"""Agent 编排层：OpenAI 兼容模型（DeepSeek 等）经 MCP 工具控制手机。 支持两种运行模式： - run_stream()：流式（SSE 逐 token + 工具调用实时回调）——Web AI 控制台用 - run()：非流式收集结果——CLI 用（内部调 run_stream） 流式细节（OpenAI 兼容）： - content/reasoning_content 增量逐 chunk 回调（kind 区分） - tool_calls 分片累积（arguments 按 index 拼接），流结束后统一执行 - 截图（de_screenshot）图像转 image_url 追加下一轮，同时 on_tool 回调带缩略 - token 用量：请求带 stream_options.include_usage，按「每次模型调用」累计， on_usage 回调吐出累计值（Web 控制台展示） """ import base64 import json import logging import httpx from fastmcp import Client from mcp_agent.config import AgentSettings _log = logging.getLogger("agent") S = AgentSettings() # 模型单次回复的长度上限。建任务模式要一次性输出整份任务 JSON（几十个步骤）， # 4096 很容易被截断 → 工具参数变成半截 JSON（见 _execute_tool 的容错）。 _DEFAULT_MAX_TOKENS = 4096 _DESIGNER_MAX_TOKENS = 8192 class _UsageUnsupported(RuntimeError): """模型/网关不认 stream_options.include_usage（400/422 或报错点名该字段）——降级重试用。""" CHAT_SYSTEM_PROMPT = """你是手机自动化控制助手。你通过工具实时操作 Android 手机。 工作规范： 1. 先 de_list_devices 确定目标设备（在线才可操作）；设备有 name（名称）与 serial（地址）， **给用户汇报时用名称**（同型号多台靠它区分），调工具时仍用 serial 2. 观察屏幕：优先 `de_snapshot`（截图+元素树一次取齐，图像会随后给你）——比 de_screenshot + de_ui_tree 两次取数更省步骤，界面在动时也不会出现"元素位置和 截图对不上"；需要单独看画面时才用 de_screenshot 3. 点击定位分优先级（不要自己推算像素坐标，那是精度最差的方式）： a) 目标有可见文字（按钮/菜单/列表标题/标签/输入框提示）→ de_tap_text 直接给文字， 一次完成「找到并点击」，原生控件与 WebView/图片渲染文字都支持 b) 文字有歧义或 de_tap_text 未命中 → de_ui_tree(limit=80) 看可点元素后 用 de_tap_element（text/text_contains 匹配） c) 只有纯图形目标（视频画面/无文字图标且树里没有）才用 de_tap 给坐标—— 坐标只需大致对准目标中心，服务端会自动吸附到该处可点击元素中心，无需精算 4. de_tap 点击后若返回 snapped=true 表示已吸附命中元素（可核对 label）； 截图判断界面变化=点击成功，无变化=未命中 5. 输入文字：先 de_tap_text 或 de_tap 点中输入框，再 de_type_text 输入 6. 每次关键操作后再次 de_screenshot 验证结果，直到完成用户目标 7. 若点击后截图无任何变化：不要重复点同一坐标，换 de_tap_text/de_tap_element 重新定位，或先 de_ui_tree 确认元素文案再试 8. 完成或失败时用中文总结：做了什么、当前状态、需要用户注意的事项 9. 设备不可用/操作失败时如实报告错误，不要臆测成功 10. 效率：界面未变化时不要重复截图/点击同一位置；每步都要推进目标； 若连续 6 步无进展（截图内容未变/操作无效），停止并总结原因，不要空转 可用工具清单将由系统提供。""" # 兼容旧名（CLI / 其它调用方仍可能 import SYSTEM_PROMPT） SYSTEM_PROMPT = CHAT_SYSTEM_PROMPT # ================== 建任务模式（designer）================== # 与聊天模式的根本区别：**产出物是一条任务，不是"替用户做完这件事"**。 # 所以它要"看懂了就写下来"，而不是"一路点到底"；有副作用的动作只许核对、不许真做。 DESIGNER_SYSTEM_PROMPT = """你是手机自动化**任务设计师**。你的产出物是**一条可调度、可在步骤编辑器里继续修改的任务**（不是替用户把这件事做完）。 工作方式：在真机上探索够用即止 → 把探索到的元素与操作写成任务步骤 → 调 submit_task 提交草稿 → 人工确认后才会真正入库执行。 ## 探索规范 1. 只用本次指定的设备 serial；给用户汇报时用设备名。设备离线/异常/被任务占用时**立即停止并说明**，不要硬试。 2. **先看再动**：优先 `de_snapshot(limit=80~150)`——它**一次取齐**截图与元素树（元素字段只有 text/id/desc/class/clickable/bounds，**没有 xpath**），比"先 de_screenshot 再 de_ui_tree"少一次来回、且不会因为界面在动而错位；返回 `unstable=true` 时说明取的时候界面在变，等界面静下来再取一次。同一屏只取一次，不要反复截图。 3. 不知道包名先 `de_list_apps(keyword=…)`，再 `de_open_app(package)`；用 `de_foreground_app` 确认前台。 4. **定位优先级**：`text` / `description` / `resourceId` > `xpath` > 坐标。**禁止坐标**（绝不产 `click_xy`）。 包含匹配只能 `descriptionContains`，或 `xpath` 里的 `//*[contains(@text,"…")]`（没有 textContains 这个类型）。 5. XPath 写法：`//*[@resource-id="包名:id/xxx"]`、`//*[@text="…"]`、`//*[@text="…" and @resource-id="…"]`。 **禁止** `//*[@id="x"][3]` 这种位置谓词（那是"父节点内第 3 个"，同类元素一多就全失配）。 6. 