kunthawat/microfish
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Enhance Report Agent and Zep Tools with new search functionalities

Browse Source 
- Introduced new core search tools in the Report Agent: InsightForge for deep insights, PanoramaSearch for comprehensive views, and QuickSearch for rapid queries.
- Updated the Report Agent to prioritize tool usage for data retrieval, ensuring all report content is based on simulation results rather than internal knowledge.
- Enhanced the ZepToolsService with methods for InsightForge and PanoramaSearch, allowing for multi-dimensional queries and historical data retrieval.
- Improved documentation to reflect the new functionalities and usage guidelines for the Report Agent and Zep tools.
This commit is contained in:
666ghj
2025-12-09 16:06:53 +08:00
parent 5ece3f670b
commit a0c97b1344
2 changed files with 889 additions and 119 deletions
Download Patch File Download Diff File Expand all files Collapse all files

440
backend/app/services/report_agent.py
View File

@@ -21,7 +21,12 @@ from enum import Enum
from ..config import Config
from ..utils.llm_client import LLMClient
from ..utils.logger import get_logger
from .zep_tools import ZepToolsService, SearchResult
from .zep_tools import (
ZepToolsService,
SearchResult,
InsightForgeResult,
PanoramaResult
)
logger = get_logger('mirofish.report_agent')
@@ -120,19 +125,23 @@ class ReportAgent:
2. 生成阶段：逐章节生成内容，每章节可多次调用工具获取信息
3. 反思阶段：检查内容完整性和准确性
工具（MCP封装）：
- search_graph: 图谱语义搜索
- get_graph_statistics: 获取图谱统计
- get_entity_summary: 获取实体摘要
- get_simulation_context: 获取模拟上下文
【核心检索工具 - 优化后】
- insight_forge: 深度洞察检索（最强大，自动分解问题，多维度检索）
- panorama_search: 广度搜索（获取全貌，包括历史/过期内容）
- quick_search: 简单搜索（快速检索）
【重要】Report Agent必须优先调用工具获取模拟数据，而非使用自身知识！
"""
# 最大工具调用次数（每个章节）
MAX_TOOL_CALLS_PER_SECTION = 5
# 最大工具调用次数（每个章节）- 增加上限以鼓励更多检索
MAX_TOOL_CALLS_PER_SECTION = 10
# 最大反思轮数
MAX_REFLECTION_ROUNDS = 2
# 对话中的最大工具调用次数
MAX_TOOL_CALLS_PER_CHAT = 8
def __init__(
self,
graph_id: str,
@@ -164,51 +173,88 @@ class ReportAgent:
logger.info(f"ReportAgent 初始化完成: graph_id={graph_id}, simulation_id={simulation_id}")
def _define_tools(self) -> Dict[str, Dict[str, Any]]:
"""定义可用工具"""
"""
定义可用工具
【重要】这三个工具是专门为从模拟图谱中检索信息设计的，
必须优先使用这些工具获取数据，而不是使用LLM自身的知识！
"""
return {
"search_graph": {
"name": "search_graph",
"description": "在知识图谱中搜索相关信息。输入搜索查询，返回与查询相关的事实和关系。",
"insight_forge": {
"name": "insight_forge",
"description": """【深度洞察检索 - 最强大的检索工具】
这是我们最强大的检索函数，专为深度分析设计。它会：
1. 自动将你的问题分解为多个子问题
2. 从多个维度检索模拟图谱中的信息
3. 整合语义搜索、实体分析、关系链追踪的结果
4. 返回最全面、最深度的检索内容
【使用场景】
- 需要深入分析某个话题
- 需要了解事件的多个方面
