diff --git a/backend/app/services/report_agent.py b/backend/app/services/report_agent.py index 9af2ce6..e9cffc3 100644 --- a/backend/app/services/report_agent.py +++ b/backend/app/services/report_agent.py @@ -248,28 +248,31 @@ class ReportAgent: }, "interview_agents": { "name": "interview_agents", - "description": """【深度采访 - 多视角观点采集】 -采访模拟中的Agent角色，获取来自不同视角的深度观点。这是获取模拟结果中各方声音的最佳方式！ + "description": """【深度采访 - 真实Agent采访（双平台）】 +调用OASIS模拟环境的采访API，对正在运行的模拟Agent进行真实采访！ +这不是LLM模拟，而是调用真实的采访接口获取模拟Agent的原始回答。 +默认在Twitter和Reddit两个平台同时采访，获取更全面的观点。 功能流程： 1. 自动读取人设文件，了解所有模拟Agent 2. 智能选择与采访主题最相关的Agent（如学生、媒体、官方等） -3. 模拟采访每个选中的Agent，获取符合其人设的回答 -4. 整合所有采访结果，提供多视角分析 +3. 自动生成采访问题 +4. 调用 /api/simulation/interview/batch 接口在双平台进行真实采访 +5. 整合所有采访结果，提供多视角分析 【使用场景】 - 需要从不同角色视角了解事件看法（学生怎么看？媒体怎么看？官方怎么说？） - 需要收集多方意见和立场 -- 需要获取模拟Agent的直接引言和观点 +- 需要获取模拟Agent的真实回答（来自OASIS模拟环境） - 想让报告更生动，包含"采访实录" 【返回内容】 - 被采访Agent的身份信息 -- 各Agent的采访回答（符合其人设的原创内容） +- 各Agent在Twitter和Reddit两个平台的采访回答 - 关键引言（可直接引用） - 采访摘要和观点对比 -【重要】这是获取模拟Agent"真实声音"的唯一方式！""", +【重要】需要OASIS模拟环境正在运行才能使用此功能！""", "parameters": { "interview_topic": "采访主题或需求描述（如：'了解学生对宿舍甲醛事件的看法'）", "max_agents": "最多采访的Agent数量（可选，默认5）" @@ -334,7 +337,7 @@ class ReportAgent: return result.to_text() elif tool_name == "interview_agents": - # 深度采访 - 采访模拟Agent获取多视角观点 + # 深度采访 - 调用真实的OASIS采访API获取模拟Agent的回答（双平台） interview_topic = parameters.get("interview_topic", parameters.get("query", "")) max_agents = parameters.get("max_agents", 5) if isinstance(max_agents, str): diff --git a/backend/app/services/zep_tools.py b/backend/app/services/zep_tools.py index e5e6867..60ef308 100644 --- a/backend/app/services/zep_tools.py +++ b/backend/app/services/zep_tools.py @@ -1256,19 +1256,22 @@ class ZepToolsService: """ 【InterviewAgents - 深度采访】 - 采访模拟中的Agent，获取多视角的深度观点： + 调用真实的OASIS采访API，采访模拟中正在运行的Agent： 1. 自动读取人设文件，了解所有模拟Agent 2. 使用LLM分析采访需求，智能选择最相关的Agent - 3. 模拟采访每个选中的Agent，获取符合其人设的回答 - 4. 整合所有采访结果，生成采访报告 + 3. 使用LLM生成采访问题 + 4. 调用 /api/simulation/interview/batch 接口进行真实采访（双平台同时采访） + 5. 整合所有采访结果，生成采访报告 + + 【重要】此功能需要模拟环境处于运行状态（OASIS环境未关闭） 【使用场景】 - 需要从不同角色视角了解事件看法 - 需要收集多方意见和观点 - - 需要模拟真实采访获取第一手资料 + - 需要获取模拟Agent的真实回答（非LLM模拟） Args: - simulation_id: 模拟ID（用于定位人设文件） + simulation_id: 模拟ID（用于定位人设文件和调用采访API） interview_requirement: 采访需求描述（非结构化，如"了解学生对事件的看法"） simulation_requirement: 模拟需求背景（可选） max_agents: 最多采访的Agent数量 @@ -1277,8 +1280,9 @@ class ZepToolsService: Returns: InterviewResult: 采访结果 """ - import os - logger.info(f"InterviewAgents 深度采访: {interview_requirement[:50]}...") + from .simulation_runner import SimulationRunner + + logger.info(f"InterviewAgents 深度采访（真实API）: {interview_requirement[:50]}...") result = InterviewResult( interview_topic=interview_requirement, @@ -1296,8 +1300,8 @@ class ZepToolsService: result.total_agents = len(profiles) logger.info(f"加载到 {len(profiles)} 个Agent人设") - # Step 2: 使用LLM选择要采访的Agent - selected_agents, selection_reasoning = self._select_agents_for_interview( + # Step 2: 使用LLM选择要采访的Agent（返回agent_id列表） + selected_agents, selected_indices, selection_reasoning = self._select_agents_for_interview( profiles=profiles, interview_requirement=interview_requirement, simulation_requirement=simulation_requirement, @@ -1306,7 +1310,7 @@ class ZepToolsService: result.selected_agents = selected_agents result.selection_reasoning = selection_reasoning - logger.info(f"选择了 {len(selected_agents)} 个Agent进行采访") + logger.info(f"选择了 {len(selected_agents)} 个Agent进行采访: {selected_indices}") # Step 3: 生成采访问题（如果没有提供） if not result.interview_questions: @@ -1317,25 +1321,113 @@ class ZepToolsService: ) logger.info(f"生成了 {len(result.interview_questions)} 个采访问题") - # Step 4: 