验证分两档： - **无害导航类**（tab、返回、搜索框、列表项、设置项）→ 可以 `de_tap_element` 真点一次确认能命中，记 `evidence.verified="tapped"`； - **有副作用类**（点赞/关注/评论/发送/转发/购买/删除/退出登录）→ **只核对元素存在**（`verified="present"`），**绝不真点**；写进任务时 `probability ≤ 30`，并在 `notes` 里写明"请人工复核"。 7. 没验证命中的元素**一律不写进任务**；拿不准的进 `notes`。宁可少写一步，也不要编一个选择器。 ## 步骤规范 8. 只能用这 18 种步骤类型：open_app / stop_app / screen_on / screen_off / keep_screen / key_event / swipe / swipe_until / click / long_click / wait_el / input_text / clipboard / wait / loop / group / if_el（click_xy 禁用）。 9. 输入文字必须"先 click 输入框，再 input_text"；滚动用 `swipe{direction}`，不用像素。 10. 时长语义必须映射对： - "跑 2 小时" → `params.max_duration = 7200` + 一个顶层 `loop{loop_mode:"forever"}`； - "每天 8-9 点" → `schedule{mode:"cron_stop", cron:"0 8 * * *", stop_cron:"0 9 * * *"}`； - **长任务必须给 max_duration**，否则等于无限跑。 11. 随机化三件套：随机等待 `wait{min,max}`、随机文案 `input_text{mode:"random",texts:"a\\nb"}`、随机触发 `group{probability:<100}` 包住子步骤（概率对任何类型都生效）。 12. 首步建议 `screen_on`（必要时 `keep_screen{mode:"on"}`）；**末步用 `key_event{key:"home"}` 把设备还给用户**（不要默认息屏）。 13. 规模控制：工具调用 ≤ 25 步、steps ≤ 30 个节点、notes ≤ 5 条、evidence ≤ 10 条。结构要精简（去掉冗余的等待/滑动）。 ## 收尾 14. 探索够了就调 `submit_task` 提交草稿。**校验失败时按返回的 errors 逐条修正后重提（最多 3 次）**，不要重复提交同一份草稿。 15. 提交成功后**不要再调用任何工具**，用一句中文总结："建了什么任务、哪些步骤需要人工复核"。 16. 若 system 里注入了"可复用动作"，优先复用其中的定位，跳过重复探索。 可用工具清单将由系统提供。""" # 平台级（本地）工具：不经 MCP server，由 Agent 直接分派到调用方注册的 handler。 # 为什么不放进 mcp_server：这些工具要读写平台自身的任务/草稿（依赖 Flask app context 与 # 平台权限模型），放进 MCP 层等于给外部客户端开一个写任务的后门，且要连带改 # MCP.md/MCP_DESIGN.md 与审计——收益为零（见 doc/AI_TASK_GEN.md §9.2）。 LOCAL_TOOL_SPECS = { "submit_task": { "name": "submit_task", "description": "提交任务草稿（**结束性调用**：提交成功后就不要再调任何工具，直接总结）。" "服务端会校验草稿（步骤类型/必填参数/嵌套深度/调度格式），" "校验失败返回 errors 数组，请逐条修正后重新调用本工具。" "常见被打回的原因：步骤缺 selector_value；loop 的 loop_mode 不是 " "rounds/time/forever（别写 count）；按时间循环缺 loop_duration；" "cron 不是 5 段；steps 为空。提交前请自己先按这些自查一遍。", "parameters": { "type": "object", "properties": { "summary": {"type": "string", "description": "一句话说明这条任务做什么（≤200 字）"}, "task": { "type": "object", "description": "任务信封，字段同平台任务：name/target/schedule/retry/enabled/params", "properties": { "name": {"type": "string", "description": "任务名（≤40 字）"}, "target": {"type": "object", "description": '{"mode":"all"|"group"|"serial", "serial":"…", "group_name":"…"}'}, "schedule": {"type": "object", "description": '{"mode":"once"} 或 {"mode":"cron","cron":"分 时 日 月 周"} 或 {"mode":"cron_stop","cron":"…","stop_cron":"…"}'}, "retry": {"type": "object", "description": '{"max_attempts":1-10,"delay":10-3600}'}, "enabled": {"type": "boolean"}, "params": { "type": "object", "properties": { "max_duration": {"type": "integer", "description": "单次运行时长上限（秒），0=不限时"}, "steps": {"type": "array", "description": "步骤树：[{type,label,params}]，容器用 params.children / params.then / params.else", "items": {"type": "object"}}, }, "required": ["steps"], }, }, "required": ["params"], }, "notes": {"type": "array", "items": {"type": "string"}, "description": "需要人工复核/拿不准的点（≤5 条）"}, "evidence": {"type": "array", "items": {"type": "object"}, "description": "每个选择器的探索依据：{screen,element,selector_type,selector_value,verified}"}, }, "required": ["summary", "task"], }, }, } class Agent: def __init__(self, settings: AgentSettings = None): self.s = settings or S self.tools_schema = [] # OpenAI function schema self.messages = [] # 回调（Web 展示用，均可选）： # on_delta(text, kind) kind: content | reasoning —— 流式文本增量 # on_tool(step) step: {tool, args, result, image} —— 工具调用完成 # on_usage(usage) usage: {prompt_tokens, completion_tokens, # total_tokens, calls} —— 累计 token 用量 self.on_delta = None self.on_tool = None self.on_usage = None # 本轮累计用量（run_stream 开始时重置） self.usage = {"prompt_tokens": 0, "completion_tokens": 0, "total_tokens": 0, "calls": 0} self._include_usage = True # 模型不认 stream_options 时自动置 False self._mcp = None # ---- 建任务模式（designer）相关 ---- self.mode = "chat" # 平台级本地工具：{名字: async handler(args) -> dict}，不走 MCP self._local_handlers = {} # 本轮每个工具调用了几次（防"原地打转"：同一个工具反复调不推进目标） self._tool_counts = {} # 单个工具本轮最多调用次数（防"原地打转"）。要**大于**正常重试次数： # 探索里 submit_task 反复被校验驳回调几次是正常的，卡太死会把整轮探索截断 # （实测 25 时正好把一轮设计任务耗在修字段上）。总步数由 max_steps 兜底。 self.tool_call_limit = 40 self.max_tokens = None # 模型单次回复上限（None=用 _DEFAULT_MAX_TOKENS） # ---------- 本地（平台级）工具 ---------- def register_local_tool(self, name, handler): """注册平台级本地工具。**必须在 `_load_tools()` 之前调用**（schema 在加载时组装）。 handler: `async def(args: dict) -> dict`，返回值会作为工具结果回给模型并推给前端。 """ if name not in LOCAL_TOOL_SPECS: raise KeyError(f"未定义的本地工具: {name}（需先在 LOCAL_TOOL_SPECS 里声明 schema）") self._local_handlers[name] = handler def _count_tool_call(self, name): n = self._tool_counts.get(name, 0) + 1 self._tool_counts[name] = n return n # ---------- MCP 工具桥 ---------- async def _load_tools(self): """从 MCP Server 拉工具，转 OpenAI function schema。""" # 短连接超时：MCP 不可用时快速失败（默认会无限重试卡死线程） self._mcp = Client(self.s.mcp_url, timeout=10.0, init_timeout=10.0) await self._mcp.__aenter__() tools = await self._mcp.list_tools() self.tools_schema = [] for t in tools: # MCP SDK v2 改名 input_schema，兼容新旧字段 schema = getattr(t, "input_schema", None) or getattr(t, "inputSchema", {}) name = getattr(t, "name", "") desc = getattr(t, "description", "") or "" self.tools_schema.append({ "type": "function", "function": {"name": name, "description": desc, "parameters": schema}}) # 平台级本地工具（如 submit_task）随 MCP 工具一起暴露给模型， # 执行时由 _execute_tool 本地分派（不发给 MCP server） for name in self._local_handlers: spec = LOCAL_TOOL_SPECS.get(name) if spec: self.tools_schema.append({"type": "function", "function": spec}) _log.info("MCP 工具已加载: %s", [s["function"]["name"] for s in self.tools_schema]) async def close(self): if self._mcp: try: await self._mcp.__aexit__(None, None, None) except Exception: pass # ---------- 模型调用（流式） ---------- async def _chat_stream(self): """流式 chat/completions：逐 chunk 产出 JSON（async generator）。 默认要求服务端在末尾 chunk 带 usage（token 统计）；个别网关不认 `stream_options` 会直接 400，此时自动降级重试一次（不影响主流程）。 """ if self._include_usage: try: async for chunk in self._chat_stream_once(True): yield chunk return except _UsageUnsupported as e: _log.warning("模型不支持 stream_options.include_usage，降级重试：%s", e) self._include_usage = False async for chunk in self._chat_stream_once(False): yield chunk async def _chat_stream_once(self, with_usage): body = { "model": self.s.model, "messages": self.messages, "tools": self.tools_schema if self.tools_schema else None, "max_tokens": self.max_tokens or _DEFAULT_MAX_TOKENS, "stream": True, } if with_usage: body["stream_options"] = {"include_usage": True} headers = {"Authorization": f"Bearer {self.s.api_key}", "Content-Type": "application/json"} url = f"{self.s.api_base.rstrip('/')}/chat/completions" async with httpx.AsyncClient(timeout=self.s.request_timeout) as client: async with client.stream("POST", url, json=body, headers=headers) as r: if r.status_code != 200: text = (await r.aread()).decode(errors="replace") # 本次开了 include_usage 却被打回（400/422，或报错里点名这个字段） # → 视作网关不支持，交给上层降级重试（401/余额等真错误照常抛出） if with_usage and (r.status_code in (400, 422) or "stream_options" in text): raise _UsageUnsupported(text[:200]) raise RuntimeError(f"模型 API HTTP {r.status_code}: {text[:300]}") async for line in r.aiter_lines(): if not line.startswith("data:"): continue data = line[5:].strip() if data == "[DONE]": break try: yield json.loads(data) except json.JSONDecodeError: continue # ---------- token 用量 ---------- @staticmethod def _read_usage(raw): """把一次模型调用返回的 usage 规整为 {prompt, completion, total}；无效返回 None。""" if not isinstance(raw, dict): return None try: pt = int(raw.get("prompt_tokens") or 0) ct = int(raw.get("completion_tokens") or 0) tt = int(raw.get("total_tokens") or 0) or (pt + ct) except (TypeError, ValueError): return None if not (pt or ct or tt): return None return {"prompt_tokens": pt, "completion_tokens": ct, "total_tokens": tt} def _accumulate_usage(self, raw): """把一次模型调用的 usage 累加进本轮总量，并回调 on_usage（累计值）。""" u = self._read_usage(raw) if not u: return self.usage["prompt_tokens"] += u["prompt_tokens"] self.usage["completion_tokens"] += u["completion_tokens"] self.usage["total_tokens"] += u["total_tokens"] self.usage["calls"] += 1 if self.on_usage: try: self.on_usage(dict(self.usage)) except Exception: pass # ---------- 工具执行 ---------- async def _execute_tool(self, name, arguments): """执行工具（MCP 或平台级本地工具），返回 (文本结果, image_data_or_None)。""" try: args = json.loads(arguments) if isinstance(arguments, str) else (arguments or {}) except (json.JSONDecodeError, TypeError) as e: # 长参数被输出长度截断时 arguments 是半截 JSON。**不能整轮报错**—— # 把"坏了"告诉模型，让它精简后重发（designer 的 steps 可能很长）。 _log.warning("工具 %s 参数不是合法 JSON: %s", name, e) return {"ok": False, "error": f"参数不是合法 JSON（{e}）——常见原因是这次输出过长被截断，" "请精简要提交的内容后重新调用一次"}, None if not isinstance(args, dict): return {"ok": False, "error": "工具参数必须是 JSON 对象"}, None _log.info("执行工具 %s %s", name, args) # 同一个工具被反复调用（原地打转）时给模型一个明确的刹车 if self._count_tool_call(name) > self.tool_call_limit: return {"ok": False, "error": f"{name} 本轮调用次数已达上限（{self.tool_call_limit} 次），" "请换一种做法推进，或直接总结当前进展"}, None # 平台级本地工具：不发给 MCP server handler = self._local_handlers.get(name) if handler is not None: # 平台级工具自己会推更贴切的提示卡（📝 任务草稿 / 草稿被拦下 / 未存下）， # 这里**不再重复推一张工具卡**——只在 handler 意外抛异常（自己没来得及推）时补一张 try: result = await handler(args) except Exception as e: _log.exception("本地工具 %s 执行失败", name) result = {"ok": False, "error": f"工具执行失败: {e}"} if self.on_tool: try: self.on_tool({"tool": name, "args": args, "result": result, "image": None}) except