init

agents/data_mining_agent/__init__.py

@@ -0,0 +1,7 @@
+"""
+Data Mining Agent - Moss AI 用户行为数据挖掘与场景分析系统
+使用GMM算法分析用户智能家居使用习惯，提供个性化场景推荐
+"""
+
+__version__ = "1.0.0"
+

agents/data_mining_agent/__main__.py

@@ -0,0 +1,118 @@
+
+
+
+
+
+"""
+主入口点 - 用于 `uv run .` 或 `python -m data_mining_agent` 启动服务
+数据挖掘 Agent - 用户行为分析与场景推荐
+"""
+
+import sys
+from pathlib import Path
+import click
+import logging
+import uvicorn
+from a2a.types import (
+    AgentCapabilities,
+    AgentCard,
+    AgentSkill,
+)
+from a2a.server.apps import A2AStarletteApplication
+from a2a.server.request_handlers import DefaultRequestHandler
+import httpx
+from a2a.server.tasks import (
+    BasePushNotificationSender,
+    InMemoryPushNotificationConfigStore,
+    InMemoryTaskStore,
+)
+
+# 确保当前目录和父目录在 Python 路径中
+current_dir = Path(__file__).parent
+parent_dir = current_dir.parent
+if str(current_dir) not in sys.path:
+    sys.path.insert(0, str(current_dir))
+if str(parent_dir) not in sys.path:
+    sys.path.insert(0, str(parent_dir))
+
+from executor import DataMiningAgentExecutor
+from agent import DataMiningAgent
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+@click.command()
+@click.option("--host", "host", default=None, help="服务主机地址（默认从config.yaml读取）")
+@click.option("--port", "port", default=None, type=int, help="服务端口（默认从config.yaml读取）")
+def main(host, port):
+    """Starts the Data Mining Agent server."""
+    try:
+        # 从配置文件读取 host 和 port（如果命令行未指定）
+        if host is None or port is None:
+            from config_loader import get_config_loader
+            config_loader = get_config_loader(strict_mode=False)
+            default_host, default_port = config_loader.get_agent_host_port('data_mining')
+            host = host or default_host
+            port = port or default_port
+        
+        capabilities = AgentCapabilities(
+            push_notifications=False,
+            state_transition_history=False,
+            streaming=False,
+        )
+        skill = AgentSkill(
+            id="analyze_user_behavior",
+            name="User Behavior Analysis & Scene Mining",
+            description="使用GMM算法分析用户智能家居使用习惯，提供个性化场景推荐。从StarRocks数据库挖掘设备操作历史，识别用户行为模式。",
+            tags=["data mining", "user behavior", "GMM clustering", "scene analysis", "personalization", "smart home"],
+            examples=[
+                "分析用户睡觉时的习惯",
+                "查询用户起床后通常做什么",
+                "我要出门了，推荐设备操作",
+                "分析用户晚上回家的习惯",
+                "查看数据挖掘Agent状态",
+            ],
+        )
+        agent_card = AgentCard(
+            name="Data Mining Agent",
+            description="智能家居用户行为数据挖掘与场景分析专家。使用高斯混合模型(GMM)对用户历史操作进行场景聚类，为Conductor Agent提供个性化推荐。",
+            url=f"http://{host}:{port}/",
+            version="1.0.0",
+            default_input_modes=DataMiningAgent.SUPPORTED_CONTENT_TYPES,
+            default_output_modes=DataMiningAgent.SUPPORTED_CONTENT_TYPES,
+            capabilities=capabilities,
+            skills=[skill],
+        )
+
+        # --8<-- [start:DefaultRequestHandler]
+        httpx_client = httpx.AsyncClient()
+        push_config_store = InMemoryPushNotificationConfigStore()
+        push_sender = BasePushNotificationSender(
+            httpx_client=httpx_client, config_store=push_config_store
+        )
+        request_handler = DefaultRequestHandler(
+            agent_executor=DataMiningAgentExecutor(),
+            task_store=InMemoryTaskStore(),
+            push_config_store=push_config_store,
+            push_sender=push_sender,
+        )
+        server = A2AStarletteApplication(
+            agent_card=agent_card, http_handler=request_handler
+        )
+
+        logger.info(f"🚀 数据挖掘 Agent 启动成功")
+        logger.info(f"📊 提供用户行为分析与场景挖掘服务")
+        logger.info(f"🔗 服务地址: http://{host}:{port}/")
+        
+        uvicorn.run(server.build(), host=host, port=port)
+        # --8<-- [end:DefaultRequestHandler]
+
+    except Exception as e:
+        logger.error(f"An error occurred during server startup: {e}")
+        sys.exit(1)
+
+
+if __name__ == "__main__":
+    main()
+