对每个选中的Agent进行采访 - for agent in selected_agents: - interview = self._conduct_interview( - agent=agent, - questions=result.interview_questions, - interview_requirement=interview_requirement, - simulation_requirement=simulation_requirement + # 将问题合并为一个采访prompt + combined_prompt = "\n".join([f"{i+1}. {q}" for i, q in enumerate(result.interview_questions)]) + + # 添加优化前缀，避免Agent调用工具而直接回复文本 + INTERVIEW_PROMPT_PREFIX = "结合你的人设、所有的过往记忆与行动，不调用任何工具直接用文本回复我：" + optimized_prompt = f"{INTERVIEW_PROMPT_PREFIX}{combined_prompt}" + + # Step 4: 调用真实的采访API（不指定platform，默认双平台同时采访） + try: + # 构建批量采访列表（不指定platform，双平台采访） + interviews_request = [] + for agent_idx in selected_indices: + interviews_request.append({ + "agent_id": agent_idx, + "prompt": optimized_prompt # 使用优化后的prompt + # 不指定platform，API会在twitter和reddit两个平台都采访 + }) + + logger.info(f"调用批量采访API（双平台）: {len(interviews_request)} 个Agent") + + # 调用 SimulationRunner 的批量采访方法（不传platform，双平台采访） + api_result = SimulationRunner.interview_agents_batch( + simulation_id=simulation_id, + interviews=interviews_request, + platform=None, # 不指定platform，双平台采访 + timeout=180.0 # 双平台需要更长超时 ) - result.interviews.append(interview) + + logger.info(f"采访API返回: {api_result.get('interviews_count', 0)} 个结果, success={api_result.get('success')}") + + # 检查API调用是否成功 + if not api_result.get("success", False): + error_msg = api_result.get("error", "未知错误") + logger.warning(f"采访API返回失败: {error_msg}") + result.summary = f"采访API调用失败：{error_msg}。请检查OASIS模拟环境状态。" + return result + + # Step 5: 解析API返回结果，构建AgentInterview对象 + # 双平台模式返回格式: {"twitter_0": {...}, "reddit_0": {...}, "twitter_1": {...}, ...} + api_data = api_result.get("result", {}) + results_dict = api_data.get("results", {}) if isinstance(api_data, dict) else {} + + for i, agent_idx in enumerate(selected_indices): + agent = selected_agents[i] + agent_name = agent.get("realname", agent.get("username", f"Agent_{agent_idx}")) + agent_role = agent.get("profession", "未知") + agent_bio = agent.get("bio", "") + + # 获取该Agent在两个平台的采访结果 + twitter_result = results_dict.get(f"twitter_{agent_idx}", {}) + reddit_result = results_dict.get(f"reddit_{agent_idx}", {}) + + twitter_response = twitter_result.get("response", "") + reddit_response = reddit_result.get("response", "") + + # 合并两个平台的回答 + response_parts = [] + if twitter_response: + response_parts.append(f"【Twitter平台回答】\n{twitter_response}") + if reddit_response: + response_parts.append(f"【Reddit平台回答】\n{reddit_response}") + + if response_parts: + response_text = "\n\n".join(response_parts) + else: + response_text = "[无回复]" + + # 提取关键引言（从两个平台的回答中） + import re + combined_responses = f"{twitter_response} {reddit_response}" + key_quotes = re.findall(r'[""「」『』]([^""「」『』]{10,100})[""「」『』]', combined_responses) + if not key_quotes: + sentences = combined_responses.split('。') + key_quotes = [s.strip() + '。' for s in sentences if len(s.strip()) > 20][:3] + + interview = AgentInterview( + agent_name=agent_name, + agent_role=agent_role, + agent_bio=agent_bio[:150], + question=combined_prompt, + response=response_text, + key_quotes=key_quotes[:5] + ) + result.interviews.append(interview) + + result.interviewed_count = len(result.interviews) + + except ValueError as e: + # 模拟环境未运行 + logger.warning(f"采访API调用失败（环境未运行？）: {e}") + result.summary = f"采访失败：{str(e)}。