Exception: pass return result, None try: result = await self._mcp.call_tool(name, args) data = getattr(result, "data", result) except Exception as e: return {"ok": False, "error": f"工具执行失败: {e}"}, None # de_screenshot：图像分离（作为 image_url 追加给模型看 + on_tool 缩略展示） image_b64 = None text_result = data if name == "de_screenshot" and isinstance(data, dict) and data.get("ok"): img = (data.get("data") or {}).get("image") or {} if img.get("data"): text_result = {k: v for k, v in (data.get("data") or {}).items() if k != "image"} image_b64 = img["data"] if self.on_tool: try: self.on_tool({"tool": name, "args": args, "result": text_result, "image": image_b64}) except Exception: pass return text_result, image_b64 def _repair_tool_messages(self): """修复 tool_calls 配对不完整：从尾部移除「assistant 带 tool_calls 但其后 tool 回应不足」的消息段（流中断可能丢失分片，400 重试前自愈）。""" for i in range(len(self.messages) - 1, -1, -1): m = self.messages[i] if m.get("role") == "assistant" and m.get("tool_calls"): # 只数**紧跟着的连续** tool 消息：模型侧要求工具回应连续排列， # 中间夹一条 user（如截图图像）就会被判成"回应不足"。 need = len(m["tool_calls"]) have = 0 for x in self.messages[i + 1:]: if x.get("role") != "tool": break have += 1 if have < need: _log.warning("修复不完整 tool_calls 段（need=%d have=%d），回退 %d 条消息", need, have, len(self.messages) - i) self.messages = self.messages[:i] return # ---------- 主循环（流式） ---------- async def run_stream(self, prompt: str, serial: str = "", history=None, on_delta=None, on_tool=None, should_stop=None, extra_context=None, on_usage=None, mode: str = "chat"): """流式执行一轮指令，返回最终完整文本。 history：上一轮的 [{"role": "user"|"assistant", "content": 文本}] 列表， 用于多轮对话保持上下文（截图/工具消息不入历史，控制 token）。 on_delta(text, kind)：content/reasoning 文本增量（实时推给前端） on_tool(step)：工具调用完成（实时显示 MCP 步骤） should_stop：可调用 fn() -> bool，每轮模型调用前检查（用户中断用） extra_context：附加文本（经验记忆注入，放在 system prompt 末尾） on_usage(usage)：每完成一次模型调用回调一次（累计值，见 self.usage） mode：`chat`（默认，AI 控制台聊天）或 `designer`（AI 建任务：改系统提示词、 放宽输出长度上限、注册的本地工具生效） 本轮累计 token 用量同时留在 self.usage（调用方可直接读）。 """ self.on_delta = on_delta self.on_tool = on_tool self.on_usage = on_usage self.mode = mode self.max_tokens = _DESIGNER_MAX_TOKENS if mode == "designer" else _DEFAULT_MAX_TOKENS self._tool_counts = {} self.usage = {"prompt_tokens": 0, "completion_tokens": 0, "total_tokens": 0, "calls": 0} target = serial or self.s.default_serial sys_txt = DESIGNER_SYSTEM_PROMPT if mode == "designer" else CHAT_SYSTEM_PROMPT if target: sys_txt += f"\n\n本次默认目标设备 serial：{target}（未指定设备时用它）。" if extra_context: sys_txt += f"\n\n## 过往成功经验参考（同类任务，可参考其中的操作套路，但要根据当前界面灵活调整）\n{extra_context}" self.messages = [{"role": "system", "content": sys_txt}] for h in (history or []): if h.get("role") in ("user", "assistant") and h.get("content"): self.messages.append({"role": h["role"], "content": h["content"]}) self.messages.append({"role": "user", "content": prompt}) for _step in range(self.s.max_steps): if should_stop and should_stop(): _log.info("Agent 被用户中断") return "（已按用户要求停止操作）" content_parts = [] tool_acc = {} # index -> {id, name, args} has_tool = False retried = False call_usage = None # 本次模型调用的 usage（末尾 chunk 带） while