import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_core.tools import Tool
import datetime

# 加載環(huán)境變量
load_dotenv()
os.environ["OPENAI_API_KEY"] = "sk-某寶35塊apikey"
api_key = os.getenv('OPENAI_API_KEY')

# ========== 1. 初始化 LLM（大語言模型） ==========
# LangChain 特點(diǎn)：統(tǒng)一的 LLM 接口，支持多種模型提供商
llm = ChatOpenAI(
    base_url="https://api.openai.com/v1",
    api_key=api_key,
    model="gpt-4o",
    temperature=0.7  # LangChain 特點(diǎn)：統(tǒng)一的參數(shù)配置
)

# ========== 2. LLMChain：Prompt → LLM → 輸出鏈的基本流程封裝 ==========
def demo_llm_chain():
    """
    演示 LLMChain：支持變量注入與模板復(fù)用的核心組件
    LangChain 特點(diǎn)：模板化提示詞管理，支持變量替換
    """
    print("=" * 50)
    print("?? LLMChain 演示：Prompt → LLM → 輸出鏈")
    print("=" * 50)
    
    # 創(chuàng)建提示詞模板 - LangChain 特點(diǎn)：模板復(fù)用
    prompt_template = PromptTemplate(
        input_variables=["topic", "style"],
        template="""
        請以{style}的風(fēng)格，寫一段關(guān)于{topic}的介紹。
        要求：簡潔明了，不超過100字。
        """
    )
    
    # LangChain 0.3 推薦使用 LCEL (LangChain Expression Language)
    # 這是新的鏈?zhǔn)浇M合方式：prompt | llm
    chain = prompt_template | llm
    
    # 執(zhí)行鏈 - 變量注入
    result = chain.invoke({"topic": "人工智能", "style": "科普"})
    print(f"?? LLMChain 輸出：\n{result.content}\n")
    
    return result.content

# ========== 3. Tools：工具系統(tǒng) ==========
def get_current_time(query: str) -> str:
    """獲取當(dāng)前時(shí)間的工具函數(shù)"""
    return f"當(dāng)前時(shí)間是：{datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"

def calculate_simple(expression: str) -> str:
    """簡單計(jì)算器工具"""
    try:
        # 安全的數(shù)學(xué)表達(dá)式計(jì)算
        allowed_chars = set('0123456789+-*/.() ')
        if all(c in allowed_chars for c in expression):
            result = eval(expression)
            return f"計(jì)算結(jié)果：{expression} = {result}"
        else:
            return "錯(cuò)誤：包含不允許的字符"
    except Exception as e:
        return f"計(jì)算錯(cuò)誤：{str(e)}"

# LangChain 特點(diǎn)：統(tǒng)一的工具接口定義
tools = [
    Tool(
        name="get_time",
        func=get_current_time,
        description="獲取當(dāng)前的日期和時(shí)間信息"
    ),
    Tool(
        name="calculator",
        func=calculate_simple,
        description="執(zhí)行簡單的數(shù)學(xué)計(jì)算，如加減乘除運(yùn)算"
    )
]

def demo_tools():
    """演示 Tools 工具系統(tǒng)"""
    print("=" * 50)
    print("??? Tools 演示：工具系統(tǒng)")
    print("=" * 50)
    
    for tool in tools:
        print(f"工具名稱：{tool.name}")
        print(f"工具描述：{tool.description}")
        
        # 測試工具
        if tool.name == "get_time":
            result = tool.run("現(xiàn)在幾點(diǎn)了？")
        else:
            result = tool.run("10 + 5 * 2")
        
        print(f"工具輸出：{result}\n")

# ========== 4. 簡化版 Agents：手動(dòng)工具選擇演示 ==========
def demo_simple_agents():
    """
    演示簡化版 Agents：手動(dòng)工具選擇和執(zhí)行
    LangChain 特點(diǎn)：工具集成和智能選擇（這里用簡化版演示概念）
    """
    print("=" * 50)
    print("?? 簡化版 Agents 演示：工具選擇與執(zhí)行")
    print("=" * 50)
    
    # 創(chuàng)建工具選擇提示詞
    tool_selection_prompt = ChatPromptTemplate.from_messages([
        ("system", """你是一個(gè)智能助手，可以使用以下工具：
        1. get_time - 獲取當(dāng)前時(shí)間
        2. calculator - 執(zhí)行數(shù)學(xué)計(jì)算
        
