vent_deep_agent/agents/vent_agent.py

# -*- coding: utf-8 -*-
"""
DeepAgents Agent 创建与配置模块

核心功能：
- 创建主 DeepAgent（整合 Skills + Tools + MCP 数据）
- 配置流式输出
- 管理 Agent 实例生命周期

架构：
- 模型: OpenAI GPT 系列（通过环境变量 OPENAI_API_KEY 配置）
- Skills: 渐进式加载（点选解读 / 对话解读）
- Tools: 5个数据查询工具（query_laneway_data / query_regulation 等）
- Backend: FilesystemBackend（virtual_mode，用于加载本地技能文件；写操作已禁用）
"""

import os
from pathlib import Path
from typing import Optional

from dotenv import load_dotenv
from langchain.agents.middleware.todo import write_todos
from langgraph.checkpoint.memory import MemorySaver


SKILLS_ROOT = str((Path(__file__).parent.parent / "skills").resolve())
PROJECT_ROOT = str((Path(__file__).parent.parent).resolve())

load_dotenv()

# 导入工具函数
from tools.vent_tools import (
    # 数据查询
    query_tun_data_by_id,
    query_knowledge_base,
    query_device_data,
    query_device_data_by_id,
    query_devices_by_tunnel,
    query_devices_by_tunnel_id,
    query_devices_by_model,
    get_tun_list_by_modelid,
    query_tunnels_by_model,
    query_tunnel_list,
    list_ventanaly_monitor_data_days,
    get_device_kind_dict,
    get_device_list_by_kind,
    query_device_realtime_data,
    get_needq_all_data,
    get_dict_list_by_dictcode,
    # 需风量 / 模型
    get_model_param_pub_list,
    get_model_wind,
    get_sensor_wind,
    simulate_needq_heading_face,
    simulate_needq_room,
    simulate_needq_ret_work_face,
    simulate_needq_other,
    # 设备信息
    query_device_info,
    query_device_type_info,
    query_monitor_params,
    # 故障诊断
    check_model_connect_status,
    check_model_one_dir_cycle,
    check_model_one_dir_node,
    check_model_diagonal_structure,
    get_model_fault_diagnosis,
    # 避灾路线
    get_escape_path,
    get_escape_path_each_exit,
    # 关键阻力 / 压能
    get_out_shafts,
    get_in_shafts,
    get_max_resistance_path,
    get_three_area_distribution,
    get_key_path_decision,
    get_path_press_power,
    # 网络解算
    net_cal,
    net_cal_for_plan,
    # 报警 / 日志
    get_alarm_log_history,
    get_device_set_log_history,
    get_sys_log_history,
    # 场景管理
    get_manage_system_by_strType,
    query_system_by_systemID,
    # 煤矿基础
    get_gas_identify_vo,
    get_by_mine_name,
    query_control_testWind,
    # 数据库 / 文件
    execute_sql_query,
    get_file_list_by_type,
    get_file_base64_by_id,
    # 报表
    get_latest_report,
    # 用户偏好
    save_user_preference,
    list_user_preferences,
    delete_user_preference,
    # 计划审批
    request_plan_approval,
)
from tools.web_search_tools import web_search, web_fetch
from tools.file_reader_tools import read_file_content
from tools.time_tools import get_current_time
from tools.chat_history_tools import search_chat_history, get_session_chat, get_current_session_id
from tools.report_utils import save_report
from tools.audit_middleware import create_audit_middleware
from tools.context_tracker import init_system_components
from langgraph.utils.runnable import RunnableCallable

# 导入需风量计算工具
from tools.calc_tools import (
    calc_face_by_gas,
    calc_face_by_workers,
    calc_face_by_wind_speed,
    calc_face_air_volume_max,
    calc_tunnel_by_gas,
    calc_tunnel_by_explosives,
    calc_tunnel_by_workers,
    calc_tunnel_by_wind_speed,
    calc_tunnel_air_volume_max,
    calc_chamber_by_equipment,
    calc_chamber_by_wind_speed,
    calc_other_by_wind_speed,
    calc_effective_area,
    calc_total_air_volume,
)


