26 Feb, 2026
2 commits
-
Made-with: Cursor
-
- **统一并增强 thinking/reasoning 处理的请求参数逻辑（`shopping_agent.py`）** - 新增基础工具函数用于判断不同 provider 类型： - `_normalize_base_url(base_url)`：标准化 `openai_api_base_url`（去空格与尾部 `/`），避免字符串比较不一致。 - `_is_openai_official_base_url(base_url)`：通过 hostname 判断是否为官方 `api.openai.com`，用于选择 Responses API。 - `_is_dashscope_base_url(base_url)`：通过 hostname 中是否包含 `dashscope` 来识别 DashScope 兼容模式。 - 在 `ShoppingAgent.__init__` 中基于 `base_url` 与 `openai_use_reasoning` 做**分支处理**，确保不同 provider 下的思考模式启用方式正确且互不干扰： - **OpenAI 官方（含未显式配置 base_url 的默认情况）**： - 当 `openai_use_reasoning=True` 且 `base_url` 为空或指向 `api.openai.com` 时： - 启用 `llm_kwargs["use_responses_api"] = True`，切换到 OpenAI Responses API。 - 设置 `llm_kwargs["model_kwargs"] = {"reasoning": {"effort": <配置>, "summary": "none"}}`，与官方 reasoning 参数保持一致。 - **DashScope OpenAI 兼容接口**： - 当 `openai_use_reasoning=True` 且 `base_url` 解析为 DashScope 域名时： - 在请求体中合并注入 `extra_body={"enable_thinking": True}`（保留已有 `extra_body` 字段），按照 DashScope 官方建议开启 Qwen3/QwQ 的思考模式。 - 不启用 Responses API，依然使用标准 `/chat/completions` 接口，符合 DashScope 兼容模式要求。 - **其他第三方 OpenAI 兼容服务**： - 当 `openai_use_reasoning=True` 且 `base_url` 既非 OpenAI 官方也非 DashScope 时： - 不再强行附加任何 provider 特定的 thinking 参数，仅记录一条 info 级别日志说明「请求了 reasoning，但当前 base_url 不识别为 OpenAI 或 DashScope，故跳过 provider-specific 参数」，避免潜在 4xx 报错或不可预期行为。 - 根据 provider 选择不同的 LLM 类： - 对于 **OpenAI 官方 endpoint**（包括默认未设置 `base_url` 时）仍使用原始 `ChatOpenAI`。 - 对于 **任何非 OpenAI 官方的 base_url**（包含 DashScope 和其他兼容实现），统一使用扩展后的 `ChatOpenAIWithReasoningContent`，保证即使未来有更多兼容服务返回 `reasoning_content` 字段，也能统一注入 `additional_kwargs`。 - **扩展 LLM 响应中的 thinking/reasoning 提取与日志记录（`shopping_agent.py`）** - 新增 `_coerce_reasoning_text(value)` 辅助函数，对多种结构的 reasoning 返回进行**鲁棒的文本提取**： - 支持 `str`、`dict`、`list` 等多种结构： - 对 `dict` 优先尝试聚合 `content` / `summary` / `text` / `reasoning_content` 字段； - 对 `list` 递归调用自身并按行拼接； - 当无法结构化提取时，兜底使用 `json.dumps(..., ensure_ascii=False)` 或 `str(value)`，避免因结构变更导致完全丢失思考信息。 - 在 `_extract_thinking(msg)` 中统一使用 `_coerce_reasoning_text`，大幅提高对不同模型/接口返回格式的兼容性： - 优先从 `msg.additional_kwargs["reasoning_content"]` 中提取（DashScope/Qwen 官方推荐字段）并返回。 - 其次从 `msg.additional_kwargs["reasoning"]` 中提取（OpenAI Responses API reasoning 对象）。 - 再次遍历 `msg.content` 为 list 的情况，识别 `type` 为 `"reasoning" / "reasoning_content" / "thinking"` 的内容块，并通过 `_coerce_reasoning_text` 提取文本。 - 最后对于纯字符串 content，通过 `_RE_THINK_INNER` 正则匹配 `<think>...</think>` 包裹的思考片段，只返回标签内正文。 - 在 `_message_for_log` 中增加 `include_thinking` 开关： - 当 `include_thinking=True` 时： - 调用 `_extract_thinking(msg)` 获取思考内容，并做长度截断（超过 `_LOG_CONTENT_MAX` 时尾部追加 `[truncated, total N chars]` 标记），然后写入 `out["thinking"]` 字段。 - 日志中区分「正式回复」与「thinking」两个字段，便于后续排查与分析。 - 调整 `_message_for_log` 对「是否需要走 `_extract_formal_reply`」的判断逻辑： - 如 `msg.additional_kwargs` 中存在 `reasoning` 或 `reasoning_content` 字段，则通过 `_extract_formal_reply` 去掉 thinking，只保留正式回复文本； - 否则直接使用 `_extract_message_text` 减少不必要处理。 - 在 LangGraph 的 `agent_node` 中，将 LLM 响应的日志调用更新为： - `response_log = _message_for_log(response, include_thinking=True)` - 确保每条 `LLM_RESPONSE` 日志都尽量带有 `"thinking"` 字段（在模型真实返回思考内容的前提下），方便线上观测与调试。 - **为兼容模式增加 `reasoning_content` 注入支持（`shopping_agent.py`）** - 新增 `ChatOpenAIWithReasoningContent` 子类，继承自 `ChatOpenAI`，重写 `_create_chat_result`： - `super()._create_chat_result(response, generation_info)` 后，通过原始 `response`（`dict` 或包含 `model_dump()` 的对象）提取 `choices[i].message.reasoning_content`。 - 对于每个 choice，如存在 `reasoning_content` 字段，则将其写入对应 `AIMessage` 的 `additional_kwargs["reasoning_content"]` 中。 - 该注入逻辑是幂等的、仅在字段存在时生效，对不返回 reasoning_content 的模型/服务没有副作用。 - 该子类专门用于 DashScope 及未来可能返回 `reasoning_content` 的其他兼容 provider，将 provider 特定逻辑集中在一处，方便维护。 - **补充与修正与 thinking 相关的正则和提取逻辑（`shopping_agent.py`）** - 在原有 `_RE_THINK_TAGS` 基础上新增加 `_RE_THINK_INNER`： - `_RE_THINK_TAGS`：用于从完整回复中移除 `<think>...</think>` 块，供 `_extract_formal_reply` 使用。 - `_RE_THINK_INNER`：用于仅提取 `<think>...</think>` 标签内部正文，供 `_extract_thinking` 使用，避免日志中重复包含标签本身。 - **更新配置注释以匹配新的 reasoning 行为（`config.py`）** - 改写 `openai_use_reasoning` 的注释，使其准确描述在不同 provider 下的启用方式： - OpenAI 官方 endpoint（含 `api.openai.com` base_url）：通过 Responses API 的 `reasoning` 参数启用思考模式。 - DashScope 兼容 endpoint：通过 `extra_body.enable_thinking=True` 开启思考模式，由模型返回 `reasoning_content`。 - 将 `openai_use_reasoning` 默认值设置为 `True`，以便在满足条件时自动启用 reasoning，同时由上游配置控制具体是否生效。
23 Feb, 2026
1 commit
22 Feb, 2026
1 commit
-
一、命名与引用统一 ----------------- - 全文将 [SEARCH_REF:ref_id] 统一为 [SEARCH_RESULTS_REF:ref_id]。 - README_prompts.md: 文档中两处 SEARCH_REF 改为 SEARCH_RESULTS_REF。 - app/agents/shopping_agent.py: 系统提示与注释中的 SEARCH_REF、make_search_products_tool 改为 SEARCH_RESULTS_REF、search_products。 - app/search_registry.py: 注释与 docstring 中的 SEARCH_REF 改为 SEARCH_RESULTS_REF。 - app.py: SEARCH_REF_PATTERN 重命名为 SEARCH_RESULTS_REF_PATTERN，正则与注释同步。 - app/tools/search_tools.py: 工具返回与注释中的 SEARCH_REF 改为 SEARCH_RESULTS_REF。 二、search_registry：ref_id 改为会话内自增 ----------------------------------------- - 移除 new_ref_id()（原 uuid 短码）；ref_id 改为按 session 自增：sr_1, sr_2, ... - SearchResultRegistry 新增 _session_counter 与 next_ref_id(session_id)。 - register 逻辑不变；clear_session 时同时清除 _session_counter。 三、search_tools：搜索逻辑统一、去除重复 --------------------------------------- - 新增 _call_search_api(query, size)：仅调用搜索 API，返回 (raw_results, total_hits) 或 None。 - 新增 _raw_to_product_items(raw_results, labels=None)：将 API 原始结果转为 list[ProductItem]；有 labels 时按 Relevant/Partially Relevant 过滤并打标，否则全部打 Partially Relevant。 - 新增 search_products_impl(query, limit, *, assess_quality=True, session_id=None, registry=None)：唯一搜索实现；返回 (ref_id_or_none, products, assessed_count)。assess_quality 且提供 session_id/registry 时执行 LLM 评估并写入 registry，否则仅调 API 并返回产品列表。 - make_search_products_tool 内 search_products 改为调用 search_products_impl(..., assess_quality=True, session_id, registry)，根据返回值拼工具说明文案；使用 registry.next_ref_id(session_id)。 - 新增 search_products_api_only(query, limit=12)：薄封装，调用 search_products_impl(..., assess_quality=False)，返回 list[ProductItem]，供前端「找相似」侧栏使用（仅 API，不做 LLM 评估）。 四、app.py：前端性能与交互优化 ----------------------------- 1) 图片缓存 - 模块级 _IMAGE_CACHE (OrderedDict)，最多 100 条；key 为 image_url 或 "local:{path}"。 - _load_product_image：先查缓存，命中则 move_to_end 并返回；未命中则请求/读本地后写入缓存并做 LRU 淘汰。 2) 减少全量 rerun（fragment） - render_referenced_products_in_input、render_bottom_actions_bar 加 @st.fragment，删除引用 / 点 Ask·Compare 时只重跑对应片段。 - 侧栏内容用 @st.fragment 的 _sidebar_fragment() 包裹，在 with st.sidebar 内调用，Clear Chat 时只重跑侧栏。 3) 「找相似」：先 loading，再仅调搜索 API - 点击 Similar products 时只设置 side_panel.payload = { query, loading: True } 并 rerun，侧栏先显示「加载中…」。 - main() 中若 side_panel.mode=="similar" 且 payload.loading，则调用 search_products_api_only(payload["query"], 12)，将结果写入 payload.products、loading=False，再 rerun。 - render_side_drawer：payload.loading 显示加载中；payload.products 存在则用该列表渲染卡片；否则保留基于 ref_id + registry 的兼容逻辑。 - 删除 _run_similar_search（原完整 search tool + LLM 评估），改为上述流程。 4) 长对话渲染 - 仅渲染最近 50 条消息（MAX_MESSAGES=50），msg_index 用 start_idx + i 保持 widget key 稳定；超过 50 条时顶部显示「仅显示最近 50 条，共 N 条消息」。 Co-authored-by: Cursor <cursoragent@cursor.com>
21 Feb, 2026
2 commits
20 Feb, 2026
4 commits
-
## 搜索工具与质量评估 - _assess_search_quality 仅返回 (labels, quality_summary)：去掉 verdict（优质/一般/较差）及依赖逻辑；prompt 要求 LLM 输出 labels + quality_summary（1–2 句：结果主要包含什么、是否基本满足意图、匹配度）。 - 工具返回格式统一为：【搜索完成】query='...' + 结果引用 [SEARCH_REF:ref_id] + 搜索结果质量情况（评估总条数、Highly Relevant / Partially Relevant 条数）+ results list（top10 标题）。 - 精简 prompt 与日志：评估输入仅保留序号+标题；删除 verdict_hint、逐条 SEARCH_RESULT_ITEM/SEARCH_RESULT_PRODUCT 日志，保留单行注册日志。 ## 三级标签改为英文 - 完美匹配 → Highly Relevant；部分匹配 → Partially Relevant；不相关 → Not Relevant。 - 全量替换：search_tools（prompt、valid、统计与过滤）、search_registry（ProductItem.match_label 默认及注释、SearchResult 注释）、app.py（卡片 label_style、结果块头部与筛选逻辑）。 ## Registry 与 UI - SearchResult 移除 quality_verdict 字段；quality_summary 由 _assess_search_quality 的 LLM 返回写入。 - 结果块头部不再展示 verdict 图标/文案，改为展示 query + Highly/Partially Relevant 件数 + quality_summary（若有）。 ## Agent - 系统提示词调整：角色与原则、价值提供与信息收集、search_products 与 [SEARCH_REF:xxx] 使用说明。 Co-authored-by: Cursor <cursoragent@cursor.com>
-
- Search image_url: parse results[].image_url, add _normalize_image_url() to convert protocol-less URLs (////host/path) to https://host/path; fix double slash (use https:// + url.lstrip("/") so normalized URL has single //). - Logging: log full LLM request/response (LLM_REQUEST, LLM_RESPONSE), full tool call results (TOOL_CALL_RESULT); for search tool log SEARCH_RESULT summary and per-item SEARCH_RESULT_ITEM (image_url_raw) and SEARCH_RESULT_PRODUCT (image_url_normalized). - Streamlit: replace deprecated use_container_width=True with width="stretch" for st.image and st.button. Co-authored-by: Cursor <cursoragent@cursor.com> -
## 搜索结果管理与人机回复引用 - 新增 app/search_registry.py：SearchResultRegistry + SearchResult/ProductItem 数据结构，按 session 存储每次搜索的 query、质量评估与商品列表。 - 搜索工具改为工厂 make_search_products_tool(session_id, registry)：每次搜索后由 LLM 对 top20 打标（完美匹配/部分匹配/不相关），产出整体 verdict（优质/一般/较差），仅将「完美+部分」写入 registry 并返回摘要 + [SEARCH_REF:ref_id]；不再向 Agent 返回完整商品列表。 - 废除 extract_products_from_response：最终回复中通过内联 [SEARCH_REF:xxx] 引用「搜索结果块」，UI 用 SEARCH_REF_PATTERN 解析后从 registry 取对应 SearchResult 渲染 query 标题 + 商品卡片，避免 LLM 复述商品列表，节省 token 并减少错误。 ## 系统提示与行为约束 - 系统提示词通用化（不绑定时尚品类），明确四步：理解意图 → 规划 2～4 个 query → 执行搜索并评估 → 撰写回复。 - 要求同一条回复中并行发起 2～4 次 search_products（不同 query），利用 LangGraph ToolNode 的并行执行缩短等待；禁止串行「搜一个看一个再搜下一个」。 - 轮次上限：最多两轮搜索（两轮 = 两次「Agent 发 tool_calls → Tools 执行 → 返回」）；若已有优质/一般结果则直接写回复，仅当全部较差时允许第二轮（最多再 1～2 个 query）。图逻辑增加 n_tool_rounds 状态与 agent_final 节点，两轮后强制进入「仅回复、不调工具」的 agent_final，避免无限重搜。 ## 前端与工具导出 - app.py：render_message_with_refs(content, session_id) 按 [SEARCH_REF:xxx] 切分并渲染；render_search_result_block 展示 query + 质量 + 商品卡片；display_product_card_from_item 支持 image_url/本地图/占位；Clear Chat 时 clear_session(registry)。 - app/tools/__init__.py：改为导出 make_search_products_tool、web_search，不再导出已移除的 search_products 顶层名。 Co-authored-by: Cursor <cursoragent@cursor.com>
18 Feb, 2026
1 commit
-
2. add web sch tools
12 Feb, 2026
4 commits