agents/data_mining_agent/agent.py

@@ -0,0 +1,198 @@
+from typing import Any
+from langchain_core.messages import AIMessage, ToolMessage
+from langchain_openai import ChatOpenAI
+from langgraph.checkpoint.memory import MemorySaver
+from langgraph.prebuilt import create_react_agent
+
+import logging
+import sys
+import os
+
+# 添加父目录到路径以导入config_loader
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+from config_loader import get_config_loader
+
+from tools import (
+    query_user_scene_habits,
+    get_data_mining_status,
+    submit_user_feedback
+)
+
+memory = MemorySaver()
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+class DataMiningAgent:
+    SUPPORTED_CONTENT_TYPES = ['text', 'text/plain']
+    
+    # 默认系统提示词（备用）
+    DEFAULT_SYSTEM_PROMPT = (
+        '你是一个专业的用户行为数据挖掘助手，负责分析智能家居系统中的用户使用习惯。'
+        '你的主要职责是：'
+        '1. 从StarRocks数据库中读取用户的设备操作历史'
+        '2. 使用高斯混合模型(GMM)对用户行为进行场景聚类分析'
+        '3. 识别用户的使用模式和习惯'
+        '4. 为Conductor Agent提供个性化的场景推荐'
+        ''
+        '工具使用指南：'
+        '1. 场景习惯查询：当需要分析用户在特定场景下的习惯时，'
+        '   调用 query_user_scene_habits 工具，传入用户查询（如"睡觉"、"起床"、"回家"）'
+        '   该工具会：'
+        '   - 从数据库读取用户最近N天的设备操作记录'
+        '   - 使用GMM算法进行场景聚类'
+        '   - 分析每个场景的设备操作特征'
+        '   - 匹配与用户查询最相关的场景'
+        '   - 返回该场景的设备操作建议'
+        ''
+        '2. 状态查询：当需要了解数据挖掘Agent的运行状态时，'
+        '   调用 get_data_mining_status 工具获取系统状态和统计信息'
+        ''
+        '数据分析流程：'
+        '第一步：特征提取'
+        '  - 从操作时间提取：小时、分钟、星期几、是否周末、时段特征'
+        '  - 从设备类型提取：设备类别编码'
+        ''
+        '第二步：GMM聚类'
+        '  - 使用高斯混合模型对特征进行聚类'
+        '  - 自动确定最优聚类数量（2-5个场景）'
+        '  - 每个聚类代表一个用户使用场景'
+        ''
+        '第三步：场景分析'
+        '  - 分析每个场景的时间特征（早上/下午/晚上/夜晚）'
+        '  - 统计每个场景中的设备操作频次'
+        '  - 提取最常见的操作和参数'
+        ''
+        '第四步：场景匹配'
+        '  - 根据用户查询中的关键词匹配场景'
+        '  - 考虑时间特征和设备类型'
+        '  - 返回最相关场景的操作建议'
+        ''
+        '数据不足处理：'
+        '当历史数据不足时（少于10条记录），明确告知调用方：'
+        '  - 返回 status: "insufficient_data"'
+        '  - 建议使用通用最佳实践'
+        '  - Conductor Agent会启用保底方案（AI搜索）'
+        ''
+        '响应格式：'
+        '始终返回JSON格式的分析结果，包含：'
+        '  - status: 状态（success/insufficient_data/error）'
+        '  - message: 描述信息'
+        '  - matched_scene: 匹配的场景信息'
+        '  - recommendation: 具体的设备操作建议'
+        '  - all_scenes: 所有识别的场景列表'
+        ''
+        '与Conductor Agent的协作：'
+        '你是Conductor Agent的数据支持服务，专注于：'
+        '  - 提供基于历史数据的个性化建议'
+        '  - 识别用户的使用习惯和偏好'
+        '  - 当数据不足时，及时告知以便启用备选方案'
+        ''
+        '始终以中文回复，提供清晰、结构化的分析结果。'
+    )
+
+    def __init__(self):
+        # 从数据库加载配置（严格模式：配置加载失败则退出）
+        try:
+            config_loader = get_config_loader(strict_mode=True)
+            
+            # 加载AI模型配置
+            ai_config = config_loader.get_default_ai_model_config()
+            self.model = ChatOpenAI(
+                model=ai_config['model'],
+                api_key=ai_config['api_key'],
+                base_url=ai_config['api_base'],
+                temperature=ai_config['temperature'],
+            )
+            
+            # 加载系统提示词
+            system_prompt = config_loader.get_agent_prompt('data_mining')