# ============================================================
# 系统提示词（中文）
# ============================================================

# 点选解读 Agent 系统提示词
CLICK_INTERPRET_SYSTEM_PROMPT = """你是一名煤矿通风安全专家，你拥有多项技能，按照技能中的步骤执行任务。

## 全局通用行为准则
1. 所有分析必须基于工具返回的真实数据，绝不编造。
2. 引用规程时，必须附上具体的条款来源。
3. 禁止输出 ANSI 转义序列、内部工具名、函数名、变量、技能标识、ID 等系统内部信息。
5. 全流程统一使用 write_todos 工具实时更新任务进度。
6. 全程仅使用简体中文输出，不输出代码、JSON原始结构体。
7. 你必须严格按照技能中**固定格式**输出报告，禁止添加额外的标题、总结、代码块、JSON。
8. 在生成最终解读报告标题前，必须输出一个换行符 '\n\n'。

"""

# 对话解读 Agent 系统提示词（统一版：合并了对话解读 + 需风量计算能力）
DIALOG_INTERPRET_SYSTEM_PROMPT = f"""你是一名煤矿通风安全智能助手，具备两大核心能力：**通风监测数据解读**和**需风量交互式计算**。根据用户意图自动切换工作模式。

## 能力一：通风监测数据解读

### 工作流程
1. 理解用户意图：想查询什么数据、什么时间范围、哪条巷道
2. 调用相应工具获取数据：
   - 查巷道实时数据 → query_tun_data_by_id
   - 查设备数据/报警 → query_device_data_by_id
   - 查设备实时快照 → query_device_realtime_data
   - 查巷道下设备列表 → query_devices_by_tunnel / query_devices_by_tunnel_id
   - 查模型下巷道列表 → query_tunnels_by_model
   - 查设备历史趋势 → list_ventanaly_monitor_data_days
   - 查规程标准 → query_knowledge_base
   - 查设备类型字典 → get_device_kind_dict
   - 按设备类型查设备列表 → get_device_list_by_kind
3. 比对规程标准进行合规判断
4. 生成自然语言回复

## 能力二：需风量交互式计算

### 支持的用风地点类型
- 采煤工作面（含备用工作面）、掘进工作面、机电硐室
- 其他用风地点（主要进回风巷、采区进回风巷、其他通风人行巷道等）
- 多地点汇总、通防管控平台数据查询

### 计算铁律（红线）
1. **必须调用工具计算**：所有需风量计算必须通过调用 calc_tools 中的工具函数完成，绝对禁止凭 LLM 知识直接给出计算结果。
2. **参数缺失要追问**：若用户未提供必要计算参数，明确列出所需参数并引导用户补充，绝不编造参数值。
3. **列式计算**：展示每个计算过程的公式 → 代入数值 → 计算结果，不能只给结果。
4. **多轮对话承接**：记住当前会话中的用风地点类型和已有参数，用户补充参数或要求调整时自动衔接。

## 回复风格
- 先给出核心结论，再展开详细数据
- 异常情况：说明程度、可能原因、建议措施
- 正常情况：简洁确认即可
- 支持多轮对话，记住上下文

## 重要规则
- 只说中文 
- 所有数据来源于工具调用，绝不编造
- 规程引用必须真实，引用时附上具体条款来源（《煤矿安全规程》2025版、AQ 1056-2008）
- 全流程统一使用 write_todos 工具实时更新任务进度。
- 无法判断时诚实说明原因
- ANSI转义序列过滤：不能输出此类内容
- 需要适用模型ID时，记住模型ID为 {os.getenv("DEFAULT_MODEL_ID")}
- 禁止输出ANSI 转义序列
- 禁止暴露系统内部工具名、函数名、变量、技能标识、ID 等内部信息。
- 严格按照技能（skill: dialog-interpret / needq-calc）中定义的流程执行任务