- 需要获取支撑报告章节的丰富素材
【返回内容】
- 相关事实原文（可直接引用）
- 核心实体洞察
- 关系链分析""",
"parameters": {
"query": "你想深入分析的问题或话题",
"report_context": "当前报告章节的上下文（可选，有助于生成更精准的子问题）"
},
"priority": "high"
},
"panorama_search": {
"name": "panorama_search",
"description": """【广度搜索 - 获取全貌视图】
这个工具用于获取模拟结果的完整全貌，特别适合了解事件演变过程。它会：
1. 获取所有相关节点和关系
2. 区分当前有效的事实和历史/过期的事实
3. 帮助你了解舆情是如何演变的
【使用场景】
- 需要了解事件的完整发展脉络
- 需要对比不同阶段的舆情变化
- 需要获取全面的实体和关系信息
【返回内容】
- 当前有效事实（模拟最新结果）
- 历史/过期事实（演变记录）
- 所有涉及的实体""",
"parameters": {
"query": "搜索查询，用于相关性排序",
"include_expired": "是否包含过期/历史内容（默认True）"
},
"priority": "medium"
},
"quick_search": {
"name": "quick_search",
"description": """【简单搜索 - 快速检索】
轻量级的快速检索工具，适合简单、直接的信息查询。
【使用场景】
- 需要快速查找某个具体信息
- 需要验证某个事实
- 简单的信息检索
【返回内容】
- 与查询最相关的事实列表""",
"parameters": {
"query": "搜索查询字符串",
"limit": "返回结果数量（可选，默认10）"
}
},
"get_graph_statistics": {
"name": "get_graph_statistics",
"description": "获取知识图谱的统计信息，包括节点数量、边数量、实体类型分布等。",
"parameters": {}
},
"get_entity_summary": {
"name": "get_entity_summary",
"description": "获取指定实体的详细信息和关系摘要。",
"parameters": {
"entity_name": "实体名称"
}
},
"get_simulation_context": {
"name": "get_simulation_context",
"description": "获取与模拟需求相关的上下文信息，包括相关事实、实体列表等。",
"parameters": {
"query": "额外的查询条件（可选）"
}
},
"get_entities_by_type": {
"name": "get_entities_by_type",
"description": "按类型获取实体列表，如获取所有Student类型或PublicFigure类型的实体。",
"parameters": {
"entity_type": "实体类型名称"
}
},
"priority": "low"
}
}
def _execute_tool(self, tool_name: str, parameters: Dict[str, Any]) -> str:
def _execute_tool(self, tool_name: str, parameters: Dict[str, Any], report_context: str = "") -> str:
"""
执行工具调用
Args:
tool_name: 工具名称
parameters: 工具参数
report_context: 报告上下文（用于InsightForge）
Returns:
工具执行结果（文本格式）
@@ -216,16 +262,53 @@ class ReportAgent:
logger.info(f"执行工具: {tool_name}, 参数: {parameters}")
try:
if tool_name == "search_graph":
# ========== 核心检索工具（优化后） ==========
if tool_name == "insight_forge":
# 深度洞察检索 - 最强大的工具
query = parameters.get("query", "")
ctx = parameters.get("report_context", "") or report_context
result = self.zep_tools.insight_forge(
graph_id=self.graph_id,
query=query,
simulation_requirement=self.simulation_requirement,
report_context=ctx
)
return result.to_text()
elif tool_name == "panorama_search":
# 广度搜索 - 获取全貌
query = parameters.get("query", "")
include_expired = parameters.get("include_expired", True)
if isinstance(include_expired, str):
include_expired = include_expired.lower() in ['true', '1', 'yes']
result = self.zep_tools.panorama_search(
graph_id=self.graph_id,
query=query,
include_expired=include_expired
)
return result.to_text()
elif tool_name == "quick_search":
