AMAnalyze 对话助手

一个基于 LangChain 和 Streamlit 的多轮对话助手，支持工具调用和对话历史记录。

功能特性

• ✅ 多轮对话支持
• ✅ 对话历史记录（保存为JSON文件）
• ✅ 工具调用跟踪
• ✅ Streamlit Web界面
• ✅ 会话管理（创建、切换、删除）

安装

1. 安装依赖：

pip install -r requirements.txt

2. 设置环境变量：

export DEEPSEEK_API_KEY="your_api_key_here"

Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_api_key_here"

使用方法

启动Web界面

streamlit run app.py

然后在浏览器中打开显示的URL（通常是 http://localhost:8501）

命令行使用

python agent.py

项目结构

AMAnalyze/
├── agent.py                 # Agent核心逻辑
├── llm.py                   # LLM配置
├── conversation_manager.py  # 对话历史管理器
├── app.py                   # Streamlit前端界面
├── requirements.txt         # 依赖包列表
├── conversations/           # 对话历史存储目录（自动创建）
└── skills/                  # 技能目录
    ├── caculator/
    │   ├── SKILL.md
    │   └── skill.py
    └── summarize-skill/
        ├── SKILL.MD
        └── skill.py

对话历史格式

对话历史保存在 conversations/ 目录下的JSON文件中，格式如下：

{
  "conversation_id": "20240101_120000_123456",
  "created_at": "2024-01-01T12:00:00",
  "updated_at": "2024-01-01T12:05:00",
  "turns": [
    {
      "turn_number": 1,
      "timestamp": "2024-01-01T12:00:00",
      "user_input": "帮我计算 12 * (8 + 5)",
      "llm_input": [...],
      "llm_output": [...],
      "tool_calls": [
        {
          "name": "calculator",
          "args": {"expression": "12 * (8 + 5)"},
          "id": "..."
        }
      ],
      "final_response": "计算结果为 156"
    }
  ]
}

开发

添加新技能

1. 在 skills/ 目录下创建新文件夹
2. 创建 SKILL.md 文件，定义技能元数据
3. 创建 skill.py 文件，实现 run() 函数

示例：

# skills/my_skill/skill.py
def run(param: str) -> str:
    """技能描述"""
    # 实现逻辑
    return result

许可证

MIT License