Agent Web Chat
基于 LangGraph 的多模态对话 Agent，支持文本、图片、音频、多种类型文件输入，具备屏幕截图、浏览器控制、RAG 知识库、数据库查询、本地文件获取等工具调用能力。
快速开始
1. 克隆仓库并进入项目目录
git clone <your-repo-url>
cd Agent
Windows:
bash
python -m venv myenv
.\myenv\Scripts\activate
macOS / Linux:
bash
python -m venv myenv
source myenv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt
pip install -e .
gedit .env
必须填写的变量：
LLM_BASE_URL – 大模型 API 基础地址
LLM_API_KEY – API 密钥
LLM_MODEL – 模型名称（如 Qwen/Qwen2.5-72B-Instruct）
TTS_BASE_URL – 文本转语音服务地址（可选，若不使用音频回复可不填）
ASR_BASE_URL – 语音识别服务地址（可选）
RAG_BASE_URL – RAG 嵌入与重排序服务地址（可选）
# 启动 Web 对话服务（推荐）
# 确保在 Agent 目录下，且 PYTHONPATH 包含 src 目录
cd ./Agent
export PYTHONPATH=src:$PYTHONPATH # Linux/macOS
# 或 Windows PowerShell: $env:PYTHONPATH="src;$env:PYTHONPATH"
uvicorn web.server:app --host 0.0.0.0 --port 8765
# （可选）通过 Cloudflare Tunnel 暴露公网
cloudflared tunnel --url http://localhost:8765
# 进入项目目录并提交代码（Windows 下路径为 .\Agent\）
✅ 推送到公司
powershell
# 进入项目目录
cd Agent
# 暂存所有修改
git add .
# 提交修改（请替换双引号里的内容为实际说明）
git commit -m "修改内容的说明"
# 默认推送到公司
git push
🌐 推送到个人 GitHub
powershell
# 进入项目目录
cd Agent
# 暂存所有修改
git add .
# 提交修改（请替换双引号里的内容为实际说明）
git commit -m "修改内容的说明"
# 显式指定推送到个人仓库 (minor)
git push minor master
###循环检测
用户输入 → runtime.py 重置循环状态
→ graph.invoke 开始执行
│
├─ agent 节点 (nodes.py / call_model)
│ ├─ _build_reflection_prompt()
│ │ ├─ check_and_record_todolist_progress() ← todolist 停滞检测
│ │ │ └─ 10轮无进展 → 注入反思提示："请反思当前卡点..."
│ │ │
│ │ └─ build_loop_reflection_prompt()
│ │ └─ detect_repeated_tool_calls() ← 连续相同工具检测
│ │ └─ 连续3次 → 注入反思提示："你已连续多次调用同一工具..."
│ │
│ └─ LLM 调用（带反思提示引导）
│
├─ routing 节点 (routing.py / should_continue)
│ └─ should_force_end()
│ └─ 连续5次相同工具+相同参数 → 返回 END，强制终止
│
└─ 图结束后 (runtime.py / execute_agent)
└─ 检测到强制终止 → 向前端输出：
"检测到异常循环，工具 `xxx` 已连续调用 5 次..."
---
## 提示词工程文档
本 Agent 系统的提示词采用**分层架构**，按作用域和注入时机分为四个层级。以下逐一说明。
### 一、架构总览
┌─────────────────────────────────────────────────┐ │ Layer 1: 系统级提示词 (System Prompt) │ │ 作用于整个会话，定义 Agent 角色与核心行为准则 │ │ 文件: system_prompt.py / agent_config.json │ ├─────────────────────────────────────────────────┤ │ Layer 2: 工具描述提示词 (Tool Description) │ │ 随工具定义注入，指导 LLM 如何正确调用工具 │ │ 文件: gui_tool.py / tool.py / tool_rag.py 等 │ ├─────────────────────────────────────────────────┤ │ Layer 3: 运行时注入提示词 (Runtime Injection) │ │ 每轮 ReAct 循环动态拼接到消息列表 │ │ 文件: system_prompt.py / loop_detector.py │ ├─────────────────────────────────────────────────┤ │ Layer 4: 内部模型提示词 (Internal Model Prompt) │ │ 工具内部调用子模型时使用，用户不可见 │ │ 文件: gui_tool.py (_build_batch_prompt) │ └─────────────────────────────────────────────────┘