# 简单搜索 - 快速检索
query = parameters.get("query", "")
limit = parameters.get("limit", 10)
result = self.zep_tools.search_graph(
if isinstance(limit, str):
limit = int(limit)
result = self.zep_tools.quick_search(
graph_id=self.graph_id,
query=query,
limit=limit
)
return result.to_text()
# ========== 向后兼容的旧工具（内部重定向到新工具） ==========
elif tool_name == "search_graph":
# 重定向到 quick_search
logger.info("search_graph 已重定向到 quick_search")
return self._execute_tool("quick_search", parameters, report_context)
elif tool_name == "get_graph_statistics":
result = self.zep_tools.get_graph_statistics(self.graph_id)
return json.dumps(result, ensure_ascii=False, indent=2)
@@ -239,12 +322,10 @@ class ReportAgent:
return json.dumps(result, ensure_ascii=False, indent=2)
elif tool_name == "get_simulation_context":
# 重定向到 insight_forge，因为它更强大
logger.info("get_simulation_context 已重定向到 insight_forge")
query = parameters.get("query", self.simulation_requirement)
result = self.zep_tools.get_simulation_context(
graph_id=self.graph_id,
simulation_requirement=query
)
return json.dumps(result, ensure_ascii=False, indent=2)
return self._execute_tool("insight_forge", {"query": query}, report_context)
elif tool_name == "get_entities_by_type":
entity_type = parameters.get("entity_type", "")
@@ -256,7 +337,7 @@ class ReportAgent:
return json.dumps(result, ensure_ascii=False, indent=2)
else:
return f"未知工具: {tool_name}"
return f"未知工具: {tool_name}。请使用以下工具之一: insight_forge, panorama_search, quick_search"
except Exception as e:
logger.error(f"工具执行失败: {tool_name}, 错误: {str(e)}")
@@ -473,7 +554,7 @@ class ReportAgent:
"""
logger.info(f"ReACT生成章节: {section.title}")
# 构建系统prompt
# 构建系统prompt - 优化后强调工具使用和引用原文
system_prompt = f"""你是一个专业的舆情分析报告撰写专家，正在撰写报告的一个章节。
报告标题: {outline.title}
@@ -482,53 +563,103 @@ class ReportAgent:
当前要撰写的章节: {section.title}
你可以使用以下工具来获取信息，每次最多调用{self.MAX_TOOL_CALLS_PER_SECTION}次：
═══════════════════════════════════════════════════════════════
【最重要的规则 - 必须遵守】
═══════════════════════════════════════════════════════════════
1. 【必须调用工具获取数据】
- 你正在撰写的是基于模拟结果的分析报告
- 所有内容必须来自模拟图谱中的真实数据
- 禁止使用你自己的知识来编写报告内容
- 每个章节至少调用1-3次工具获取相关信息
2. 【必须引用模拟结果原文】
- 检索到的事实原文是最有价值的内容
- 在报告中使用引用格式展示这些原文，例如：
> "原文内容..."
- 这些原文证明了模拟的真实效果
3. 【尊重模拟结果】
- 报告内容必须反映模拟中实际发生的情况
- 不要添加模拟中不存在的信息
- 如果某方面信息不足，如实说明
═══════════════════════════════════════════════════════════════
【可用检索工具】（建议每章节调用2-5次）
═══════════════════════════════════════════════════════════════
{self._get_tools_description()}
请按照以下ReACT格式进行思考和行动：
【工具使用建议】
- insight_forge: 用于深度分析，会自动分解问题并多维度检索
- panorama_search: 用于了解全貌和演变过程
