# file: ch10_agent.py

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-reasoner",
    api_key="sk-your-api-key",  # 替换为你的 DeepSeek API 密钥
    temperature=0.2,
    output_version="v1",        # 关键：启用 v1 标准输出，便于后续 content_blocks 使用
)

# file: ch10_agent.py

from typing import Dict, Any

import pandas as pd
from langchain.tools import tool

@tool
def load_and_profile_csv(path: str, sample_rows: int = 200) -> Dict[str, Any]:
    """
    安全的数据加载与基础画像工具。

    - 读取 CSV
    - 提供列信息、缺失值比例
    - 返回前若干行样本，供模型理解数据分布
    """
    df = pd.read_csv(path)

    # 简单防御：限制样本行数，避免上下文爆炸
    sample = df.head(sample_rows)

    profile = {
        "num_rows": int(df.shape[0]),
        "num_cols": int(df.shape[1]),
        "columns": [
            {
                "name": col,
                "dtype": str(df[col].dtype),
                "num_missing": int(df[col].isna().sum()),
            }
            for col in df.columns
        ],
    }

    return {
        "profile": profile,
        "sample": sample.to_dict(orient="records"),
    }

# file: ch10_agent.py

import textwrap
from pathlib import Path

import matplotlib.pyplot as plt
from langchain.tools import tool

@tool
def execute_plot_code(code: str, output_path: str = "analysis_plot.png") -> str:
    """
    执行模型生成的 Matplotlib 绘图代码，并保存到指定路径。

    警告：这只是教学示例，生产环境请务必加上更严格的安全沙箱。
    """
    # 仅允许使用受控的全局变量，避免随意访问系统资源
    safe_globals = {
        "plt": plt,
        "__builtins__": {
            # 只开放少量安全内置函数，防止任意文件与网络操作
            "range": range,
            "len": len,
            "min": min,
            "max": max,
            "sum": sum,
        },
    }
    safe_locals = {}

    # 简单去掉缩进，提升容错性
    cleaned_code = textwrap.dedent(code)

    # 执行模型生成代码（高风险，必须配合 HITL 使用）
    exec(cleaned_code, safe_globals, safe_locals)

    # 如果模型代码里没有显式保存图片，我们兜底保存一下
    if Path(output_path).suffix == "":
        output_path = output_path + ".png"
    plt.savefig(output_path, bbox_inches="tight")
    plt.close()

    return f"图表已生成，保存为: {output_path}"

# file: ch10_agent.py

from langchain.agents import create_agent
from langchain.agents.middleware import HumanInTheLoopMiddleware
from langgraph.checkpoint.memory import InMemorySaver

from .ch10_agent import llm, load_and_profile_csv, execute_plot_code  # 根据实际文件结构调整导入

tools = [load_and_profile_csv, execute_plot_code]

system_prompt = """
你是一名资深数据分析专家，擅长用 Python 和 Matplotlib 对销售类 CSV 数据进行分析。

使用规则：
1. 优先调用 load_and_profile_csv 工具了解数据结构和样本。
2. 在给出结论前，先用自然语言列清楚你的分析步骤。
3. 仅在用户明确要求“生成图表”或你认为有必要时，才调用 execute_plot_code 工具。
4. 生成绘图代码时，务必：
   - 使用已经加载的样本数据字段
   - 保证代码可直接在 Python 环境中执行
   - 把保存图片的路径参数化为函数的 output_path 入参
"""

# LangGraph 提供的内存型 checkpointer
checkpointer = InMemorySaver()

agent = create_agent(
    model=llm,
    tools=tools,
    system_prompt=system_prompt,
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={
                # 安全操作：无需审批
                "load_and_profile_csv": False,
                # 高风险操作：必须人工审批
                "execute_plot_code": True,
            }
        )
    ],
    checkpointer=checkpointer,  # 关键：把状态交给 LangGraph 持久化
)

# file: ch10_agent.py

from langchain_core.runnables import RunnableConfig
from langgraph.types import Command

def run_analysis_with_pause_and_resume():
    thread_id = "demo-thread-001"
    # thread_id 是 LangGraph 用来标识“同一条对话/任务”的关键字段
    config: RunnableConfig = {"configurable": {"thread_id": thread_id}}

    # 第一次调用：请求 Agent 做完整分析和绘图
    user_message = {
        "role": "user",
        "content": (
            "请对文件 /path/to/sales.csv 做一次销售趋势分析：\n"
            "1. 先概括整体销售趋势和关键指标\n"
            "2. 再生成一张月度销售额折线图，图片文件名用 analysis_plot.png\n"
        ),
    }

    # 第一次调用：Agent 可能会在调用 execute_plot_code 前中断等待审批
    # 第一次执行，可能会因为敏感工具调用而被 HITL middleware 中断
    result = agent.invoke({"messages": [user_message]}, config=config)

    last_msg = result["messages"][-1]
    print("第一次调用的最后一条消息：")
    print(last_msg)

    # 如果 Agent 没有触发任何中断，说明没有进行敏感操作
    if not result.get("interrupts"):
        print("本次分析未触发敏感工具，无需审批。")
        return

    # 否则，我们假设这里只出现一个工具调用需要审批
    interrupt_info = result["interrupts"][0]
    print("检测到需要人工审批的工具调用：")
    print(interrupt_info)

    # 这里你可以根据 interrupt_info 里的工具名和参数，决定 approve / edit / reject
    # 为简单起见，我们直接 approve（生产环境请加入真实审批流程）
    decisions = [{"type": "approve"}]

    # 第二次调用：用 Command.resume 把决策传回 Agent，继续执行
    resume_cmd = Command(resume={"decisions": decisions})

    resumed_result = agent.invoke(resume_cmd, config=config)

    print("恢复执行后的最终回答：")
    for msg in resumed_result["messages"]:
        print(msg)

if __name__ == "__main__":
    run_analysis_with_pause_and_resume()

from typing import Annotated

import operator
from typing_extensions import TypedDict

from langchain_core.messages import AnyMessage, HumanMessage, SystemMessage
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import StateGraph, START, END

# 1. 定义状态结构：消息 + 一些中间结果
class AnalysisState(TypedDict):
    messages: Annotated[list[AnyMessage], operator.add]
    profile: dict | None
    plot_code: str | None

# 2. 定义各个节点
def plan_node(state: AnalysisState) -> dict:
    """让 DeepSeek 生成分析计划和下一步动作。"""
    # 这里可以用 llm.invoke(state["messages"])，
    # 再结合 content_blocks 得到计划，返回更新后的状态
    raise NotImplementedError

def safe_tools_node(state: AnalysisState) -> dict:
    """执行安全工具，比如 load_and_profile_csv。"""
    raise NotImplementedError

def risky_tools_node(state: AnalysisState) -> dict:
    """执行敏感工具，比如 execute_plot_code，并可能触发中断。"""
    raise NotImplementedError

def should_continue(state: AnalysisState) -> str:
    """决定是继续还是结束。"""
    raise NotImplementedError

# 3. 搭图
builder = StateGraph(AnalysisState)

builder.add_node("plan", plan_node)
builder.add_node("safe_tools", safe_tools_node)
builder.add_node("risky_tools", risky_tools_node)

builder.add_edge(START, "plan")
builder.add_edge("plan", "safe_tools")
builder.add_edge("safe_tools", "risky_tools")
builder.add_conditional_edges("risky_tools", should_continue, ["plan", END])

graph = builder.compile(checkpointer=InMemorySaver())