+            if system_prompt:
+                self.SYSTEM_PROMPT = system_prompt
+            else:
+                logger.warning("⚠️ 未找到数据挖掘Agent的系统提示词，使用默认提示词")
+                self.SYSTEM_PROMPT = self.DEFAULT_SYSTEM_PROMPT
+            
+        except Exception as e:
+            logger.error(f"❌ 配置加载失败: {e}")
+            logger.error("⚠️  请确保:")
+            logger.error("   1. StarRocks 数据库已启动")
+            logger.error("   2. 已执行数据库初始化脚本: data/init_config.sql 和 data/ai_config.sql")
+            logger.error("   3. config.yaml 中的数据库连接配置正确")
+            raise SystemExit(1) from e
+        
+        self.tools = [
+            query_user_scene_habits,
+            get_data_mining_status,
+            submit_user_feedback
+        ]
+
+        self.graph = create_react_agent(
+            self.model,
+            tools=self.tools,
+            checkpointer=memory,
+            prompt=self.SYSTEM_PROMPT,
+        )
+
+    async def invoke(self, query, context_id) -> dict[str, Any]:
+        """非流式调用，直接返回最终结果"""
+        inputs = {'messages': [('user', query)]}
+        config = {'configurable': {'thread_id': context_id}}
+        
+        # 直接调用invoke，不使用stream
+        result = self.graph.invoke(inputs, config)
+        
+        return self.get_agent_response(config)
+
+    def _extract_text_from_message(self, msg: AIMessage | ToolMessage | Any) -> str:
+        try:
+            content = getattr(msg, 'content', None)
+            if isinstance(content, str):
+                return content
+            if isinstance(content, list):
+                parts = []
+                for part in content:
+                    if isinstance(part, dict) and 'text' in part:
+                        parts.append(part['text'])
+                if parts:
+                    return '\n'.join(parts)
+        except Exception:
+            pass
+        return ''
+
+    def get_agent_response(self, config):
+        current_state = self.graph.get_state(config)
+        messages = current_state.values.get('messages') if hasattr(current_state, 'values') else None
+
+        # 优先返回最近一次AI消息内容（包含工具调用结果）
+        if isinstance(messages, list) and messages:
+            for msg in reversed(messages):
+                if isinstance(msg, AIMessage):
+                    ai_text = self._extract_text_from_message(msg)
+                    if ai_text:
+                        return {
+                            'is_task_complete': True,
+                            'require_user_input': False,
+                            'content': ai_text,
+                        }
+
+        # 回退到最后一条消息
+        final_text = ''
+        if isinstance(messages, list) and messages:
+            last_msg = messages[-1]
+            final_text = self._extract_text_from_message(last_msg)
+
+        if not final_text:
+            return {
+                'is_task_complete': False,
+                'require_user_input': True,
+                'content': '当前无法处理您的请求，请稍后重试。',
+            }
+
+        return {
+            'is_task_complete': True,
+            'require_user_input': False,
+            'content': final_text,
+        }
+

