CourseDesign/src/agent_app.py

import os
import sys
import asyncio
from typing import Any, List

sys.path.append(os.getcwd())

from pydantic import BaseModel, Field
from pydantic_ai import Agent, RunContext
from dotenv import load_dotenv

from src.infer import predict_pass_prob, explain_prediction

load_dotenv()

# --- 1. 定义结构化输出 (Level 1 Requirement) ---
class ActionItem(BaseModel):
    action: str = Field(description="具体的行动建议")
    priority: str = Field(description="优先级 (高/中/低)")

class StudyGuidance(BaseModel):
    pass_probability: float = Field(description="预测通过率 (0-1)")
    risk_assessment: str = Field(description="风险评估 (自然语言描述)")
    key_drivers: str = Field(description="导致该预测结果的主要因素 (来自模型解释)")
    action_plan: List[ActionItem] = Field(description="3-5条建议清单")

# --- 2. 初始化 Agent ---
# 必须强调：不要编造事实，必须基于工具返回的数据。
agent = Agent(
    "deepseek:deepseek-chat",
    output_type=StudyGuidance,
    system_prompt=(
        "你是一个极其严谨的学业数据分析师。"
        "你的任务是根据学生的具体情况预测其考试通过率，并给出建议。"
        "【重要规则】"
        "1. 必须先调用 `predict_student` 获取概率。"
        "2. 必须调用 `explain_model` 获取模型认为最重要的特征，并在 `key_drivers` 中引用这些特征。"
        "3. 你的建议必须针对那些最重要的特征（例如，如果模型说睡眠很重要，就给睡眠建议）。"
        "4. 严禁凭空编造数值。"
    ),
)

# --- 2.1 定义 Counselor Agent ---
counselor_agent = Agent(
    "deepseek:deepseek-chat",
    system_prompt=(
        "你是一位富有同理心且专业的大学心理咨询师。"
        "你的目标是倾听学生的学业压力和生活烦恼，提供情感支持，并根据需要给出建议。"
        "【交互风格】"
        "1. 同理心：首先通过复述或确认学生的感受来表达理解（例如：“听起来你最近压力真的很大...”）。"
        "2. 引导性：不要急于给出解决方案，先通过提问了解更多背景。"
        "3. 数据驱动（可选）：如果学生询问具体通过率或客观分析，请调用 `predict_student_tool` 或 `explain_model_tool`。"
        "4. 语气：温暖、支持、专业，但像朋友一样交谈。"
        "【工具使用】"
        "如果学生提供了具体的学习时长、睡眠等数据，或者明确询问预测结果，请使用工具。"
        "不要在每一句话里都引用数据，只在通过率相关的话题中使用。"
    ),
)

# --- 3. 注册工具 (Level 1 Requirement: 至少2个工具) ---

@agent.tool
def predict_student(ctx: RunContext[Any], 
                   study_hours: float, 
                   sleep_hours: float, 
                   attendance_rate: float,
                   stress_level: int,
                   study_type: str) -> float:
    """
    根据学生行为预测通过率。
    
    Args:
        study_hours: 每周学习小时数 (0-20)
        sleep_hours: 每天睡眠小时数 (0-12)
        attendance_rate: 出勤率 (0.0-1.0)
        stress_level: 压力等级 1(低) - 5(高)
        study_type: 学习类型 ("Group", "Self", "Online")
    """
    return predict_pass_prob(study_hours, sleep_hours, attendance_rate, stress_level, study_type)

@counselor_agent.tool
def predict_student_tool(ctx: RunContext[Any], 
                   study_hours: float, 
                   sleep_hours: float, 
                   attendance_rate: float,
                   stress_level: int,
                   study_type: str) -> float:
    """
    根据学生行为预测通过率。用于咨询过程中提供客观数据支持。
    """
    return predict_pass_prob(study_hours, sleep_hours, attendance_rate, stress_level, study_type)

@agent.tool
def explain_model(ctx: RunContext[Any]) -> str:
    """
    获取机器学习模型的全局特征重要性解释。
    返回哪些特征对预测结果影响最大。
    """
    return explain_prediction()

@counselor_agent.tool
def explain_model_tool(ctx: RunContext[Any]) -> str:
    """
    获取机器学习模型的全局特征重要性解释。
    """
    return explain_prediction()

async def main():
    # 模拟真实的学生查询
    query = (
        "我最近压力很大 (等级4)，每天只睡 4 小时，不过我每周自学(Self) 12 小时，"
        "出勤率大概 90%。请帮我分析一下我会挂科吗？基于模型告诉我怎么做最有效。"
    )
    
    print(f"用户: {query}\n")
    print("Agent 正在思考并调用模型工具...\n")
    
    try:
        if not os.getenv("DEEPSEEK_API_KEY"):
            print("❌ 错误: 未设置 DEEPSEEK_API_KEY，无法运行 Agent。")
            print("请在 .env 文件中设置密钥，或 export DEEPSEEK_API_KEY='...'")
            return

        result = await agent.run(query)
        
        print("--- 结构化分析报告 ---")
        print(result.output.model_dump_json(indent=2))
        
    except Exception as e:
        print(f"❌ 运行失败: {e}")

if __name__ == "__main__":
    asyncio.run(main())