# 不好的做法
prompt = "请分析这个用户反馈并告诉我情感倾向"

# 好的做法
prompt = """
请分析以下用户反馈的情感倾向，并以 JSON 格式返回：
{
  "sentiment": "positive|negative|neutral",
  "confidence": 0-1 之间的数字，
  "key_themes": ["主题 1", "主题 2"],
  "urgency": "low|medium|high"
}

用户反馈：{feedback}
"""

prompt = """
请逐步分析这个问题：

1. 首先，识别问题中的关键信息
2. 然后，分析各个因素之间的关系
3. 接着，考虑可能的解决方案
4. 最后，给出推荐方案并说明理由

问题：{complex_question}
"""

用户问题 → 检索相关文档 → 拼接 context → LLM 生成答案

def rag_query(user_question):
    # 1. 将问题转换为向量
    query_embedding = embed(user_question)
    
    # 2. 检索最相关的文档片段
    relevant_docs = vector_db.search(query_embedding, top_k=5)
    
    # 3. 构建增强 prompt
    context = "\n\n".join([doc.content for doc in relevant_docs])
    prompt = f"""基于以下背景信息回答问题：

{context}

问题：{user_question}

如果背景信息中没有答案，请明确说明"根据现有资料无法回答此问题"。"""
    
    # 4. 调用 LLM
    return llm.generate(prompt)

tools = [
    {
        "name": "search_database",
        "description": "查询用户订单信息",
        "parameters": {
            "type": "object",
            "properties": {
                "order_id": {"type": "string", "description": "订单 ID"}
            },
            "required": ["order_id"]
        }
    },
    {
        "name": "send_email",
        "description": "发送邮件通知",
        "parameters": {...}
    }
]

# 模型返回工具调用意图
response = llm.chat(messages, tools=tools)

# 解析并执行工具调用
if response.tool_calls:
    for tool_call in response.tool_calls:
        result = execute_tool(tool_call.name, tool_call.args)
        # 将结果返回给模型继续对话

# 第一轮：生成初稿
draft = llm.generate(initial_prompt)

# 第二轮：自我评审
review = llm.generate(f"""
请评审以下内容的准确性、完整性和逻辑性：

{draft}

指出任何问题并提供改进建议。""")

# 第三轮：根据评审修正
final = llm.generate(f"""
基于以下评审意见修改内容：

原始内容：{draft}
评审意见：{review}

请输出修改后的最终版本。""")

┌─────────────────────────────────────────┐
│           Orchestrator Agent            │
│  (理解任务、分解、分配、整合结果)        │
└───────────────┬─────────────────────────┘
                │
    ┌───────────┼───────────┐
    │           │           │
    ▼           ▼           ▼
┌────────┐ ┌────────┐ ┌────────┐
│ Research│ │ Writing│ │ Review │
│ Agent  │ │ Agent  │ │ Agent  │
└────────┘ └────────┘ └────────┘

class AgentOrestrator:
    def __init__(self):
        self.researcher = Agent(role="研究员", tools=[search, scrape])
        self.writer = Agent(role="作家", tools=[outline, draft])
        self.reviewer = Agent(role="审核员", tools=[fact_check, style_check])
    
    def execute(self, task):
        # 分解任务
        subtasks = self.decompose(task)
        
        # 并行执行
        research_result = self.researcher.run(subtasks["research"])
        draft = self.writer.run({"research": research_result, "task": subtasks["write"]})
        
        # 审核迭代
        final = self.reviewer.run_and_revise(draft)
        
        return final

def human_in_loop_workflow(user_request):
    # AI 自动处理
    result = ai_process(user_request)
    
    # 评估置信度
    if result.confidence < 0.8:
        # 低置信度，需要人工审核
        task = create_review_task(result)
        notify_human(task)
        result = wait_for_human_review(task)
    
    # 敏感操作需要确认
    if result.action in ["delete", "transfer_money", "publish"]:
        confirm = ask_human_confirmation(result)
        if not confirm:
            return abort()
    
    return execute(result)