from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI

# 初始化语言模型
llm = ChatOpenAI(model="gpt-4-turbo")

# 定义研究智能体
researcher_agent = Agent(
    role='研究专家',
    goal='收集和分析关于指定主题的全面信息',
    backstory='你是一位经验丰富的研究员，擅长从各种来源收集和分析信息。',
    verbose=True,
    allow_delegation=False,
    llm=llm
)

# 定义分析智能体
analyst_agent = Agent(
    role='数据分析师',
    goal='分析研究数据并识别关键洞察',
    backstory='你是一位专业的数据分析师，擅长从复杂数据中提取有意义的洞察。',
    verbose=True,
    allow_delegation=False,
    llm=llm
)

# 定义写作智能体
writer_agent = Agent(
    role='技术作家',
    goal='将分析结果转化为清晰、引人入胜的报告',
    backstory='你是一位技术作家，擅长将复杂信息转化为易于理解的格式。',
    verbose=True,
    allow_delegation=False,
    llm=llm
)

# 定义任务
research_task = Task(
    description='研究人工智能在医疗保健中的最新趋势',
    expected_output='关于AI医疗保健趋势的详细研究报告',
    agent=researcher_agent
)

analysis_task = Task(
    description='分析研究数据并识别关键模式',
    expected_output='数据分析和关键洞察摘要',
    agent=analyst_agent
)

writing_task = Task(
    description='基于分析和研究创建综合报告',
    expected_output='关于AI医疗保健趋势的综合报告',
    agent=writer_agent
)

# 创建crew
research_crew = Crew(
    agents=[researcher_agent, analyst_agent, writer_agent],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.sequential,
    verbose=True
)

# 执行crew
def run_research_project():
    """运行研究项目"""
    result = research_crew.kickoff()
    return result

# 示例使用
if __name__ == "__main__":
    result = run_research_project()
    print(f"研究结果: {result}")

from langchain.agents import Tool, AgentExecutor, create_react_agent
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema import AgentAction, AgentFinish
import json

# 初始化语言模型
llm = ChatOpenAI(model="gpt-4", temperature=0)

# 定义协作工具
def coordinate_agents(agents_info: str, task: str) -> str:
    """协调多个智能体执行任务"""
    coordination_prompt = f"""
    协调以下智能体执行任务：
    智能体信息: {agents_info}
    任务: {task}
    
    请提供协调计划，包括：
    1. 任务分配
    2. 执行顺序
    3. 通信协议
    4. 结果整合策略
    """
    
    response = llm.invoke(coordination_prompt)
    return response.content

def synthesize_results(results: str) -> str:
    """综合多个智能体的结果"""
    synthesis_prompt = f"""
    综合以下智能体的结果：
    结果: {results}
    
    请提供综合分析和最终建议。
    """
    
    response = llm.invoke(synthesis_prompt)
    return response.content

# 定义工具
tools = [
    Tool(
        name="coordinate_agents",
        description="协调多个智能体执行任务",
        func=coordinate_agents
    ),
    Tool(
        name="synthesize_results",
        description="综合多个智能体的结果",
        func=synthesize_results
    )
]

# 定义提示模板
prompt = PromptTemplate(
    template="""
    你是一个多智能体协调者。你的任务是：
    1. 分析任务需求
    2. 协调适当的智能体
    3. 综合结果
    
    可用工具:
    {tools}
    
    工具名称: {tool_names}
    
    用户问题: {input}
    
    请使用适当的工具来协调智能体。
    """,
    input_variables=["input", "tools", "tool_names"]
)

# 创建智能体
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 示例使用
def coordinate_multi_agent_task(task: str):
    """协调多智能体任务"""
    result = agent_executor.invoke({"input": f"请协调智能体执行以下任务: {task}"})
    return result

# 运行示例
if __name__ == "__main__":
    task = "分析市场趋势并制定营销策略"
    result = coordinate_multi_agent_task(task)
    print(f"协调结果: {result}")

from google.adk.agents import LlmAgent, SequentialAgent, ParallelAgent
from google.adk.tools import google_search
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.genai import types
import asyncio
import nest_asyncio

# 定义研究智能体
researcher_agent = LlmAgent(
    name="researcher",
    model="gemini-2.0-flash",
    instruction="""
    你是一个研究专家。你的任务是：
    1. 收集相关信息
    2. 分析数据
    3. 提供研究见解
    
    请始终以结构化的方式提供你的研究结果。
    """,
    description="专业研究智能体",
    tools=[google_search]
)

# 定义分析智能体
analyst_agent = LlmAgent(
    name="analyst",
    model="gemini-2.0-flash",
    instruction="""
    你是一个数据分析师。你的任务是：
    1. 分析研究数据
    2. 识别模式和趋势
    3. 提供分析见解
    
    请确保你的分析准确且基于数据。
    """,
    description="专业分析智能体",
    tools=[google_search]
)

# 定义综合智能体
synthesizer_agent = LlmAgent(
    name="synthesizer",
    model="gemini-2.0-flash",
    instruction="""
    你是一个综合专家。你的任务是：
    1. 整合研究结果
    2. 综合分析见解
    3. 提供最终建议
    
    请确保你的综合结果全面且实用。
    """,
    description="专业综合智能体",
    tools=[google_search]
)

# 创建协作智能体系统
collaboration_system = SequentialAgent(
    name="collaboration_system",
    sub_agents=[researcher_agent, analyst_agent, synthesizer_agent],
    description="多智能体协作系统"
)

# 运行协作系统
async def run_collaboration_system(topic: str):
    """运行协作系统"""
    session_service = InMemorySessionService()
    runner = Runner(
        agent=collaboration_system,
        app_name="collaboration_app",
        session_service=session_service
    )
    
    # 创建会话
    session = await session_service.create_session(
        app_name="collaboration_app",
        user_id="user_123",
        session_id="session_456"
    )
    
    # 发送消息
    content = types.Content(
        role='user',
        parts=[types.Part(text=f"请协作分析以下主题: {topic}")]
    )
    
    # 运行智能体
    events = runner.run(
        user_id="user_123",
        session_id="session_456",
        new_message=content
    )
    
    # 处理响应
    for event in events:
        if event.is_final_response():
            print(f"协作结果: {event.content.parts[0].text}")
            break

# 示例使用
if __name__ == "__main__":
    nest_asyncio.apply()
    asyncio.run(run_collaboration_system("人工智能的未来发展"))