---
### 二、Layer 1 — 系统级提示词
#### 2.1 MAIN_SYSTEM_PROMPT（Agent 模式）
**位置:** `agent/memory/system_prompt.py` → `MAIN_SYSTEM_PROMPT`
**作用:** Agent 模式的顶层系统提示词，定义 Agent 的身份和全局行为准则。
**核心规则:**
| 规则 | 目的 |
|------|------|
| 优先理解用户意图，高效完成任务 | 确立目标导向 |
| 对图片/音频直接使用多模态能力分析，不调用无关工具 | 防止误调用截图/OCR |
| 截图返回后必须基于实际结果推进，严禁凭空编造 | 防止幻觉 |
| **同一页面的 GUI 操作必须合并为一次 gui_tool 调用** | 减少延迟，避免单步执行 |
| 不确定是否需要工具时优先不调用 | 防止过度工具调用 |
| 复杂任务主动使用 todo_list 规划并跟踪进度 | 确保多步任务可追踪 |
**设计要点:**
- 第 8 行从"优先考虑动作序列"升级为"**必须**合并"，并明确"严禁逐个单步调用"，以对抗 ReAct 循环天然倾向于单步执行的问题。
- 第 6 行"基于实际结果继续推进"是为了让模型把截图当作真实的视觉反馈，而非想象屏幕状态。
---
#### 2.2 PLAN_MODE_PROMPT（Plan 模式）
**位置:** `agent/memory/system_prompt.py` → `PLAN_MODE_PROMPT`
**作用:** 当 `agent_mode == "plan"` 时替换 MAIN_SYSTEM_PROMPT，强制 Agent 先规划后执行。
**核心规则:**
- 收到用户请求后**第一步必须调用 todo_list** 进行任务拆解
- 步骤拆解必须详尽，覆盖完整流程
- 规划完成后立即开始执行，不等待用户确认
- 每完成一步调用 todo_list 标记进度
---
#### 2.3 Agent 级 system_prompt
**位置:** `agent/core/agent_config.json`
```json
"system_prompt": "你是一个多模态助手...你的默认行为是优先调用工具解决用户问题。"
作用: 当 agent_config.json 中配置了 system_prompt 时，会作为额外的行为准则注入。当前版本的指令较为简略，主要作为兜底。
2.4 其他专用 System Prompt
| Prompt | 用途 | 特点 |
|---|---|---|
| VISION_SYSTEM_PROMPT | 图像理解子 Agent | 要求客观描述、不臆测、多图编号 |
| DB_SYSTEM_PROMPT | 数据库查询子 Agent | 只允许 SELECT/WITH，强调安全底线 |
| SUMMARY_SYSTEM_PROMPT | 摘要子 Agent | 压缩至 20%-30%，保留关键信息 |
| TEAM_MODE_PROMPT | Team 模式占位 | 当前未实现，告知用户使用 Agent 模式 |
三、Layer 2 — 工具描述提示词
工具描述提示词直接定义在工具类的 description 属性中，随 LangChain 工具绑定注入到 LLM 上下文。
3.1 gui_tool 描述
位置: agent/tools/gui_tool.py → GUITool.description
结构:
GUI 自动化工具。通过截图视觉定位桌面元素...
↓
【type 使用说明】type 支持 element_description 自动聚焦输入框
↓
【网页滚动提示】推荐用 hotkey space 代替 scroll 滚轮
↓
【下拉框处理策略】直接使用 type 动作，系统自动匹配选项
↓
示例：登录表单 actions 列表
设计要点:
- type 操作说明: 强调
element_description参数可让 type 自动完成"定位→点击→输入"，无需额外 click。这是减少动作数量的关键设计。 - 网页滚动提示: 引导模型使用
hotkey space（空格键即 Page Down）而非scroll滚轮，因为浏览器中滚轮定位不准确。 - 下拉框处理: 精简为一步
type，去掉了之前的两步 fallback 策略（点击→方向键→回车），减少不必要的操作。 - 登录表单示例: 提供一个多 action 的 one-shot 示例，示范如何将两个 type 操作合并到一个 gui_tool 调用中。
3.2 todo_list 描述
位置: agent/tools/tool.py → TodoList.description
关键指令:
- 步骤粒度要求: 同一页面/界面的连续操作合并为一条步骤，用"并"连接
- 包含正例（推荐）和反例（禁止）的对比
- Plan 模式下为必须调用，Agent 模式下按需
示例:
推荐："点击搜索框，输入XXX并点击搜索"（合并了点击、输入、搜索）
禁止："1.点击搜索框 2.输入文字 3.点击搜索"（过于细碎）
四、Layer 3 — 运行时注入提示词
这类提示词在每轮 ReAct 循环中动态拼接到消息列表，作为 synthetic HumanMessage 注入，不会被记录到前端消息历史。
4.1 REFLECTION_PROMPT（反思提示）