        請分析用戶問題，選擇合適的工具并說明原因。
        只回答工具名稱和原因，格式：工具名稱|原因"""),
        ("human", "{question}")
    ])
    
    tool_chain = tool_selection_prompt | llm
    
    test_questions = [
        "現(xiàn)在幾點(diǎn)了？",
        "幫我計(jì)算 15 * 8 + 20",
        "今天是什么日期？"
    ]
    
    for question in test_questions:
        print(f"?? 用戶問題：{question}")
        
        # 1. 工具選擇
        selection_result = tool_chain.invoke({"question": question})
        print(f"?? 工具選擇：{selection_result.content}")
        
        # 2. 執(zhí)行工具（簡化版手動(dòng)執(zhí)行）
        if "get_time" in selection_result.content.lower():
            result = get_current_time(question)
        elif "calculator" in selection_result.content.lower():
            # 提取數(shù)學(xué)表達(dá)式（簡化處理）
            if "15 * 8 + 20" in question:
                result = calculate_simple("15 * 8 + 20")
            else:
                result = "需要具體的數(shù)學(xué)表達(dá)式"
        else:
            result = "未找到合適的工具"
        
        print(f"??? 工具執(zhí)行結(jié)果：{result}\n")

def main():
    """主函數(shù)：依次演示各個(gè)核心組件"""
    print("?? LangChain 0.3 核心組件實(shí)戰(zhàn)演示")
    print("基于 OpenAI API 的完整示例（兼容版本）\n")
    
    try:
        # 1. LLMChain 演示（使用 LCEL）
        demo_llm_chain()
        
        # 2. Tools 演示
        demo_tools()
        
        # 3. 簡化版 Agents tools演示
        demo_simple_agents()
        
        print("? 所有演示完成！")
        
    except Exception as e:
        print(f"? 演示過程中出現(xiàn)錯(cuò)誤：{str(e)}")
        print("請檢查 API 密鑰和網(wǎng)絡(luò)連接")

if __name__ == "__main__":
    main()

conversations = [
        "我叫Michael，今年85歲",
        "我喜歡編程和閱讀",
        "你還記得我的名字嗎？",
        "我的愛好是什么？"
    ]

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_core.tools import Tool
import datetime

# 加載環(huán)境變量
load_dotenv()
os.environ["OPENAI_API_KEY"] = "sk-某寶35塊apikey"
api_key = os.getenv('OPENAI_API_KEY')

# ========== 1. 初始化 LLM（大語言模型） ==========
# LangChain 特點(diǎn)：統(tǒng)一的 LLM 接口，支持多種模型提供商
llm = ChatOpenAI(
    base_url="https://api.openai.com/v1",
    api_key=api_key,
    model="gpt-4o",
    temperature=0.7  # LangChain 特點(diǎn)：統(tǒng)一的參數(shù)配置
)


# ========== 5. Memory：記憶系統(tǒng) ==========
def demo_memory():
    """
    演示 Memory：對話記憶管理
    LangChain 特點(diǎn)：自動(dòng)管理對話歷史
    """
    print("=" * 50)
    print("?? Memory 演示：記憶系統(tǒng)")
    print("=" * 50)
    
    # 使用簡化的記憶管理方式
    conversation_history = []
    
    # 創(chuàng)建帶記憶的對話提示詞
    memory_prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一個(gè)友好的助手，能夠記住之前的對話內(nèi)容。以下是對話歷史：{history}"),
        ("human", "{input}")
    ])
    
    memory_chain = memory_prompt | llm
    
    # 模擬多輪對話
    conversations = [
        "我叫Michael，今年85歲",
        "我喜歡編程和閱讀",
        "你還記得我的名字嗎？",
        "我的愛好是什么？"
    ]
    
    for i, user_input in enumerate(conversations, 1):
        print(f"?? 第{i}輪對話：{user_input}")
        
        # 構(gòu)建歷史記錄字符串
        history_str = "\n".join([f"用戶: {h['user']}\n助手: {h['assistant']}" for h in conversation_history])
        
        # 獲取回復(fù)
        response = memory_chain.invoke({
            "history": history_str,
            "input": user_input
        })
        
        print(f"?? 助手回復(fù)：{response.content}\n")
        
        # 更新對話歷史
        conversation_history.append({
            "user": user_input,
            "assistant": response.content
        })
        
        # 顯示當(dāng)前記憶內(nèi)容
        print(f"?? 當(dāng)前記憶：{len(conversation_history)} 輪對話")
        print(f"?? 記憶內(nèi)容：{conversation_history}")
        print("-" * 30)

def main():
    try:

        # Memory 演示
        demo_memory()

        print("? 所有演示完成！")
        
    except Exception as e:
        print(f"? 演示過程中出現(xiàn)錯(cuò)誤：{str(e)}")
        print("請檢查 API 密鑰和網(wǎng)絡(luò)連接")

if __name__ == "__main__":
    main()

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_core.tools import Tool
import json

# 加載環(huán)境變量
load_dotenv()
os.environ["OPENAI_API_KEY"] = "sk-淘寶key"
api_key = os.getenv('OPENAI_API_KEY')

# ========== 1. 初始化 LLM（大語言模型） ==========
# LangChain 特點(diǎn)：統(tǒng)一的 LLM 接口，支持多種模型提供商
llm = ChatOpenAI(
    base_url="https://api.openai.com/v1",
    api_key=api_key,
    model="gpt-4o",
    temperature=0.7  # LangChain 特點(diǎn)：統(tǒng)一的參數(shù)配置
)



# 以下是具體的子任務(wù)方法
def research_destination():
    print("進(jìn)行目的地研究 - 收集當(dāng)?shù)匚幕?、天氣和景點(diǎn)信息")

def book_transportation():
    print("預(yù)訂交通工具 - 選擇航班和當(dāng)?shù)亟煌ǚ绞?)

def reserve_accommodation():
    print("安排住宿 - 根據(jù)預(yù)算選擇酒店或民宿")

def plan_activities():
    print("規(guī)劃每日活動(dòng) - 創(chuàng)建景點(diǎn)游覽和餐飲計(jì)劃")

def prepare_documents():
    print("準(zhǔn)備旅行文件 - 檢查簽證、打印預(yù)訂確認(rèn)單")

def pack_luggage():
    print("整理行李 - 根據(jù)天氣準(zhǔn)備衣物和必需品")

def confirm_arrival():
    print("確認(rèn)抵達(dá)安排 - 聯(lián)系接機(jī)服務(wù)和酒店")

def calculator():
    print(12*25)

# LangChain 特點(diǎn)：統(tǒng)一的工具接口定義
tools = [
    Tool(
        name="research_destination",
        func=research_destination,
        description="進(jìn)行目的地研究 - 收集當(dāng)?shù)匚幕?、天氣和景點(diǎn)信息"
    ),
    Tool(
        name="book_transportation",
        func=book_transportation,
        description="預(yù)訂交通工具 - 選擇航班和當(dāng)?shù)亟煌ǚ绞?
    ),
    Tool(
        name="reserve_accommodation",
        func=reserve_accommodation,
        description="安排住宿 - 根據(jù)預(yù)算選擇酒店或民宿"
    ),
    Tool(
        name="plan_activities",
        func=book_transportation,
        description="規(guī)劃每日活動(dòng) - 創(chuàng)建景點(diǎn)游覽和餐飲計(jì)劃"
    ),
    Tool(
        name="prepare_documents",
        func=prepare_documents,
        description="準(zhǔn)備旅行文件 - 檢查簽證、打印預(yù)訂確認(rèn)單"
    ),
    Tool(
        name="pack_luggage",
        func=pack_luggage,
        description="整理行李 - 根據(jù)天氣準(zhǔn)備衣物和必需品"
    ),
    Tool(
        name="calculator",
        func=calculator,
        description="執(zhí)行簡單的數(shù)學(xué)計(jì)算，如加減乘除運(yùn)算"
    ),
    Tool(
        name="confirm_arrival",
        func=confirm_arrival,
        description="確認(rèn)抵達(dá)安排 - 聯(lián)系接機(jī)服務(wù)和酒店"
    )
]
def explain_and_process(json_data):
    """
    解釋并處理旅行計(jì)劃JSON數(shù)據(jù)

    參數(shù):
    json_data -- 包含旅行計(jì)劃步驟的JSON字符串

    返回:
    處理后的計(jì)劃步驟列表
    """
    # 1. 解析JSON數(shù)據(jù)
    try:
        plan_data = json.loads(json_data)
        print("? JSON解析成功！數(shù)據(jù)結(jié)構(gòu)驗(yàn)證通過")
    except json.JSONDecodeError as e:
        print(f"? JSON解析錯(cuò)誤: {str(e)}")
        return None

    # 2. 解釋數(shù)據(jù)結(jié)構(gòu)
    print("\n?? JSON結(jié)構(gòu)分析:")
    print(f"- 頂層對象包含 {len(plan_data)} 個(gè)鍵: {list(plan_data.keys())}")
    print(f"- 'steps' 鍵包含 {len(plan_data['steps'])} 個(gè)步驟")