## 能力三：用户偏好记忆
- 当用户明确要求"记住""保存为习惯""这是我的偏好""以后都用这个"时，调用 save_user_preference 保存到个人记忆库
- 当用户询问"我的偏好""有哪些习惯""查看我的偏好"时，调用 list_user_preferences 查看
- 当用户要求"删除某条习惯""忘掉那个偏好"时，先调用 list_user_preferences 确认ID，再调用 delete_user_preference 删除
- 保存偏好时，content 字段应精炼概括用户的要求（一句话），keywords 字段列出相关关键词
- 系统已自动将用户偏好注入到每条消息前缀中，请主动参考这些偏好来个性化回复

## 能力四：联网搜索
- 当用户问题超出煤矿通风专业知识库覆盖范围时，使用 web_search 查询互联网公开信息
- 获取搜索结果后可按需调用 web_fetch 查看详情页的完整内容
- 搜索优先级：先查内部知识库（query_knowledge_base）→ 知识库信息不足或需要最新政策/行业新闻时再联网搜索
- 引用网络信息时标注来源 URL，说明该信息的时效性和局限性

## 能力五：文件内容读取
- 当用户上传了文件，消息中会包含「文件临时路径」，请使用 read_file_content 工具读取文件内容
- 支持的文件格式：PDF（.pdf）、Word（.docx）、Excel（.xlsx/.xlsm）、PowerPoint（.pptx）、纯文本（.txt/.md/.csv/.json）
- 读取到文件内容后，根据用户的要求进行分析、总结、数据提取或计算
- 如果文件内容为空或格式不支持，向用户说明具体情况

## 能力六：聊天记录查询
- 当用户询问"之前聊过什么""搜索历史""查看之前的对话""找一下关于xxx的记录"时，
  使用 search_chat_history 搜索会话标题，再用 get_session_chat 读取具体内容
- 聊天记录存储在数据库而非文件系统，请使用这两个专用工具，切勿用 ls/read_file/grep 查找
- 搜索到相关会话后，可以总结、引用或提取其中的信息来回答用户

## 能力七：报告保存
- 当用户要求"生成报告""输出报告""保存为文档""导出分析结果"时，
  调用 save_report 工具将 Markdown 内容保存为 .md 文件
- 切勿使用 write_file / edit_file 等文件系统工具写文件（已被权限禁止）
- save_report 会自动生成文件名和下载链接，返回给用户即可
"""


# ============================================================
# Agent 工厂函数
# ============================================================

def _get_model(model_key: str = "DEEPAGENT_MODEL"):
    """获取模型实例。
    从 src/.env 文件强制读取配置（不受系统环境变量干扰）。
    注意：Codex 桌面应用会注入 OPENAI_API_KEY 环境变量到进程，
    而 load_dotenv 默认不覆盖已有环境变量，因此必须用 dotenv_values
    直接读取 .env 文件中的值。

    参数:
        model_key: 环境变量中模型名称的 key，默认 "DEEPAGENT_MODEL"。
                   可传入 "SUMMARY_MODEL" 等以使用独立模型。
    """
    from dotenv import dotenv_values
    from pathlib import Path as _Path

    _env_file = _Path(__file__).parent.parent / ".env"  # src/.env
    _cfg = dotenv_values(str(_env_file))

    # 优先读取指定 key 下的模型，若未配置则 fallback 到 DEEPAGENT_MODEL
    model_str = _cfg.get(model_key, "")
    if not model_str and model_key != "DEEPAGENT_MODEL":
        model_str = _cfg.get("DEEPAGENT_MODEL", "openai:gpt-4o")
    if not model_str:
        model_str = "openai:gpt-4o"

    base_url = _cfg.get("OPENAI_BASE_URL", "")
    api_key = _cfg.get("OPENAI_API_KEY", "")
    timeout_str = _cfg.get("OPENAI_TIMEOUT", "180")

    # 清理可能带入的引号
    api_key = api_key.strip().strip('"').strip("'") if api_key else ""
    base_url = base_url.strip().strip('"').strip("'") if base_url else ""

    # 解析超时时间
    try:
        timeout = float(timeout_str.strip())
    except (ValueError, TypeError):
        timeout = 180.0