- quick_search: 用于快速验证某个具体信息
Thought: [分析当前需要什么信息来撰写这个章节]
Action: [如果需要信息，调用工具]
<tool_call>
{{"name": "工具名称", "parameters": {{"参数名": "参数值"}}}}
</tool_call>
═══════════════════════════════════════════════════════════════
【ReACT工作流程】
═══════════════════════════════════════════════════════════════
当收集到足够信息后，输出：
Final Answer:
[章节的完整Markdown内容]
1. Thought: [分析需要什么信息，规划检索策略]
2. Action: [调用工具获取信息]
<tool_call>
{{"name": "工具名称", "parameters": {{"参数名": "参数值"}}}}
</tool_call>
3. Observation: [分析工具返回的结果]
4. 重复步骤1-3，直到收集到足够信息（建议2-5轮）
5. Final Answer: [基于检索结果撰写章节内容]
注意：
1. 内容要专业、客观、有深度
2. 引用具体的数据和事实
3. 保持与其他章节的逻辑连贯性
4. 使用适当的Markdown格式（列表、强调等）
5. 不要重复前面章节已经详细描述的内容"""
═══════════════════════════════════════════════════════════════
【章节内容要求】
═══════════════════════════════════════════════════════════════
# 构建用户prompt
1. 内容必须基于工具检索到的模拟数据
2. 大量引用原文来展示模拟效果
3. 使用Markdown格式：
- 使用 > 引用重要原文
- 使用 **粗体** 强调关键信息
- 使用列表组织要点
4. 保持与其他章节的逻辑连贯性
5. 不要重复前面章节已详细描述的内容"""
# 构建用户prompt - 强调必须调用工具
previous_content = "\n\n".join(previous_sections) if previous_sections else "（这是第一个章节）"
user_prompt = f"""已完成的章节内容：
user_prompt = f"""已完成的章节内容（参考以保持连贯性）：
{previous_content[:2000]}
现在请撰写章节: {section.title}
═══════════════════════════════════════════════════════════════
【当前任务】撰写章节: {section.title}
═══════════════════════════════════════════════════════════════
首先思考需要什么信息，然后调用工具获取，最后生成内容。"""
【重要提醒】
1. 开始前必须先调用工具获取模拟数据！
2. 推荐先使用 insight_forge 进行深度检索
3. 如需了解全貌可使用 panorama_search
4. 报告内容必须来自检索结果，不要使用自己的知识
请开始：
1. 首先思考（Thought）这个章节需要什么信息
2. 然后调用工具（Action）获取模拟数据
3. 收集足够信息后输出 Final Answer"""
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
]
# ReACT循环
# ReACT循环 - 优化后增加工具调用次数
tool_calls_count = 0
max_iterations = self.MAX_TOOL_CALLS_PER_SECTION + 2
max_iterations = self.MAX_TOOL_CALLS_PER_SECTION + 3 # 增加迭代次数
min_tool_calls = 2 # 最少工具调用次数
# 报告上下文，用于InsightForge的子问题生成
report_context = f"章节标题: {section.title}\n模拟需求: {self.simulation_requirement}"
for iteration in range(max_iterations):
if progress_callback:
progress_callback(
"generating",
int((iteration / max_iterations) * 100),
f"思考与行动中 ({tool_calls_count}/{self.MAX_TOOL_CALLS_PER_SECTION})"
f"深度检索与撰写中 ({tool_calls_count}/{self.MAX_TOOL_CALLS_PER_SECTION})"
)
# 调用LLM
@@ -542,21 +673,55 @@ Final Answer:
# 检查是否有最终答案
if "Final Answer:" in response:
# 如果工具调用次数不足，提醒需要更多检索
if tool_calls_count < min_tool_calls:
messages.append({"role": "assistant", "content": response})
messages.append({
"role": "user",
"content": f"""【注意】你只调用了{tool_calls_count}次工具，信息可能不够充分。
请再调用1-2次工具来获取更多模拟数据，然后再输出 Final Answer。
建议：
- 使用 insight_forge 深度检索更多细节
