langchain_core.messages import SystemMessage, AIMessage, AIMessageChunk, ToolMessage
from langchain_core.runnables.config import RunnableConfig
from backend.app.main_graph.state import AgentState
from backend.app.logger import info, warning, error
from backend.app.agent.stream_context import get_stream_queue
from backend.app.tools import ALL_TOOLS


# 系统提示词（从 main_graph_builder.py 搬过来）
SYSTEM_PROMPT = """你是一个智能助手，可以使用多种工具完成复杂任务。你必须用中文回复。

## 核心工具与能力
你可以使用以下工具（函数），但只能在真正需要时调用，禁止无意义的测试调用或重复调用：
1. rag_search – 从内部知识库中检索文档，输入为优化后的查询字符串。
2. web_search – 联网搜索获取最新信息，输入为搜索关键词。
3. contact_lookup – 查询企业通讯录，输入姓名、部门或邮箱等。
4. dictionary_lookup – 翻译单词、查询词典或提取术语。
5. news_analysis – 获取或分析新闻资讯。

## 工作流程（ReAct 决策闭环）
你必须严格按照思考 → 行动 → 观察的闭环来处理每个请求，具体规则如下：

### 1. 初始决策
- 如果用户的问题很明确且你已有足够内部知识，可以直接回答，无需调用任何工具。
- 如果需要外部信息，请按以下优先级选择工具：
  - 优先使用 rag_search。
  - 若第一次 rag_search 返回的结果不相关或质量低，你可以改写查询关键词再次调用 rag_search（最多重复一次）。
  - 如果两次 rag_search 均无法获得满意信息，或者用户明确要求实时资讯，则必须切换为 web_search。
- 遇到通讯录、词典、新闻类明确需求，直接调用对应的专用工具。

### 2. 观察与反思
- 每次工具调用返回结果后，你必须先评估结果质量（内容是否相关、是否充分）。
- 如果信息不足，根据上述规则决定下一步行动；如果信息足够，则直接生成最终答案，绝不再调用任何工具。
- 在整个过程中，禁止使用工具返回的信息直接重复或编造来源，必须如实标注。

### 3. 结束条件
当你认为已经拥有足够信息回答用户时，输出最终回复并停止调用工具。若连续调用工具超过 5 轮仍未解决，也必须基于当前收集到的信息给出最佳回答并说明局限性。

## 回答规范
1. 来源标注：回答开头用方括号注明信息来源，如多处来源按使用顺序列出：
   - 知识库：【知识库：相关文档主题】
   - 联网搜索：【联网搜索：来源网站或摘要】
2. 思维链：对于需要复杂推理的问题，请将推理过程放在 <think>...</think> 标签内，并置于回答最前面（来源标注之前）。
3. 内容要求：回答应重点突出、条理清晰，优先结合用户背景信息进行个性化；若无任何可靠依据，如实说明“暂时无法回答”。

## 特别注意
- 不要向用户暴露任何工具调用的技术细节（如参数、函数名）。
- 如果用户只是闲聊、问候或道别，直接友好回复，严禁调用任何工具。
- 所有联网搜索必须以获取帮助用户为目的，不得搜索无关内容。

现在，请遵循以上规则处理用户的每一次输入。记住：思考 → 行动 → 观察 → 直到完成。"""


def create_agent_node(llm_with_tools, llm):
    """创建 Agent 节点函数，完整 ReAct 循环"""

    async def agent_node(state: AgentState, config: Optional[RunnableConfig] = None) -> Dict[str, Any]:
        """
        Agent 节点：完整的 ReAct 循环，带流式 token 和工具调用事件
        兼容流式和非流式两种情况！

        Args:
            state: 当前状态
            config: 运行配置

        Returns:
            状态更新字典
        """
        # 获取队列
        queue = get_stream_queue()
        is_streaming = queue is not None

        # 获取当前步数
        current_step = getattr(state, "current_step", 0)
        max_steps = getattr(state, "max_steps", 10)
        info(f"[Agent] 从第 {current_step} 步开始，最大步数: {max_steps}，流式: {is_streaming}")

        # 组装完整消息
        messages = [SystemMessage(content=SYSTEM_PROMPT)] + list(state.messages)
        turn = current_step  # 轮次从当前步数开始

        try:
            while turn < max_steps:
                turn += 1
                info(f"[Agent] 第 {turn} 轮思考")

                # 告诉前端：新的一轮开始（如果流式）
                if is_streaming:
                    await queue.put({
                        "type": "node_start",
                        "node": "agent",
                    })

                # 选择 LLM
                if turn >= max_steps:
                    info(f"[Agent] 达到步数上限，用不带工具的 LLM")
                    current_llm = llm.bind_tools([])
                else:
                    current_llm = llm_with_tools

                # 初始化变量
                full_content = ""
                full_reasoning_content = ""
                pending_tool_calls = {}  # key: index, value: {id, name, args_str}
                final_tool_calls = []

                # 只有流式的时候用 astream，非流式直接用 ainvoke 更快！
                if is_streaming:
                    async for chunk in current_llm.astream(messages):
                        if isinstance(chunk, AIMessageChunk):
                            # 1. 处理文本 token
                            if chunk.content:
                                full_content += chunk.content
                                await queue.put({
                                    "type": "llm_token",
                                    "node": "agent",
                                    "token": chunk.content,
                                    "reasoning_token": ""
                                })
                            
