AI Agent与应用开发

# Agent 的思考轨迹（示意）：
# Thought: 我需要先查明天的天气
# Action: search_weather("北京 明天")
# Observation: 多云转晴，最高 26℃
# Thought: 天气不错，可以回答用户了
# Final Answer: 明天北京多云转晴，最高 26 度，适合出游。
print("Thought → Action → Observation 循环，直到 Final Answer")

# Function Calling：给模型一份「工具说明书」
tools = [{
    "name": "calculator",
    "description": "计算数学表达式",
    "parameters": {"expr": "算式字符串，如 12*(3+4)"},
}]
# 模型不自己算，而是输出：
model_reply = {"tool": "calculator",
               "arguments": {"expr": "12*(3+4)"}}
print("模型说：我要调工具 →", model_reply)
# 你的程序执行后把结果喂回去：
print("程序算得 84 → 模型据此回答用户")

# ReAct 循环：思考 → 行动 → 观察 → 再思考……
steps = [
    ("Thought", "用户要比价 3 家书店，我需要先查每家价格"),
    ("Action",  "search('书店A Python书 价格')"),
    ("Observation", "书店A：79 元"),
    ("Thought", "还差两家，继续查"),
    ("Action",  "search('书店B Python书 价格') → 85 元"),
    ("Final",   "最便宜：书店A 79 元"),
]
for tag, text in steps:
    print(f"[{tag}] {text}")
print("拆解 = 把大问题变成一串能一次解决的小问题")

# 像剧组一样分工：每个 Agent 一个角色
team = {
    "产品经理": "把需求写成清晰的任务卡",
    "程序员":   "写代码，只管实现",
    "测试员":   "专挑毛病，写测试用例",
    "评审":     "汇总各方意见做决定",
}
msg = [("用户", "做一个倒计时程序"), ("产品", "任务卡：输入分钟数，倒计时结束提醒"),
       ("程序员", "已交付 countdown.py v1"), ("测试", "发现：输入 0 会立即崩溃！"),
       ("评审", "程序员修复后交付 v2 ✓")]
for who, text in msg:
    print(f"{who}：{text}")

# 短期记忆 vs 长期记忆：
# 短期 = 对话历史（context 内，关窗就忘）
# 长期 = 存数据库，跨会话记得你
memory = {}                          # 演示：长期记忆库
def remember(user, fact):
    memory.setdefault(user, []).append(fact)

remember("小明", "喜欢科幻小说")
remember("小明", "Python 学到函数那章")
print("两周后小明回来……")
print("AI：欢迎回来！上次聊到函数，"
      "要不要用你喜欢的科幻题材练一练？")
print("记忆库：", memory)

# 工作流 = 触发器 + 条件分支 + 动作节点
workflow = {
    "触发": "新邮件到达",
    "节点1": "LLM 分类：重要/广告/垃圾",
    "分支": {"重要": "→ 摘要 + 发微信提醒",
             "广告": "→ 归档不通知",
             "垃圾": "→ 直接删除"},
    "兜底": "不确定 → 标记人工处理",
}
for k, v in workflow.items():
    print(f"{k}：{v}")
print("关键词：触发器 / 节点 / 条件 / 人工兜底")

from flask import Flask, request, jsonify
app = Flask(__name__)

@app.route("/api/chat", methods=["POST"])
def chat():
    data = request.get_json()
    answer = my_ai(data["message"])   # 调用你的AI
    return jsonify({"reply": answer})

app.run(port=5000)   # 别人访问 /api/chat 就能对话

# 资源 + 动词 = 清晰的接口
GET    /api/notes        # 查列表
GET    /api/notes/42     # 查一条
POST   /api/notes        # 新建
PUT    /api/notes/42     # 更新
DELETE /api/notes/42     # 删除
# 状态码：200 成功 / 400 参数错 / 404 没找到

# Dockerfile
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "app.py"]

# 构建 → 运行：
# docker build -t my-ai .
# docker run -p 5000:5000 my-ai

# 好产品三问：
questions = [
    ("谁在痛？", "目标用户 + 具体场景：谁、什么时候、多烦"),
    ("凭什么是你？", "差异点：更快/更便宜/更贴心/更垂直"),
    ("怎么留住人？", "首次体验 10 秒见效 + 越用越懂你"),
]
for q, a in questions:
    print(f"{q}\n  → {a}")
print("反面教材：『AI 版万物』——没有场景的炫技")
print("正面案例：错题拍立得——拍一拍、讲一讲、推三题")

# 复赛上机 2 小时典型节奏（分秒必争）：
plan = [
    ("0-10min", "读题 + 跑通官方 baseline"),
    ("10-40min", "数据清洗与分块调优（最容易拿分）"),
    ("40-70min", "检索优化：混合检索 + Rerank"),
    ("70-100min", "Prompt 精修：加引用、限定只用资料"),
    ("100-120min", "自测 + 提交（留足上传时间！）"),
]
for t, task in plan:
    print(f"{t}：{task}")
print("军规：每次只改一个变量，改动前先备份")