- 使用 panorama_search 了解事件全貌
记住：报告内容必须来自模拟结果，而不是你的知识！"""
})
continue
# 提取最终答案
final_answer = response.split("Final Answer:")[-1].strip()
logger.info(f"章节 {section.title} 生成完成")
logger.info(f"章节 {section.title} 生成完成（工具调用: {tool_calls_count}次）")
return final_answer
# 解析工具调用
tool_calls = self._parse_tool_calls(response)
if not tool_calls:
# 没有工具调用也没有最终答案，提示生成最终答案
# 没有工具调用也没有最终答案
messages.append({"role": "assistant", "content": response})
messages.append({
"role": "user",
"content": "请基于已有信息，输出 Final Answer: 并生成章节内容。"
})
if tool_calls_count < min_tool_calls:
# 还没有足够的工具调用，强烈提示需要调用工具
messages.append({
"role": "user",
"content": f"""【重要】你还没有调用足够的工具来获取模拟数据！
当前只调用了 {tool_calls_count} 次工具，至少需要 {min_tool_calls} 次。
请立即调用工具获取信息：
<tool_call>
{{"name": "insight_forge", "parameters": {{"query": "{section.title}相关的模拟结果和分析"}}}}
</tool_call>
【记住】报告内容必须100%来自模拟结果，不能使用你自己的知识！"""
})
else:
# 已有足够调用，可以生成最终答案
messages.append({
"role": "user",
"content": "你已经获取了足够的模拟数据。请基于检索到的信息，输出 Final Answer: 并撰写章节内容。\n\n【重要】内容必须大量引用检索到的原文，使用 > 格式引用。"
})
continue
# 执行工具调用
@@ -565,15 +730,29 @@ Final Answer:
if tool_calls_count >= self.MAX_TOOL_CALLS_PER_SECTION:
break
result = self._execute_tool(call["name"], call.get("parameters", {}))
tool_results.append(f"工具 {call['name']} 返回:\n{result}")
result = self._execute_tool(
call["name"],
call.get("parameters", {}),
report_context=report_context
)
tool_results.append(f"═══ 工具 {call['name']} 返回 ═══\n{result}")
tool_calls_count += 1
# 将结果添加到消息
messages.append({"role": "assistant", "content": response})
messages.append({
"role": "user",
"content": f"Observation:\n" + "\n\n".join(tool_results) + "\n\n请继续思考或输出 Final Answer:"
"content": f"""Observation（检索结果）:
{"".join(tool_results)}
═══════════════════════════════════════════════════════════════
【下一步行动】
- 如果信息充分：输出 Final Answer 并撰写章节内容（必须引用上述原文）
- 如果需要更多信息：继续调用工具检索
已调用工具 {tool_calls_count}/{self.MAX_TOOL_CALLS_PER_SECTION} 次
═══════════════════════════════════════════════════════════════"""
})
# 达到最大迭代次数，强制生成内容
@@ -833,23 +1012,52 @@ Final Answer:
system_prompt = f"""你是一个专业的舆情分析助手，负责回答关于模拟分析报告的问题。
═══════════════════════════════════════════════════════════════
【背景信息】
═══════════════════════════════════════════════════════════════
模拟需求: {self.simulation_requirement}
图谱ID: {self.graph_id}
你可以使用以下工具来获取信息：
═══════════════════════════════════════════════════════════════
【最重要的规则 - 必须遵守】
═══════════════════════════════════════════════════════════════
1. 【必须调用工具获取数据】
- 你的回答必须基于模拟图谱中的真实数据
- 禁止使用你自己的知识来回答问题
- 每次回答前至少调用1次工具获取相关信息
2. 【必须引用模拟结果原文】
- 检索到的事实原文是最有价值的内容
- 在回答中使用引用格式展示这些原文，例如：
> "原文内容..."