    # 确保模型字符串带有 provider 前缀，否则 init_chat_model 可能猜错 provider
    # 例如 "deepseek-v4-pro" 会被错误解析为 ChatDeepSeek（需要 DEEPSEEK_API_KEY）
    if ":" not in model_str:
        model_str = f"openai:{model_str}"

    if base_url and api_key:
        # 使用自定义 Base URL（如阿里百炼 DashScope）
        from langchain.chat_models import init_chat_model
        return init_chat_model(
            model_str,
            openai_api_key=api_key,
            openai_api_base=base_url,
            temperature=0,
            timeout=timeout,
        )
    return model_str


def create_click_interpret_agent():
    """创建「点选数据解读」Agent。

    该 Agent 专门处理单条巷道的深度数据解读，具备：
    - 实时数据查询能力
    - 规程合规判断能力
    - 结构化报告输出能力

    Returns:
        CompiledStateGraph: 编译后的 LangGraph 状态图，支持 .invoke() 和 .stream()
    """
    from deepagents import create_deep_agent  # 延迟导入，避免 PyCharm debug 启动卡死
    from deepagents.backends import FilesystemBackend
    from deepagents import FilesystemPermission

    # _project_root = str(Path(__file__).parent.parent)

    skills = [SKILLS_ROOT + "/click-interpret-tun", SKILLS_ROOT + "/click-interpret-device"]
    print(f"[skills] Agent=click-interpret-agent skills={skills}")

    agent = create_deep_agent(
        model=_get_model(),
        tools=[
            query_tun_data_by_id,
            query_knowledge_base,
            query_device_data_by_id,
            query_tunnels_by_model,
            list_ventanaly_monitor_data_days,
            write_todos
        ],
        skills=skills,
        system_prompt=CLICK_INTERPRET_SYSTEM_PROMPT,
        backend=FilesystemBackend(root_dir=PROJECT_ROOT, virtual_mode=True),
        permissions=[
            FilesystemPermission(operations=["write"], paths=["/**"], mode="deny"),
        ],
        middleware=[],
        name="click-interpret-agent",
        checkpointer=MemorySaver(),
    )
    return agent


def create_dialog_interpret_agent():
    """创建「对话式数据解读」Agent。

    该 Agent 支持多轮自然语言对话，具备：
    - 全量数据查询能力（实时+历史+告警）
    - 上下文记忆（通过 LangGraph checkpoint）
    - 智能意图识别和参数抽取
    - 使用运行时模型配置（支持前端动态切换）

    Returns:
        CompiledStateGraph: 编译后的 LangGraph 状态图
    """
    from deepagents import create_deep_agent  # 延迟导入，避免 PyCharm debug 启动卡死
    from deepagents.backends import FilesystemBackend
    from deepagents import FilesystemPermission
    from api.model_config import get_model_instance


    # ── 动态注入当前日期到系统提示词 ──
    from datetime import datetime, timezone, timedelta
    _china_tz = timezone(timedelta(hours=8))
    _now = datetime.now(_china_tz)
    _dated_prompt = (
        DIALOG_INTERPRET_SYSTEM_PROMPT
        + f"\n## 系统时间\n当前日期时间：{_now.strftime('%Y年%m月%d日 %H:%M:%S')}（中国标准时间 CST，UTC+8）。\n"
        + f"今天是 {_now.strftime('%Y')}年{_now.strftime('%m')}月{_now.strftime('%d')}日，周{'一二三四五六日'[_now.weekday()]}。\n"
        + "所有涉及日期、时间的判断必须以本系统时间为准，不要使用你自己的训练数据中的日期。"
    )

    skills = [SKILLS_ROOT]  # 绝对路径：SkillsMiddleware 自动扫描下所有子目录（含 SKILL.md 的技能目录）
    print(f"[skills] Agent=dialog-interpret-agent skills={skills}")
    print(f"[日期] 已注入当前系统时间: {_now.strftime('%Y-%m-%d %H:%M:%S')} CST")