位置: agent/memory/system_prompt.py → REFLECTION_PROMPT
注入时机: 每轮 ReAct 循环（除首轮外），由 nodes.py 的 _build_reflection_prompt() 构建并注入。
结构:
【请先在你的回复中尽可能简短地输出你的反思...】
1. 分析上一轮执行结果
2. GUI 未命中 → 重新估算坐标重试
3. 操作成功 → 进行下一步
4. 调用工具或回复用户
【gui_tool 批量调用规则 - 务必遵守】
同一页面的连续操作必须合并为一次 gui_tool 调用
严禁拆分多次调用——会造成严重延迟
仅页面跳转/加载后才分步调用
设计要点:
- 前 4 条建立"观察→反思→行动"的思维链模式
- 第 5 条是关键补充: 明确告知模型在做"下一步"计划时，如果同一页面有多个操作，必须打包成一个 gui_tool 调用。这是对抗 ReAct 循环"做一步看一步"惯性的核心机制。
- 仅当需要等页面跳转/加载后才能确定后续操作时，才允许分步，给了模型合理的例外判断空间。
4.2 PLAN_FIRST_CALL_PROMPT（Plan 模式首轮注入）
位置: agent/memory/system_prompt.py → PLAN_FIRST_CALL_PROMPT
注入时机: Plan 模式下的首轮调用，在 call_model 中检测到 agent_mode == "plan" && is_first_call 时注入。
核心指令:
- 立即调用 todo_list 进行任务拆解
- 合并同类操作: 同一页面的连续操作合并为一条步骤
- 包含三个正例和一个反例的详细示范
4.3 反循环反思提示
位置: agent/core/loop_detector.py → build_loop_reflection_prompt()
注入时机: 当检测到循环风险时，拼接到 REFLECTION_PROMPT 之后。
两级响应:
| 级别 | 触发条件 | 响应 |
|---|---|---|
| Level 1 (警告) | 连续 3 次调用同一工具且参数相同 | 注入反思提示:"你已经连续 N 次调用工具...请反思当前策略" |
| Level 1 (警告) | TodoList 停滞 10 轮无进展 | 注入反思提示:"TodoList 已有 N 轮没有进展...考虑调整计划" |
| Level 2 (终止) | 连续 5 次调用同一工具且参数相同 | 强制结束图执行，向前端输出错误报告 |
设计要点:
- 两级响应机制避免误杀——先警告引导模型自我纠偏，纠偏失败再强制终止
- 循环检测阈值可通过
env_config.json中的LOOP_DETECT_*配置项热更新
4.4 截图反馈注入
位置: agent/core/nodes.py → process_tool_artifact()
注入时机: 每次 gui_tool 返回 artifact（截图）后。
注入内容: [图片数据] + "上面是工具返回的截图。"
作用: 将截图作为视觉反馈注入对话上下文，让多模态 LLM 看到执行后的屏幕状态，实现闭环的视觉推理。
五、Layer 4 — 内部模型提示词
5.1 批量坐标定位 Prompt
位置: agent/tools/gui_tool.py → _build_batch_prompt()
调用链: _run() → _collect_grounding_queries() → _batch_ground_elements() → _build_batch_prompt()
作用: 将一次截图中需要定位的所有元素，批量发送给视觉定位模型，一次性返回所有坐标。
结构:
You are a visual grounding model for desktop GUI control.
↓
=== OUTPUT FORMAT (STRICT) ===
每行一对坐标: (<x>, <y>)
↓
=== ONE-SHOT EXAMPLE ===
4 个 query → 4 行坐标的完整示例
↓
=== NOW YOUR TURN ===
实际需要定位的元素列表
↓
=== RULES ===
7 条严格的输出格式规则
设计要点:
- One-shot 示例是核心: 用一个完整的 4 元素定位示例纠正模型的输出格式偏好，防止输出 JSON、Markdown 或其他非预期格式。
- 规则 7 特别强调"按顺序生成坐标"，确保 action 顺序与坐标顺序一一对应。
- 使用的模型为
_get_gui_llm()获取的 GUI 专用模型（如有配置），否则回退到主模型。
六、提示词注入流程
6.1 Agent 模式标准流程
用户输入
│
▼
[MAIN_SYSTEM_PROMPT] ← 作为 SystemMessage，会话开始时注入
│
▼
┌─ ReAct 循环 ────────────────────────────────────┐
│ │
│ call_model 节点 │
│ ├─ 首轮: 直接调用 LLM │
│ └─ 后续: 注入 [REFLECTION_PROMPT] │
│ + [TodoList 状态] │
│ + [反循环警告（如有）] │
│ │ │
│ ▼ │
│ LLM 决策 → 调用 tool（带 [Tool Description]） │
│ │ │
│ ▼ │
│ tools 节点 → 执行工具 │
│ │ │
│ ▼ │
│ process_tool_artifact 节点 │
│ └─ gui_tool 返回 → 注入截图 + "上面是截图" │
│ │ │
│ ▼ │
│ routing → 继续/结束 │