True: call_usage = None # 重试时丢弃上一次（未完成）的用量 try: async for chunk in self._chat_stream(): if chunk.get("usage"): call_usage = chunk["usage"] choice = (chunk.get("choices") or [{}])[0] delta = choice.get("delta") or {} text = delta.get("content") if text: content_parts.append(text) if on_delta: on_delta(text, "content") rtext = delta.get("reasoning_content") if rtext: if on_delta: on_delta(rtext, "reasoning") for tc in delta.get("tool_calls") or []: has_tool = True idx = tc.get("index", 0) acc = tool_acc.setdefault(idx, {"id": "", "name": "", "args": ""}) if tc.get("id"): acc["id"] = tc["id"] fn = tc.get("function") or {} if fn.get("name"): acc["name"] += fn["name"] if fn.get("arguments"): acc["args"] += fn["arguments"] break except RuntimeError as e: # 流中断导致 tool_calls 分片丢失：修复后重试一次 if ("tool_calls" in str(e) or "must be followed" in str(e)) and not retried: _log.warning("tool_calls 消息不完整，自愈重试") self._repair_tool_messages() retried = True continue raise self._accumulate_usage(call_usage) full_content = "".join(content_parts) if has_tool: # 组装 assistant 消息（含 tool_calls）并执行工具 tcs = [] for idx in sorted(tool_acc): acc = tool_acc[idx] tcs.append({"id": acc["id"] or f"call_{idx}", "type": "function", "function": {"name": acc["name"], "arguments": acc["args"]}}) self.messages.append({"role": "assistant", "content": full_content, "tool_calls": tcs}) # 工具结果必须**连续**跟在带 tool_calls 的 assistant 消息后面： # 中间插任何消息都会被模型侧判成"工具回应不足"而 400 # （An assistant message with 'tool_calls' must be followed by tool # messages responding to each 'tool_call_id'）。 # 截图图像因此先攒着，等本轮所有 tool 消息都发完，再作为一条 user 消息附上。 pending_images = [] for tc in tcs: fn = tc["function"] text_result, image_b64 = await self._execute_tool( fn["name"], fn["arguments"]) self.messages.append({ "role": "tool", "tool_call_id": tc["id"], "content": json.dumps(text_result, ensure_ascii=False)[:4000]}) if image_b64: pending_images.append(image_b64) if pending_images: content = [{"type": "text", "text": "这是最新屏幕截图，请基于它继续判断"}] for img in pending_images: content.append({"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img}"}}) self.messages.append({"role": "user", "content": content}) continue # 无工具调用：本轮即最终回答 return full_content # 步骤超限：不带工具让模型做最终总结（避免机械提示，给用户有意义的结论） try: _log.warning("达到最大步骤数，请求模型收尾总结") saved_tools = self.tools_schema self.tools_schema = [] self.messages.append({"role": "user", "content": "已达最大操作步骤数，请立即用中文总结：" "已完成的部分、当前设备状态、未能完成的原因与下一步建议。" "不要调用任何工具。"}) parts = [] call_usage = None async for chunk in self._chat_stream(): if chunk.get("usage"): call_usage = chunk["usage"] delta = (chunk.get("choices") or [{}])[0].get("delta") or {} text = delta.get("content") if text: parts.append(text) if on_delta: on_delta(text, "content") self._accumulate_usage(call_usage) self.tools_schema = saved_tools summary = "".join(parts) return summary or "（已达步骤上限，模型未能生成总结）" except Exception as e: return f"（已达最大步骤数，且收尾总结失败: {e}）" # ---------- 非流式（CLI） ---------- async def run(self, prompt: str, serial: str = "") -> str: """非流式执行，返回最终文本（CLI 用，内部走流式收集）。""" return await self.run_stream(prompt, serial)