    agent = create_deep_agent(
        model=get_model_instance(),
        tools=[
            # ── 数据查询工具 ──
            query_tun_data_by_id,
            query_device_data,
            query_device_data_by_id,
            query_devices_by_tunnel,
            query_devices_by_tunnel_id,
            query_devices_by_model,
            query_tunnel_list,
            query_tunnels_by_model,
            get_tun_list_by_modelid,
            list_ventanaly_monitor_data_days,
            query_knowledge_base,
            get_device_kind_dict,
            get_device_list_by_kind,
            query_device_realtime_data,
            get_needq_all_data,
            get_dict_list_by_dictcode,
            # ── 需风量 / 模型数据 ──
            get_model_param_pub_list,
            get_model_wind,
            get_sensor_wind,
            simulate_needq_heading_face,
            simulate_needq_room,
            simulate_needq_ret_work_face,
            simulate_needq_other,
            # ── 设备信息 ──
            query_device_info,
            query_device_type_info,
            query_monitor_params,
            # ── 故障诊断 ──
            check_model_connect_status,
            check_model_one_dir_cycle,
            check_model_one_dir_node,
            check_model_diagonal_structure,
            get_model_fault_diagnosis,
            # ── 避灾路线 ──
            get_escape_path,
            get_escape_path_each_exit,
            # ── 关键阻力 / 压能 ──
            get_out_shafts,
            get_in_shafts,
            get_max_resistance_path,
            get_three_area_distribution,
            get_key_path_decision,
            get_path_press_power,
            # ── 网络解算 ──
            net_cal,
            net_cal_for_plan,
            # ── 报警 / 日志 ──
            get_alarm_log_history,
            get_device_set_log_history,
            get_sys_log_history,
            # ── 场景管理 ──
            get_manage_system_by_strType,
            query_system_by_systemID,
            # ── 煤矿基础 ──
            get_gas_identify_vo,
            get_by_mine_name,
            query_control_testWind,
            # ── 数据库 / 文件 ──
            execute_sql_query,
            get_file_list_by_type,
            get_file_base64_by_id,
            # ── 报表 ──
            get_latest_report,
            # ── 基础工具 ──
            write_todos,
            # ── 辅助计算工具 ──
            calc_effective_area,
            calc_total_air_volume,
            # 采煤工作面计算
            calc_face_by_gas,
            calc_face_by_workers,
            calc_face_by_wind_speed,
            calc_face_air_volume_max,
            # 掘进工作面计算
            calc_tunnel_by_gas,
            calc_tunnel_by_explosives,
            calc_tunnel_by_workers,
            calc_tunnel_by_wind_speed,
            calc_tunnel_air_volume_max,
            # 硐室计算
            calc_chamber_by_equipment,
            calc_chamber_by_wind_speed,
            # 其他巷道计算
            calc_other_by_wind_speed,
            # ── 用户偏好记忆 ──
            save_user_preference,
            list_user_preferences,
            delete_user_preference,
            # ── 计划审批（Human-in-the-Loop）──
            request_plan_approval,
            # ── 联网搜索 ──
            web_search,
            web_fetch,
            # ── 文件内容读取 ──
            read_file_content,
            # ── 聊天记录查询 ──
            search_chat_history,
            get_session_chat,
            get_current_session_id,
            # ── 报告保存 ──
            save_report,
            # ── 系统工具 ──
            get_current_time,
        ],
        skills=skills,
        system_prompt=_dated_prompt,
        backend=FilesystemBackend(root_dir=PROJECT_ROOT, virtual_mode=True),
        permissions=[
            FilesystemPermission(operations=["write"], paths=["/**"], mode="deny"),
        ],
        middleware=[],
        name="dialog-interpret-agent",
        checkpointer=MemorySaver(),
    )

    # ── 初始化上下文用量追踪 ──
    _init_context_tracker_for_dialog()

    return agent


def _init_context_tracker_for_dialog():
    """为对话 agent 初始化系统组件 token 预估（统一版：含对话工具 + 计算工具 + MCP）。"""
    from tools.context_tracker import init_system_components, _tool_to_text

