"""
ReAct vs Plan-and-Execute

    ReAct（Reasoning + Acting）: 边想边做 —— 每一步都「推理 → 行动 → 观察 → 再推理」
    适合: 简单任务，不需要提前规划
    缺点：由于缺乏全局规划，它像个"近视眼"，极易在步骤繁多的复杂任务中迷失方向，
    甚至在出错时陷入工具调用的无限死循环。


    Plan-and-Execute: 先计划再执行 —— 先制定完整计划，再逐步执行
    适合: 复杂任务，需要全局规划
    缺点：由于强依赖前期的静态规划，它显得过于笨重且延迟较高，一旦中间步骤执行出错
    或现实情况发生突变，就必须频繁重新规划，缺乏像 ReAct 那样快速、灵活的即时反应能力。


本文件演示 ReAct 模式的 Agent：
    每轮循环：LLM 推理当前状况 → 决定调用哪个工具 → 工具返回结果 → LLM 观察结果继续推理
    直到 LLM 认为问题已解决，输出最终答案。
"""

import sys
from pathlib import Path
# 将项目根目录加入 sys.path，确保能 import llm_client 和 agent_demo 等模块
path = Path(__file__).resolve().parent.parent
sys.path.insert(0, str(path))

"""企业需求：智能客服售后分析 Agent（ReAct 模式）"""

# ================================================================
# 1. 初始化大模型（LLM）
#    get_llm() 返回 ChatOpenAI 单例，自动读取 .env 中的 API Key / base_url / model
#    LLM 是 ReAct 循环中的「推理引擎」，负责理解问题 + 决定调用哪个工具
# ================================================================
from llm_client import get_llm
llm = get_llm()


# ================================================================
# 2. 加载工具（Tools）
#    ReAct 中的 "Act" 环节 —— Agent 通过调用这些工具与外部系统交互
#    - query_order:   查询订单系统（订单状态、物流等）
#    - query_product: 查询商品知识库（商品信息、价格等）
#    tools 列表会在创建 Agent 时注入，LLM 可以自主决定调用哪个
# ================================================================
from langchain.agents import create_agent
from agent_demo.React_tool import query_order, query_product

tools = [query_order, query_product]


# ================================================================
# 3. 系统提示词（System Prompt）
#    定义 Agent 的角色、行为规范和输出要求
#    这段 prompt 会作为 SystemMessage 拼接在每轮 LLM 调用的最前面
#    ReAct 的 "Reasoning" 质量很大程度上取决于 prompt 写得是否清晰
# ================================================================
prompt = """你是企业售后智能客服Agent。

你的任务：

1. 理解用户问题
2. 判断是否需要调用工具
3. 获取业务数据
4. 根据结果分析
5. 给出准确解决方案

你不能编造订单信息。
如果缺少信息，需要主动询问。
"""


# ================================================================
# 4. 创建 ReAct Agent
#    create_agent 内部封装了完整的 ReAct 循环：
#
#    ┌──────────┐    有工具调用     ┌──────────┐
#    │   LLM    │ ───────────────→ │  工具执行  │
#    │  (推理)   │ ←─────────────── │  (行动)   │
#    └──────────┘   返回观察结果    └──────────┘
#         │
#         │ 无工具调用，直接输出
#         ↓
#    最终答案
#
#    参数说明：
#    - llm:         负责推理的 LLM
#    - tools:         可调用的工具列表（ReAct 中的 Action 来源）
#    - system_prompt: 系统提示词，定义 Agent 的角色和行为规范
# ================================================================
agent = create_agent(
    llm,  
    tools,
    system_prompt=prompt,
)


# ================================================================
# 5. 运行 Agent
#    agent.invoke() 启动 ReAct 循环，输入 messages 列表
#    返回的 result['messages'] 包含完整的对话历史：
#      HumanMessage  → 用户输入
#      AIMessage     → LLM 推理（可能包含 tool_calls）
#      ToolMessage   → 工具执行结果
#      ...（重复上述过程直到 LLM 输出最终答案）
#      AIMessage     → 最终回答（不含 tool_calls）
# ================================================================
if __name__ == '__main__':
    # 用户问题：查询订单 10001 的状态
    result = agent.invoke(
        {"messages": [("user", "我的订单10001为什么还没有收到？")]}
    )
    # 取最后一条消息的 content 作为最终回答
    print(f"\n最终回答：{result['messages'][-1].content}")