    # 3. 提取并處理步驟數(shù)據(jù)
    steps = []
    print("\n?? 計(jì)劃步驟詳情:")
    for step in plan_data["steps"]:
        # 驗(yàn)證必要字段
        if "id" not in step or "description" not in step:
            print(f"?? 警告: 步驟缺少必要字段 - {step}")
            continue

        # 創(chuàng)建步驟對象
        step_obj = {
            "id": step["id"],
            "description": step["description"],
            "status": "pending"  # 添加執(zhí)行狀態(tài)
        }
        steps.append(step_obj)

        # 打印步驟信息
        print(f"步驟 {step['id']}: {step['description']}")

        if "research_destination" in step['description'].lower():
            research_destination()
        elif "book_transportation" in step['description'].lower():
            book_transportation()
        elif "reserve_accommodation" in step['description'].lower():
            reserve_accommodation()
        elif "plan_activities" in step['description'].lower():
            plan_activities()
        elif "prepare_documents" in step['description'].lower():
            prepare_documents()
        elif "pack_luggage" in step['description'].lower():
            pack_luggage()
        elif "calculator" in step['description'].lower():
            calculator()
        elif "confirm_arrival" in step['description'].lower():
            confirm_arrival()

    # 4. 添加額外信息
    print("\n? 處理后的數(shù)據(jù)結(jié)構(gòu):")
    print(f"- 總步驟數(shù): {len(steps)}")
    print(f"- 首個(gè)步驟: {steps[0]['description']}")
    print(f"- 最后步驟: {steps[-1]['description']}")

    return steps

def plan_agents():
    """
    演示簡化版 Agents：手動(dòng)工具選擇和執(zhí)行
    LangChain 特點(diǎn)：工具集成和智能選擇（這里用簡化版演示概念）
    """
    print("=" * 50)
    print("?? 簡化版 Agents 演示：計(jì)劃選擇與執(zhí)行")
    print("=" * 50)

    # 創(chuàng)建工具選擇提示詞
    tool_selection_prompt = ChatPromptTemplate.from_messages([
        ("system", """你是一個(gè)專業(yè)任務(wù)規(guī)劃AI。請將以下任務(wù)分解為5-7個(gè)有序的關(guān)鍵步驟。
        輸出要求:
        1. 只輸出JSON格式，而且JSON格式要正確
        2. JSON內(nèi)容包含一個(gè)"steps"數(shù)組，每個(gè)步驟是一個(gè)對象，包含"id"(數(shù)字序號)和"description"(用到的步驟，如research_destination)
        3. 確保步驟間有邏輯順序和依賴關(guān)系
        可以用到的步驟：
        1. research_destination - 進(jìn)行目的地研究 - 收集當(dāng)?shù)匚幕?、天氣和景點(diǎn)信息
        2. book_transportation - 預(yù)訂交通工具 - 選擇航班和當(dāng)?shù)亟煌ǚ绞?
        3. reserve_accommodation - 安排住宿 - 根據(jù)預(yù)算選擇酒店或民宿
        4. plan_activities - 規(guī)劃每日活動(dòng) - 創(chuàng)建景點(diǎn)游覽和餐飲計(jì)劃
        5. prepare_documents - 準(zhǔn)備旅行文件 - 檢查簽證、打印預(yù)訂確認(rèn)單
        6. pack_luggage - 整理行李 - 根據(jù)天氣準(zhǔn)備衣物和必需品
        7. calculator - 執(zhí)行數(shù)學(xué)計(jì)算
        8. confirm_arrival - 確認(rèn)抵達(dá)安排 - 聯(lián)系接機(jī)服務(wù)和酒店
        """),
        ("human", "{question}")
    ])

    tool_chain = tool_selection_prompt | llm

    question = '我要去日本東京，幫我安排行程。'
    print(f"?? 用戶問題：{question}")

    # 1. 工具選擇
    selection_result = tool_chain.invoke({"question": question})
    response_json = selection_result.content.replace('json','').replace('```','')
    print(f"?? 返回json：{response_json}")
    explain_and_process(response_json)

def main():
    try:

        print("=== AI旅行規(guī)劃Agent演示 ===")

        plan_agents()

        print("? 所有演示完成！")
        
    except Exception as e:
        print(f"? 演示過程中出現(xiàn)錯(cuò)誤：{str(e)}")
        print("請檢查 API 密鑰和網(wǎng)絡(luò)連接")

if __name__ == "__main__":
    main()