                            # 2. 处理 reasoning token
                            if hasattr(chunk, 'additional_kwargs') and chunk.additional_kwargs:
                                reasoning_content = chunk.additional_kwargs.get("reasoning_content", "")
                                if reasoning_content:
                                    full_reasoning_content += reasoning_content
                                    await queue.put({
                                        "type": "llm_token",
                                        "node": "agent",
                                        "token": "",
                                        "reasoning_token": reasoning_content
                                    })

                            # 3. 流式 Tool Calling 拼接逻辑（核心！用 tool_call_chunks！）
                            if hasattr(chunk, 'tool_call_chunks') and chunk.tool_call_chunks:
                                for tc_chunk in chunk.tool_call_chunks:
                                    idx = tc_chunk.get("index", 0)
                                    if idx not in pending_tool_calls:
                                        pending_tool_calls[idx] = {
                                            "id": "",
                                            "name": "",
                                            "args": ""  # 初始化为字符串
                                        }

                                    if tc_chunk.get("id"):
                                        pending_tool_calls[idx]["id"] += tc_chunk["id"]
                                    if tc_chunk.get("name"):
                                        pending_tool_calls[idx]["name"] += tc_chunk["name"]
                                    if tc_chunk.get("args"):
                                        args_val = tc_chunk["args"]
                                        if isinstance(args_val, str):
                                            pending_tool_calls[idx]["args"] += args_val
                                        else:
                                            import json
                                            pending_tool_calls[idx]["args"] += json.dumps(args_val)
                else:
                    # 非流式，直接 ainvoke
                    result = await current_llm.ainvoke(messages)
                    full_content = result.content if result.content else ""
                    if hasattr(result, 'tool_calls') and result.tool_calls:
                        final_tool_calls = result.tool_calls
                    if hasattr(result, 'additional_kwargs') and result.additional_kwargs:
                        full_reasoning_content = result.additional_kwargs.get("reasoning_content", "")

                # 流式调用结束后，整理最终的 tool_calls（只在流式时处理 pending！）
                if is_streaming:
                    for idx in sorted(pending_tool_calls.keys()):
                        tc_data = pending_tool_calls[idx]
                        if tc_data["name"]:  # 只有有名字的才是有效工具调用
                            # 解析参数字符串
                            args = {}
                            if tc_data["args"]:
                                try:
                                    import json
                                    args = json.loads(tc_data["args"])
                                except Exception as e:
                                    info(f"[Agent] Failed to parse args JSON: {e}, raw: {tc_data['args']}")
                            final_tool_calls.append({
                                "id": tc_data["id"],
                                "name": tc_data["name"],
                                "args": args
                            })

                # 判断是否有工具调用
                if final_tool_calls:
                    info(f"[Agent] 第 {turn} 轮：调用 {len(final_tool_calls)} 个工具")

                    # 执行工具调用
                    new_messages = []
                    for tc in final_tool_calls:
                        tool_name = tc["name"]
                        tool_args = tc["args"]
                        tool_id = tc["id"]

                        # 发送工具开始事件（如果流式）
                        if is_streaming:
                            await queue.put({
                                "type": "custom",
                                "data": {
                                    "type": "tool_start",
                                    "tool": tool_name,
                                    "args": tool_args,
                                    "id": tool_id
                                }
                            })

                        # 找到并执行对应工具
                        tool_result = ""
                        tool_found = False
                        for tool in ALL_TOOLS:
                            if tool.name == tool_name:
                                tool_found = True
                                try:
                                    tool_result = await tool.ainvoke(tool_args)
                                except Exception as e:
                                    tool_result = f"工具调用出错: {str(e)}"
                                    error(f"[Agent] 工具 {tool_name} 调用出错: {e}")
                                break

                        if not tool_found:
                            tool_result = f"未找到工具: {tool_name}"

                        # 发送工具结束事件（如果流式）
                        if is_streaming:
                            await queue.put({
                                "type": "custom",
                                "data": {
                                    "type": "tool_end",
                                    "tool": tool_name,
                                    "id": tool_id,
                                    "result": str(tool_result)
                                }
                            })

                        # 构造 ToolMessage
                        tool_msg = ToolMessage(
                            content=str(tool_result),
                            tool_call_id=tool_id,
                            name=tool_name
                        )
                        new_messages.append(tool_msg)

                    # 添加到 messages，继续下一轮
                    messages.extend(new_messages)
                    continue

                else:
                    # 没有工具调用，最终输出（不需要发 final_answer，因为 llm_token 已经发了）
                    info(f"[Agent] 第 {turn} 轮：完成，无工具调用")
                    break

            # 构建完整的 AIMessage 用于状态更新
            response_kwargs = {"content": full_content}
            if final_tool_calls:
                response_kwargs["tool_calls"] = final_tool_calls
            response = AIMessage(**response_kwargs)
            if full_reasoning_content:
                response.additional_kwargs["reasoning_content"] = full_reasoning_content

            # 返回状态更新
            return {
                "messages": [response],
                "current_step": turn,
                "llm_calls": getattr(state, "llm_calls", 0) + 1
            }

        except Exception as e:
            error(f"[Agent] ❌ 第 {turn} 轮出错: {e}")
            import traceback
            error(f"[Agent] 堆栈: {traceback.format_exc()}")
            # 发送错误事件（如果流式）
            if is_streaming:
                await queue.put({
                    "type": "error",
                    "message": str(e)
                })
            raise

    return agent_node