    _all_tools = [
        # 数据查询工具
        query_tun_data_by_id, query_device_data, query_device_data_by_id,
        query_devices_by_tunnel, query_devices_by_tunnel_id, query_devices_by_model,
        query_tunnel_list, query_tunnels_by_model, get_tun_list_by_modelid,
        list_ventanaly_monitor_data_days, query_knowledge_base,
        get_device_kind_dict, get_device_list_by_kind, get_dict_list_by_dictcode,
        query_device_realtime_data,
        # 需风量 / 模型
        get_model_param_pub_list, get_model_wind, get_sensor_wind,
        simulate_needq_heading_face, simulate_needq_room,
        simulate_needq_ret_work_face, simulate_needq_other,
        # 设备信息
        query_device_info, query_device_type_info, query_monitor_params,
        # 故障诊断
        check_model_connect_status, check_model_one_dir_cycle,
        check_model_one_dir_node, check_model_diagonal_structure,
        get_model_fault_diagnosis,
        # 避灾路线
        get_escape_path, get_escape_path_each_exit,
        # 关键阻力 / 压能
        get_out_shafts, get_in_shafts, get_max_resistance_path,
        get_three_area_distribution, get_key_path_decision, get_path_press_power,
        # 网络解算
        net_cal, net_cal_for_plan,
        # 报警 / 日志
        get_alarm_log_history, get_device_set_log_history, get_sys_log_history,
        # 场景管理
        get_manage_system_by_strType, query_system_by_systemID,
        # 煤矿基础
        get_gas_identify_vo, get_by_mine_name, query_control_testWind,
        # 数据库 / 文件
        execute_sql_query, get_file_list_by_type, get_file_base64_by_id,
        # 报表
        get_latest_report,
        # 基础 + 计算
        write_todos,
        calc_effective_area, calc_total_air_volume,
        calc_face_by_gas, calc_face_by_workers,
        calc_face_by_wind_speed, calc_face_air_volume_max,
        calc_tunnel_by_gas, calc_tunnel_by_explosives,
        calc_tunnel_by_workers, calc_tunnel_by_wind_speed,
        calc_tunnel_air_volume_max,
        calc_chamber_by_equipment, calc_chamber_by_wind_speed,
        calc_other_by_wind_speed,
        # 用户偏好
        save_user_preference, list_user_preferences, delete_user_preference,
        # 计划审批
        request_plan_approval,
        # 联网搜索 / 文件读取 / 聊天记录 / 系统
        web_search, web_fetch,
        read_file_content,
        search_chat_history, get_session_chat, get_current_session_id,
        save_report,
        get_current_time,
    ]
    tool_texts = [_tool_to_text(t) for t in _all_tools]

    # MCP 工具单独归类
    mcp_text = _tool_to_text(get_needq_all_data)

    # 读取技能文件内容（动态扫描 skills/ 下所有技能，不再硬编码列表）
    skill_contents = []
    skills_root = Path(__file__).parent.parent / "skills"
    if skills_root.is_dir():
        for skill_dir in sorted(skills_root.iterdir()):
            if not skill_dir.is_dir() or skill_dir.name.startswith(".") or skill_dir.name == "__pycache__":
                continue
            sf = skill_dir / "SKILL.md"
            if sf.exists():
                skill_contents.append(sf.read_text(encoding="utf-8"))
                print(f"[context_tracker] 已加载技能: {skill_dir.name}")

    init_system_components(
        system_prompt=DIALOG_INTERPRET_SYSTEM_PROMPT,
        tool_defs=tool_texts,
        skill_contents=skill_contents,
        mcp_defs=[mcp_text],
    )


# ============================================================
# 单例缓存
# ============================================================

# 全局 Agent 实例（懒加载）
_click_agent: Optional[object] = None
_dialog_agent: Optional[object] = None


def invalidate_dialog_cache():
    """失效对话解读 Agent 缓存（模型切换时调用）。

    仅清除 dialog_agent 的缓存，不影响 click_agent（后者继续使用 .env 固定模型）。
    """
    global _dialog_agent
    _dialog_agent = None
    print("[模型切换] dialog-interpret-agent 缓存已失效")


def get_click_agent():
    """获取点选解读 Agent 单例"""
    global _click_agent
    if _click_agent is None:
        _click_agent = create_click_interpret_agent()
    return _click_agent


def get_dialog_agent():
    """获取对话解读 Agent 单例"""
    global _dialog_agent
    if _dialog_agent is None:
        _dialog_agent = create_dialog_interpret_agent()
    return _dialog_agent