- 原文引用证明了答案的可靠性
3. 【尊重模拟结果】
- 回答必须反映模拟中实际发生的情况
- 不要添加模拟中不存在的信息
- 如果某方面信息不足，如实说明
═══════════════════════════════════════════════════════════════
【可用检索工具】
═══════════════════════════════════════════════════════════════
{self._get_tools_description()}
工具调用格式：
【工具调用格式】
<tool_call>
{{"name": "工具名称", "parameters": {{"参数名": "参数值"}}}}
</tool_call>
回答要求：
1. 基于事实和数据回答
2. 引用具体信息来源
3. 如果不确定，说明信息限制
4. 保持专业和客观"""
═══════════════════════════════════════════════════════════════
【回答要求】
═══════════════════════════════════════════════════════════════
1. 先调用工具获取模拟数据，再回答问题
2. 大量引用检索到的原文
3. 使用 > 格式引用重要内容
4. 如果信息不足，如实说明限制
5. 保持专业和客观"""
# 构建消息
messages = [{"role": "system", "content": system_prompt}]
@@ -858,11 +1066,18 @@ Final Answer:
for h in chat_history[-10:]: # 限制历史长度
messages.append(h)
messages.append({"role": "user", "content": message})
# 添加用户消息，强调需要先检索
messages.append({
"role": "user",
"content": f"""{message}
【提醒】请先调用工具获取模拟数据，再回答问题。推荐使用 insight_forge 进行深度检索。"""
})
# ReACT循环
# ReACT循环 - 增加迭代次数以支持更多工具调用
tool_calls_made = []
max_iterations = 3
max_iterations = self.MAX_TOOL_CALLS_PER_CHAT
min_tool_calls = 1 # 最少工具调用次数
for iteration in range(max_iterations):
response = self.llm.chat(
@@ -875,33 +1090,54 @@ Final Answer:
tool_calls = self._parse_tool_calls(response)
if not tool_calls:
# 没有工具调用，返回响应
# 清理响应中的工具调用标记
# 没有工具调用
if len(tool_calls_made) < min_tool_calls and iteration < 2:
# 还没有调用过工具，强烈提示需要先检索
messages.append({"role": "assistant", "content": response})
messages.append({
"role": "user",
"content": f"""【重要】你还没有调用工具获取模拟数据！
请先调用工具检索相关信息：
<tool_call>
{{"name": "insight_forge", "parameters": {{"query": "{message[:100]}"}}}}
</tool_call>
【记住】回答必须基于模拟结果，不能使用你自己的知识！"""
})
continue
# 已有工具调用，清理响应并返回
clean_response = re.sub(r'<tool_call>.*?</tool_call>', '', response, flags=re.DOTALL)
clean_response = re.sub(r'\[TOOL_CALL\].*?\)', '', clean_response)
return {
"response": clean_response.strip(),
"tool_calls": tool_calls_made,
"sources": []
"sources": [tc.get("parameters", {}).get("query", "") for tc in tool_calls_made]
}
# 执行工具调用
tool_results = []
for call in tool_calls:
if len(tool_calls_made) >= self.MAX_TOOL_CALLS_PER_CHAT:
break
result = self._execute_tool(call["name"], call.get("parameters", {}))
tool_results.append({
"tool": call["name"],
"result": result[:1000] # 限制长度
"result": result[:2000] # 增加结果长度限制
})
tool_calls_made.append(call)
# 将结果添加到消息
messages.append({"role": "assistant", "content": response})
observation = "工具调用结果:\n" + "\n\n".join([
f"[{r['tool']}]: {r['result']}" for r in tool_results
observation = "═══ 检索结果 ═══\n" + "\n\n".join([
f"【{r['tool']}】\n{r['result']}" for r in tool_results
])
messages.append({"role": "user", "content": observation + "\n\n请基于以上信息回答问题。"})
messages.append({
"role": "user",
"content": observation + "\n\n请基于以上模拟数据回答问题。\n【重要】请在回答中引用检索到的原文，使用 > 格式。"
})
# 达到最大迭代，获取最终响应
final_response = self.llm.chat(
@@ -910,10 +1146,14 @@ Final Answer:
max_tokens=2048
)
# 清理响应
clean_response = re.sub(r'<tool_call>.*?</tool_call>', '', final_response, flags=re.DOTALL)
clean_response = re.sub(r'\[TOOL_CALL\].*?\)', '', clean_response)
return {
"response": final_response,
"response": clean_response.strip(),
"tool_calls": tool_calls_made,
"sources": []
"sources": [tc.get("parameters", {}).get("query", "") for tc in tool_calls_made]
}