json_match = re.search(r"```(?:json)?\\s*(.*?)```", response.content, re.DOTALL)
if json_match:
    content = json_match.group(1).strip()
else:
    content = response.content

try:
    return json.loads(content)
except json.JSONDecodeError:
    # 教学示例里甚至退回到 eval
    return eval(content)

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-reasoner",
    api_key="sk-your-api-key",
    temperature=0.2,
    output_version="v1",   # 关键：启用 v1 输出模式
)

# file: ch12_reasoning_demo.py

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-reasoner",
    api_key="sk-your-api-key",
    temperature=0,
    output_version="v1",
)

def show_reasoning_and_answer():
    # 用一个简单数学问题演示 R1 的推理过程拆分
    response = llm.invoke("解释一下为什么 1+2+...+100 等于 5050，用中学生能听懂的方式。")

    print("原始 content：")
    print(response.content)

    print("\n按 content_blocks 拆解：\n")
    for idx, block in enumerate(response.content_blocks):
        block_type = block.get("type")
        print(f"Block {idx} type={block_type!r}")
        if block_type == "reasoning":
            print("推理过程：")
            print(block.get("reasoning"))
        elif block_type == "text":
            print("最终答案：")
            print(block.get("text"))
        else:
            print("其他块：", block)
        print("-" * 40)

if __name__ == "__main__":
    show_reasoning_and_answer()

# file: ch12_safe_json_extract.py

import json
from typing import Any, Dict, Optional

from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage

llm = ChatDeepSeek(
    model="deepseek-reasoner",
    api_key="sk-your-api-key",
    temperature=0,
    output_version="v1",
)

ANALYSIS_PROMPT = """
你现在接收的是一份销售数据样本，以及对应的数据画像。

请完成以下任务：
1. 给出整体趋势和关键指标的自然语言分析
2. 返回一个 JSON 结构，描述后续可视化与分析配置

输出要求：
- 自然语言分析正常输出即可
- JSON 必须是合法的、可解析的 JSON，且不能包含额外注释或多余文本
- JSON 内容请单独放在一个内容块中，不要与自然语言混合

JSON 结构示例：
{{
  "metrics": {{
    "total_revenue": 123456.78,
    "avg_order_value": 345.67
  }},
  "charts": [
    {{
      "type": "line",
      "x": "month",
      "y": "revenue",
      "title": "月度销售趋势"
    }}
  ],
  "next_actions": [
    "进一步分析高价值客户的留存情况",
    "比较不同渠道的转化率"
  ]
}}
"""

def extract_analysis_config(response) -> Optional[Dict[str, Any]]:
    """
    从 content_blocks 中提取 JSON 配置。

    约定：
    - 模型在某个 text 块中单独输出 JSON
    - 该块只包含 JSON 字符串，不包含额外说明
    """
    for block in response.content_blocks:
        # 只在 text 类型块中尝试解析 JSON，避免误把 reasoning 等内容当成配置
        if block.get("type") != "text":
            continue
        text = block.get("text", "").strip()
        if not text:
            continue
        try:
            return json.loads(text)
        except json.JSONDecodeError:
            # 如果不是纯 JSON，就跳过，继续找下一个块
            continue
    return None

def analyze_with_safe_json(data_profile: str, data_sample: str) -> Dict[str, Any]:
    """对第 06 篇 analyze_data 的重写版本：基于 content_blocks 的解析。"""
    messages = [
        SystemMessage(
            content=(
                "你是一个严谨的数据分析助手，只输出可解析的 JSON 时要严格遵守 JSON 语法。"
            )
        ),
        HumanMessage(
            content=(
                ANALYSIS_PROMPT
                + "\n\n"
                f"数据画像：\n{data_profile}\n\n"
                f"数据样本：\n{data_sample[:2000]}"
            )
        ),
    ]

    response = llm.invoke(messages)

    config = extract_analysis_config(response)
    if config is None:
        raise ValueError("未能从模型输出中提取合法 JSON，请检查 Prompt 或模型行为。")

    return config

# file: ch12_agent_middleware.py

import json
from typing import Any, Dict, Optional

from langchain.agents import AgentState, create_agent
from langchain.agents.middleware import after_model
from langchain_deepseek import ChatDeepSeek
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.runtime import Runtime

def extract_json_from_blocks(content_blocks) -> Optional[Dict[str, Any]]:
    for block in content_blocks:
        if block.get("type") != "text":
            continue
        text = block.get("text", "").strip()
        if not text:
            continue
        try:
            return json.loads(text)
        except json.JSONDecodeError:
            continue
    return None

@after_model
def log_reasoning_and_attach_config(
    state: AgentState,
    runtime: Runtime,
) -> Dict[str, Any] | None:
    """
    一个示例 middleware：
    - 打印最新消息中的推理过程（仅用于调试或内部审计）
    - 尝试从 content_blocks 中提取 JSON 配置，挂到 state 的自定义字段里
    """
    last_msg = state["messages"][-1]
    blocks = getattr(last_msg, "content_blocks", None)
    if not blocks:
        return None

    # 1. 打印推理过程（可以替换为写日志、打到 LangSmith 等）
    for block in blocks:
        if block.get("type") == "reasoning":
            print("模型推理过程：")
            print(block.get("reasoning"))

    # 2. 尝试提取 JSON 配置
    config = extract_json_from_blocks(blocks)
    if config is None:
        return None

    # 这里简单地把配置塞进 state 的一个自定义字段
    # 返回值中的键会被合并进下一步 state
    return {"analysis_config": config}

def build_agent_with_content_blocks():
    model = ChatDeepSeek(
        model="deepseek-reasoner",
        api_key="sk-your-api-key",
        temperature=0,
        output_version="v1",
    )

    agent = create_agent(
        model=model,
        tools=[],  # 示例中不挂工具，专注 content_blocks
        system_prompt=(
            "你是一个数据分析与配置生成助手。"
            "在需要返回 JSON 配置时，请确保相关内容放在单独的内容块中。"
        ),
        middleware=[log_reasoning_and_attach_config],
        checkpointer=InMemorySaver(),
    )

    return agent

from langchain_core.runnables import RunnableConfig

def demo_agent():
    agent = build_agent_with_content_blocks()
    config: RunnableConfig = {"configurable": {"thread_id": "cb-demo-001"}}

    result = agent.invoke(
        {"messages": [{"role": "user", "content": "根据样本数据生成一份分析配置 JSON"}]},
        config=config,
    )

    analysis_config = result.get("analysis_config")
    print("提取到的分析配置：", analysis_config)