demo.py
demo.py
"""
实验 9-2 演示:用 ReAct Agent + PineClaw Voice(模拟)完成一个电话任务。
运行:
python demo.py
它会真实调用 OpenAI:一边驱动上层 ReAct Agent 决策,一边在 make_phone_call 内部
用 OpenAI 扮演被叫方(IVR + 客服)完成一整段多轮通话,最后打印:
(a) Agent 的 ReAct 轨迹(思考 + 发起 make_phone_call)
(b) 返回的结构化通话记录(多轮 transcript + 是否达成目标 + 关键字段)
(c) Agent 基于通话结果向用户的最终汇报
"""
from __future__ import annotations
import argparse
import os
import sys
try:
from dotenv import load_dotenv
load_dotenv()
except ImportError:
pass
from agent import run_agent
def _hr(title: str = "") -> None:
line = "─" * 72
if title:
print(f"\n{line}\n{title}\n{line}")
else:
print(line)
def _print_record(rec: dict) -> None:
print(f" call_id : {rec['call_id']}")
print(f" 被叫号码 : {rec['phone_number']}")
print(f" 状态 : {rec['status']} | 是否达成目标: {rec['goal_achieved']}")
print(f" 通话时长(模拟) : {rec['duration_seconds']} 秒")
print(f" 摘要 : {rec['summary']}")
print(" 关键字段(key_fields):")
if rec["key_fields"]:
for k, v in rec["key_fields"].items():
print(f" - {k}: {v}")
else:
print(" (无)")
print(f" 需要追问 : {rec['follow_up_needed']} {rec.get('follow_up_reason', '')}")
print(" 通话转录(transcript):")
for turn in rec["transcript"]:
speaker = turn["speaker"]
# 简单对齐:语音Agent 用 >>,被叫方用 <<
arrow = ">>" if speaker == "语音Agent" else "<<"
print(f" {arrow} [{speaker}] {turn['text']}")
_DEFAULT_TASK = (
"帮我打电话给宽带客服(客服热线 10010),查询本月账单为什么多扣了 50 元,"
"要求对方解释清楚原因,如果是误扣就请他们处理。我的宽带账号是 hz-88231。"
)
def parse_args() -> argparse.Namespace:
p = argparse.ArgumentParser(
description="实验 9-2:把 PineClaw Voice(make_phone_call)当工具的 ReAct 电话 Agent。"
"给一个自然语言电话任务,Agent 自行决定号码/目标/上下文并(模拟)拨打,"
"读取结构化通话记录后向用户汇报。",
epilog="示例:\n"
" python demo.py # 书中默认的宽带账单任务(需 OPENAI_API_KEY)\n"
" python demo.py --dry-run # 完全离线:脚本化 ReAct 轨迹,无需任何 API Key\n"
" python demo.py --task \"帮我打电话给餐厅订今晚 7 点 4 人的位子\" --phone 021-8888\n"
" python demo.py --model gpt-5.6-luna # 覆盖模型",
formatter_class=argparse.RawDescriptionHelpFormatter,
)
p.add_argument("--task", default=_DEFAULT_TASK,
help="自定义电话任务(自然语言)。默认用书中的宽带账单示例。")
p.add_argument("--phone", default=None, metavar="号码",
help="可选:对方电话号码。给定时作为已知信息交给 Agent(dry-run 下直接用作被叫号码)。")
p.add_argument("--goal", default=None, metavar="目标",
help="可选:明确的通话目标。给定时作为已知信息交给 Agent(dry-run 下直接用作通话目标)。")
p.add_argument("--model", default=None, metavar="模型",
help="可选:覆盖使用的模型(默认取环境变量 OPENAI_MODEL,即 gpt-5.6-luna)。")
p.add_argument("--dry-run", action="store_true",
help="离线脚本模式:不联网、不需要任何 API Key,仅演示 ReAct 循环与数据契约的形状。")
return p.parse_args()
def main() -> None:
args = parse_args()
if not args.dry_run and not (os.getenv("OPENAI_API_KEY") or os.getenv("OPENROUTER_API_KEY")):
print("错误:未检测到 OPENAI_API_KEY 或 OPENROUTER_API_KEY。请复制 env.example 为 .env "
"并至少填入其一,或改用 python demo.py --dry-run 走完全离线的脚本演示。")
sys.exit(1)
# 书中示例任务:注意这里只给了自然语言任务,Agent 需自行决定通话参数。
task = args.task
_hr("用户任务")
print(task)
if args.dry_run:
print("\n[模式] dry-run 离线脚本模拟:以下轨迹与通话记录均为固定脚本,"
"不调用任何 LLM/电话 API,仅用于演示 ReAct 循环的形状。")
_hr("ReAct Agent 轨迹")
def on_event(kind: str, payload) -> None:
if kind == "think":
print(f"\n[Agent 思考] {payload}")
elif kind == "call":
print("\n[Agent 调用工具 make_phone_call] 入参:")
print(f" phone_number = {payload.get('phone_number')}")
print(f" goal = {payload.get('goal')}")
print(f" context = {payload.get('context', '')}")
elif kind == "record":
print("\n[PineClaw 返回结构化通话记录]")
_print_record(payload)
elif kind == "final":
pass # 最终汇报单独打印
final = run_agent(
task,
on_event=on_event,
model=args.model,
phone_hint=args.phone,
goal_hint=args.goal,
dry_run=args.dry_run,
)
_hr("Agent 向用户的最终汇报")
print(final)
print()
if __name__ == "__main__":
main()