agents/data_mining_agent/executor.py

@@ -0,0 +1,96 @@
+import logging
+
+from a2a.server.agent_execution import AgentExecutor, RequestContext
+from a2a.server.events import EventQueue
+from a2a.server.tasks import TaskUpdater
+from a2a.types import (
+    InternalError,
+    InvalidParamsError,
+    Part,
+    TaskState,
+    TextPart,
+    UnsupportedOperationError,
+)
+from a2a.utils import (
+    new_agent_text_message,
+    new_task,
+)
+from a2a.utils.errors import ServerError
+
+from agent import DataMiningAgent
+
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+class DataMiningAgentExecutor(AgentExecutor):
+    """Data Mining AgentExecutor."""
+
+    def __init__(self):
+        self.agent = DataMiningAgent()
+
+    async def execute(
+        self,
+        context: RequestContext,
+        event_queue: EventQueue,
+    ) -> None:
+        error = self._validate_request(context)
+        if error:
+            raise ServerError(error=InvalidParamsError())
+
+        query = context.get_user_input()
+        task = context.current_task
+        if not task:
+            task = new_task(context.message)  # type: ignore
+            await event_queue.enqueue_event(task)
+        updater = TaskUpdater(event_queue, task.id, task.context_id)
+        try:
+            # 使用非流式invoke方法
+            result = await self.agent.invoke(query, task.context_id)
+            
+            is_task_complete = result.get('is_task_complete', True)
+            require_user_input = result.get('require_user_input', False)
+            content = result.get('content', '处理完成')
+            
+            if require_user_input:
+                await updater.update_status(
+                    TaskState.input_required,
+                    new_agent_text_message(
+                        content,
+                        task.context_id,
+                        task.id,
+                    ),
+                    final=True,
+                )
+            elif is_task_complete:
+                await updater.add_artifact(
+                    [Part(root=TextPart(text=content))],
+                    name='data_mining_result',
+                )
+                await updater.complete()
+            else:
+                # 如果既不需要输入也未完成，设置为working状态
+                await updater.update_status(
+                    TaskState.working,
+                    new_agent_text_message(
+                        content,
+                        task.context_id,
+                        task.id,
+                    ),
+                )
+
+        except Exception as e:
+            logger.error(f'An error occurred while processing the request: {e}')
+            raise ServerError(error=InternalError()) from e
+
+    def _validate_request(self, context: RequestContext) -> bool:
+        # 这里可以添加请求验证逻辑
+        # 返回 True 表示有错误，False 表示验证通过
+        return False
+
+    async def cancel(
+        self, context: RequestContext, event_queue: EventQueue
+    ) -> None:
+        raise ServerError(error=UnsupportedOperationError())
+

agents/data_mining_agent/pyproject.toml

@@ -0,0 +1,28 @@
+[project]
+name = "data-mining-agent"
+version = "1.0.0"
+description = "Moss AI 用户行为数据挖掘与场景分析 Agent"
+readme = "README.md"
+requires-python = ">=3.10"
+dependencies = [
+    "a2a>=0.1.0",
+    "click>=8.0.0",
+    "uvicorn[standard]>=0.24.0",
+    "httpx>=0.25.0",
+    "PyYAML>=6.0.0",
+    "starlette>=0.27.0",
+    "pymysql>=1.0.0",
+    "numpy>=1.24.0",
+    "scikit-learn>=1.3.0",
+]
+
+[build-system]
+requires = ["hatchling"]
+build-backend = "hatchling.build"
+
+[tool.uv]
+dev-dependencies = []
+
+[tool.hatch.build.targets.wheel]
+packages = ["."]
+