模拟环境可能已关闭，请确保OASIS环境正在运行。" + return result + except Exception as e: + logger.error(f"采访API调用异常: {e}") + import traceback + logger.error(traceback.format_exc()) + result.summary = f"采访过程发生错误：{str(e)}" + return result - result.interviewed_count = len(result.interviews) + # Step 6: 生成采访摘要 + if result.interviews: + result.summary = self._generate_interview_summary( + interviews=result.interviews, + interview_requirement=interview_requirement + ) - # Step 5: 生成采访摘要 - result.summary = self._generate_interview_summary( - interviews=result.interviews, - interview_requirement=interview_requirement - ) - - logger.info(f"InterviewAgents完成: 采访了 {result.interviewed_count} 个Agent") + logger.info(f"InterviewAgents完成: 采访了 {result.interviewed_count} 个Agent（双平台）") return result def _load_agent_profiles(self, simulation_id: str) -> List[Dict[str, Any]]: @@ -1391,7 +1483,15 @@ class ZepToolsService: simulation_requirement: str, max_agents: int ) -> tuple: - """使用LLM选择要采访的Agent""" + """ + 使用LLM选择要采访的Agent + + Returns: + tuple: (selected_agents, selected_indices, reasoning) + - selected_agents: 选中Agent的完整信息列表 + - selected_indices: 选中Agent的索引列表（用于API调用） + - reasoning: 选择理由 + """ # 构建Agent摘要列表 agent_summaries = [] @@ -1444,17 +1544,20 @@ class ZepToolsService: # 获取选中的Agent完整信息 selected_agents = [] + valid_indices = [] for idx in selected_indices: if 0 <= idx < len(profiles): selected_agents.append(profiles[idx]) + valid_indices.append(idx) - return selected_agents, reasoning + return selected_agents, valid_indices, reasoning except Exception as e: logger.warning(f"LLM选择Agent失败，使用默认选择: {e}") - # 降级：随机选择前N个 + # 降级：选择前N个 selected = profiles[:max_agents] - return selected, "使用默认选择策略" + indices = list(range(min(max_agents, len(profiles)))) + return selected, indices, "使用默认选择策略" def _generate_interview_questions( self, @@ -1503,83 +1606,6 @@ class ZepToolsService: "您认为应该如何解决或改进这个问题？" ] - def _conduct_interview( - self, - agent: Dict[str, Any], - questions: List[str], - interview_requirement: str, - simulation_requirement: str - ) -> AgentInterview: - """模拟采访单个Agent""" - - agent_name = agent.get("realname", agent.get("username", "未知")) - agent_role = agent.get("profession", "未知") - agent_bio = agent.get("bio", "") - agent_persona = agent.get("persona", agent_bio) - - # 将多个问题合并为一次采访 - questions_text = "\n".join([f"{i+1}. {q}" for i, q in enumerate(questions)]) - - system_prompt = f"""你现在扮演以下角色进行采访： - -【角色名称】{agent_name} -【角色身份】{agent_role} -【角色简介】{agent_bio} -【详细人设】 -{agent_persona[:2000]} - -【重要】 -1. 你必须完全代入这个角色，用第一人称回答 -2. 你的回答必须符合角色的身份、立场、性格和说话风格 -3. 引用角色人设中的具体观点和经历 -4. 语言风格要符合角色特征（如：学生更随性，官方更正式） -5. 表达真实的情感和态度""" - - user_prompt = f"""采访背景：{simulation_requirement if simulation_requirement else interview_requirement} - -记者提问： -{questions_text} - -请以【{agent_name}】的身份回答以上问题。回答要体现角色的独特视角和立场。""" - - try: - response = self.llm.chat( - messages=[ - {"role": "system", "content": system_prompt}, - {"role": "user", "content": user_prompt} - ], - temperature=0.7, - max_tokens=2000 - ) - - # 提取关键引言（包含引号的句子） - import re - key_quotes = re.findall(r'[""「」『』]([^""「」『』]{10,100})[""「」『』]', response) - if not key_quotes: - # 提取有力的陈述句 - sentences = response.split('。') - key_quotes = [s.strip() + '。' for s in sentences if len(s.strip()) > 20][:3] - - return AgentInterview( - agent_name=agent_name, - agent_role=agent_role, - agent_bio=agent_bio[:150], - question=questions_text, - response=response, - key_quotes=key_quotes[:5] - ) - - except Exception as e: - logger.error(f"采访 {agent_name} 失败: {e}") - return AgentInterview( - agent_name=agent_name, - agent_role=agent_role, - agent_bio=agent_bio[:150], - question=questions_text, - response=f"[采访失败: {str(e)}]", - key_quotes=[] - ) - def _generate_interview_summary( self, interviews: List[AgentInterview], @@ -1602,7 +1628,7 @@ class ZepToolsService: 2. 指出观点的共识和分歧 3. 突出有价值的引言 4. 客观中立，不偏袒任何一方 -5. 控制在300-500字""" +5. 控制在1000字内""" user_prompt = f"""采访主题：{interview_requirement}