149 lines
6.3 KiB
Python
149 lines
6.3 KiB
Python
"""
|
||
调度智能体 负责接收和分析用户的提示词，并调用智能调度其他智能体来处理工作
|
||
"""
|
||
|
||
from langgraph.graph import StateGraph
|
||
from langgraph.prebuilt import create_react_agent
|
||
from langgraph.graph.state import CompiledStateGraph
|
||
from langgraph.prebuilt.chat_agent_executor import AgentState
|
||
from utils.logger import get_logger
|
||
|
||
logger = get_logger(__name__)
|
||
|
||
# 默认调度器列表
|
||
DefaultSchedulerList = []
|
||
|
||
# 默认代理提示词
|
||
DefaultAgentPrompt = """
|
||
# 角色定位
|
||
您是爆款短剧改编专家，具备极致爽点设计、人物标签化、情绪节奏控制和网感台词能力。沟通风格自信犀利，能清晰解释商业逻辑。
|
||
|
||
# 核心工作流
|
||
1. 等待原始剧本（wait_for_input）
|
||
2. 剧本分析（script_analysis）
|
||
3. 改编思路制定（strategic_planning）
|
||
4. 剧本圣经构建（build_bible）
|
||
5. 剧集循环创作（episode_create_loop）
|
||
6. 完成（finish）
|
||
|
||
步骤不可跳过但可回退修改。除finish和wait_for_input外，各阶段均由对应智能体处理。episode_create_loop阶段需通过QueryEpisodeCount工具判断进度，并指定单次创作集数（3-5集）。
|
||
|
||
# 智能体职责
|
||
- scheduler（您自身）：调度决策、用户沟通、状态管理
|
||
- script_analysis：生成诊断与资产评估报告
|
||
- strategic_planning：生成改编思路
|
||
- build_bible：生成剧本圣经（含核心大纲、人物小传、事件时间线、人物表）
|
||
- episode_create：单集内容创作
|
||
|
||
# 工具使用原则
|
||
仅在必要时调用工具，避免重复。关键工具包括：QueryOriginalScript、QueryDiagnosisAndAssessment、QueryAdaptationIdeas、QueryScriptBible、QueryEpisodeCount等。
|
||
- QueryOriginalScript：原始剧本是否存在
|
||
- QueryDiagnosisAndAssessment：诊断与资产评估报告是否存在
|
||
- QueryAdaptationIdeas：改编思路是否存在
|
||
- QueryScriptBible：剧本圣经是否存在
|
||
- QueryEpisodeCount：剧集总数与生成完成集数获取
|
||
如果工具读取到存在为true则不需要再调用该工具;
|
||
如果工具读取到存在为false则需要需要分析当前任务的阶段来决定调用哪个工具，每次分析只能调用一个工具；
|
||
|
||
# 任务列表管理
|
||
- 任务列表为空时自动根据工作流步骤生成新列表
|
||
- 每项任务包含：agent、step、status、reason、retry_count、pause、episode_create_num
|
||
- 执行逻辑：优先处理第一个未完成任务；状态为completed时推进；failed时根据reason决定重试（≤3次）或通知用户；waiting时暂停等待用户输入
|
||
- 所有任务完成后，用户输入仍可触发新任务列表
|
||
|
||
# 输入数据解析
|
||
每次调用附带：
|
||
- workflow_info：布尔状态组（原始剧本、诊断报告等）
|
||
- workflow_params：session_id、task_index、from_type（user或agent）
|
||
- task_list：当前任务列表数组
|
||
|
||
根据from_type决策：user直接解析用户意图；agent基于返回结果更新任务状态
|
||
|
||
# 输出规范
|
||
请严格按照下列JSON结构返回数据，不要有其他任何多余的信息和描述：
|
||
{{
|
||
"message": "回复用户的内容（仅需用户沟通时填充）",
|
||
"task_list": [更新后的任务列表数组],
|
||
"task_index": 当前执行任务索引,
|
||
}}
|
||
"""
|
||
def create_agent_prompt(prompt, SchedulerList):
|
||
"""创建代理提示词的辅助函数"""
|
||
if not SchedulerList or len(SchedulerList) == 0: return prompt
|
||
node_list = [f"{node['name']}:{node['desc']}" for node in SchedulerList]
|
||
return f"""
|
||
{prompt} \n
|
||
下面返回数据中node字段的取值范围列表([{{名称:描述}}])，请根据你的分析结果选择一个节点名称返回：
|
||
{node_list} \n
|
||
"""
|
||
|
||
class SchedulerAgentState(AgentState):
|
||
"""调度智能体中的上下文对象"""
|
||
is_original_script: bool # 是否已提交原始剧本
|
||
is_script_analysis: bool # 是否已生成 诊断与资产评估报告
|
||
is_strategic_planning: bool # 是否已生成 改编思路
|
||
is_build_bible: bool # 是否已生成 剧本圣经
|
||
is_episode_create_loop: bool # 是否已生成 剧集生成循环
|
||
is_all_episode_created: bool # 是否已生成 全部剧集
|
||
|
||
def pre_scheduler_hook(state:SchedulerAgentState):
|
||
"""模型调用前的钩子函数"""
|
||
logger.info(f"!!!!!!!!!调度节点输入!!!!!!!!!!!")
|
||
session_id = state.get("session_id", "")
|
||
workflow_info = state.get("workflow_info", {})
|
||
task_list = state.get("task_list", [])
|
||
task_index = int(state.get("task_index", 0))
|
||
from_type = state.get("from_type", "")
|
||
messages = state.get("messages", [])
|
||
logger.info(f"调度节点输入: {state}")
|
||
logger.info(f"!!!!!!!!!调度节点输入!!!!!!!!!!!")
|
||
# 清除历史状态消息
|
||
# messages = clear_messages(messages)
|
||
# # 添加参数进提示词
|
||
# messages.append(HumanMessage(content=f"""
|
||
# ---任务状态消息(开始)---
|
||
# # 工作流信息:
|
||
# {workflow_info}
|
||
# # 工作流参数:
|
||
# {{
|
||
# 'session_id':'{session_id}',
|
||
# 'task_index':'{task_index}',
|
||
# 'from_type':'{from_type}',
|
||
# }}
|
||
# # 任务列表:
|
||
# {task_list}
|
||
# ---任务状态消息(结束)---
|
||
# """))
|
||
# return state
|
||
|
||
class SchedulerAgent(CompiledStateGraph):
|
||
"""智能调度智能体类
|
||
|
||
该类负责接收用户的提示词，并调用其他智能体来处理工作。
|
||
"""
|
||
def __new__(cls,
|
||
llm=None,
|
||
tools=[],
|
||
SchedulerList=None,
|
||
post_model_hook=None,
|
||
):
|
||
"""创建并返回create_react_agent创建的对象"""
|
||
# 处理默认参数
|
||
if llm is None:
|
||
from tools.llm.huoshan_langchain import HuoshanChatModel
|
||
llm = HuoshanChatModel()
|
||
|
||
if SchedulerList is None:
|
||
SchedulerList = DefaultSchedulerList
|
||
|
||
# 创建并返回代理对象
|
||
return create_react_agent(
|
||
model=llm,
|
||
tools=tools,
|
||
prompt=DefaultAgentPrompt,
|
||
# pre_model_hook=pre_scheduler_hook,
|
||
# post_model_hook=post_model_hook,
|
||
# state_schema=SchedulerAgentState,
|
||
# prompt=create_agent_prompt(prompt=DefaultAgentPrompt, SchedulerList=SchedulerList),
|
||
)
|