│ │
└──────────────────────────────────────────────────┘
6.2 Plan 模式特殊流程
用户输入
│
▼
[PLAN_MODE_PROMPT] ← 替换 MAIN_SYSTEM_PROMPT
│
▼
首轮 call_model:
注入 [PLAN_FIRST_CALL_PROMPT]
→ LLM 调用 todo_list 生成步骤规划
│
▼
后续 call_model:
注入 [REFLECTION_PROMPT] + [TodoList 状态]
→ LLM 按规划逐步执行
七、关键设计决策
| 决策 | 原因 | 实现方式 |
|---|---|---|
| 动作序列优先于单步 | 单步调用每个 action 都经过一轮 LLM→截图→LLM 循环，N 个 action 需要 2N+1 次 LLM 调用。序列化后 N 个 action 只需 2 次 LLM 调用（1 次定位 + 1 次决策） | MAIN_SYSTEM_PROMPT + REFLECTION_PROMPT 双重强调 |
| 下拉框仅用 type | 两步策略（type→键选 fallback）会增加不必要的 action 数量，type 本身即可完成下拉匹配 | gui_tool 描述中精简为单句 |
| 截图作为视觉闭环 | 让 LLM 看到真实屏幕状态而非猜测，是 GUI 自动化可靠性的基础 | process_tool_artifact 自动注入截图 |
| 反思提示每轮注入 | 让模型形成"观察→分析→行动"的习惯，减少盲目操作和幻觉 | REFLECTION_PROMPT 作为 synthetic HumanMessage |
| 循环检测两级响应 | 先警告引导，再强制终止，避免误杀同时防止无限循环 | loop_detector.py 的 warn→end 机制 |
| 坐标定位批量化 | N 个元素的坐标定位只需 1 次子模型调用，而非 N 次 | _batch_ground_elements + _build_batch_prompt |
| One-shot 示例纠正格式 | 视觉定位模型容易输出 JSON/Markdown/解释文字，one-shot 强制纯坐标格式 | _build_batch_prompt 中的 4 行坐标示例 |
| trajectory_rounds 短期记忆过滤 | 多轮 GUI 操作后上下文过长，仅保留最近 3 轮工具返回结果 | _filter_short_term_memory() |
连接远程服务器
ssh -o ServerAliveInterval=60 -o ServerAliveCountMax=3 -p 60007 minor123@semi-ai.tech
本地端口映射
ssh -fN -o ServerAliveInterval=60 -o ServerAliveCountMax=3 -L 8901:127.0.0.1:8901 -L 8902:127.0.0.1:8902 -L 8903:127.0.0.1:8903 minor123@semi-ai.tech -p 60007 ssh -fN -o ServerAliveInterval=60 -o ServerAliveCountMax=3 -L 8903:127.0.0.1:8903 minor123@semi-ai.tech -p 60007
查看状态码（200表示健康）
curl.exe -o nul -s -w "%{http_code}\n" http://localhost:8901/health curl.exe -o nul -s -w "%{http_code}\n" http://localhost:8902/health curl.exe -o nul -s -w "%{http_code}\n" http://localhost:8903/health
curl -o /dev/null -s -w "%{http_code}\n" http://localhost:8901/health curl -o /dev/null -s -w "%{http_code}\n" http://localhost:8902/health curl -o /dev/null -s -w "%{http_code}\n" http://localhost:8903/health
(email、sendfile) 今天和昨天有什么邮件 发封邮件给19553226590@163.com，内容就是我桌面的图片"C:\Users\86166\Desktop\风景\8.png"
(websearch、terminal、sendfile) 查一下济南和青岛近10年的GDP并画个图表
(gui、browser、human_interaction、改成英文) 进行以下gui任务，严格按照我的指令操作： 1、打开https://erpdemo.fanpusoft.com/main.aspx# 2、进行登录（账号密码调用human_interaction工具来问我） 3、点击销售管理 4、点击新增客户 5、在新增客户界面输入： 客户名称：minor；客户类别：零售商；公司地址：中国·青岛；公司简介：大狗叫叫叫；联系人姓名：叮咚鸡； 点击性别选项：女；部门：抽象部；生日：2004-07-09； 6、点击客户档案并连按两次空格（用来下滑到网页底部） 7、点击批量上传 8、在弹出的文件选择器的文件名输入框中输入"C:\Users\86166\Desktop\风景\8.png"并回车 9、输入跟进日期：2026-07-16 10、点击保存 11、点击确定