hello-agents/code/chapter9

Chapter 9 - 上下文工程示例代码

本目录包含第九章"上下文工程"的所有示例代码和演示文件。

📁 目录结构

chapter9/
├── 01_context_builder_basic.py          # ContextBuilder 基础用法
├── 02_context_builder_with_agent.py     # ContextBuilder 与 Agent 集成
├── 03_note_tool_operations.py           # NoteTool 基本操作
├── 04_note_tool_integration.py          # NoteTool 高级集成
├── 05_terminal_tool_examples.py         # TerminalTool 使用示例
├── 06_three_day_workflow.py             # 完整三天工作流演示
├── codebase_maintainer.py               # 代码库维护助手（核心组件）
├── codebase/                            # 示例代码库
│   ├── data_processor.py
│   ├── api_client.py
│   ├── utils.py
│   └── models.py
├── data/                                # 示例数据
│   └── sales_2024.csv
├── logs/                                # 示例日志
│   └── app.log
└── project/                             # 示例项目
    ├── README.md
    └── main.py

🚀 快速开始

1. 配置嵌入模型

所有使用记忆功能的示例都需要配置嵌入模型。最简单的方式：

import os
# 使用 TF-IDF（无需额外依赖或下载）
os.environ['EMBED_MODEL_TYPE'] = 'tfidf'
os.environ['EMBED_MODEL_NAME'] = ''  # 必须清空

2. 运行示例

# 进入 chapter9 目录
cd code/chapter9

# 运行 TerminalTool 示例（无需 LLM）
python 05_terminal_tool_examples.py

# 运行 NoteTool 基本操作（无需 LLM）
python 03_note_tool_operations.py

# 运行完整工作流演示（需要配置 LLM）
python 06_three_day_workflow.py

📖 示例说明

基础示例

01_context_builder_basic.py

• ContextBuilder 的基本用法
• 上下文包（ContextPacket）的创建和管理
• Token 限制和上下文优先级

02_context_builder_with_agent.py

• ContextBuilder 与 SimpleAgent 集成
• 自动上下文管理
• 对话历史的处理

03_note_tool_operations.py

• NoteTool 的 CRUD 操作
• 笔记搜索和标签管理
• 笔记导出功能

04_note_tool_integration.py

• NoteTool 与 ContextBuilder 集成
• 长期项目追踪
• 基于历史笔记的建议

05_terminal_tool_examples.py

• TerminalTool 的典型使用场景
• 探索式导航
• 数据文件分析
• 日志分析
• 代码库分析
• 安全特性演示

高级示例

06_three_day_workflow.py

完整的长程智能体工作流演示，包括：

• 第一天：探索代码库
• 第二天：分析代码质量
• 第三天：规划重构任务
• 一周后：检查进度
• 跨会话连贯性演示
• 三大工具协同演示

使用我们创建的示例代码库（./codebase），包含：

• data_processor.py - 数据处理模块（含多个 TODO）
• api_client.py - API 客户端（需要改进错误处理）
• utils.py - 工具函数（需要优化）
• models.py - 数据模型（需要补充验证）

codebase_maintainer.py

核心组件：代码库维护助手，集成了：

• ContextBuilder - 上下文管理
• NoteTool - 结构化笔记
• TerminalTool - 即时文件访问
• MemoryTool - 对话记忆（仅使用 working 记忆）

⚙️ 配置说明

嵌入模型配置

有三种选择：

方案一：TF-IDF（推荐用于测试）

import os
os.environ['EMBED_MODEL_TYPE'] = 'tfidf'
os.environ['EMBED_MODEL_NAME'] = ''  # 重要！

优点：

• ✅ 无需额外依赖
• ✅ 无需 API key
• ✅ 无需下载模型

缺点：

• ⚠️ 语义理解能力较弱

方案二：本地 Transformer（推荐用于离线使用）

import os
os.environ['EMBED_MODEL_TYPE'] = 'local'
os.environ['EMBED_MODEL_NAME'] = 'sentence-transformers/all-MiniLM-L6-v2'
os.environ['HF_TOKEN'] = 'your_huggingface_token'

需要：

1. 安装依赖：pip install sentence-transformers
2. Hugging Face Token（从 https://huggingface.co/settings/tokens 获取）
3. 首次运行会下载模型（约 90MB）

配置 HF Token 的方式：

# 方式一：使用 huggingface-cli（推荐，一次配置永久使用）
pip install huggingface-hub
huggingface-cli login

# 方式二：在代码中设置
os.environ['HF_TOKEN'] = 'hf_your_token_here'

# 方式三：命令行设置
export HF_TOKEN="hf_your_token_here"

方案三：通义千问 DashScope（推荐用于生产环境）

import os
os.environ['EMBED_MODEL_TYPE'] = 'dashscope'
os.environ['EMBED_MODEL_NAME'] = 'text-embedding-v3'
os.environ['EMBED_API_KEY'] = 'your_dashscope_api_key'

需要：

1. 注册：https://dashscope.aliyun.com/
2. 获取 API key
3. 安装依赖：pip install dashscope

LLM 配置

如果使用需要 LLM 的示例，需要配置：

from hello_agents import HelloAgentsLLM

# 使用默认配置（需要设置 OPENAI_API_KEY）
llm = HelloAgentsLLM()

# 或者明确指定
llm = HelloAgentsLLM(
    api_key="your_api_key",
    base_url="https://api.openai.com/v1",
    model="gpt-4"
)

记忆功能配置

codebase_maintainer.py 已配置为只使用 working 记忆，避免需要 Qdrant 向量数据库：

self.memory_tool = MemoryTool(
    user_id=project_name,
    memory_types=["working"]  # 只使用工作记忆
)

如果需要更强大的记忆功能（episodic, semantic），需要安装并启动 Qdrant：

# 使用 Docker 启动 Qdrant
docker run -p 6333:6333 qdrant/qdrant

🔍 示例文件说明

演示数据文件

data/sales_2024.csv

包含 40+ 条销售数据，字段包括：

• date（日期）
• product（产品）
• category（类别：Electronics, Furniture）
• quantity（数量）
• price（价格）
• customer_id（客户ID）
• region（地区：North, South, East, West）

logs/app.log

模拟一天的应用日志，包含：

• 多种日志级别（INFO, WARNING, ERROR）
• 多种错误类型（DatabaseConnectionError, ValidationError 等）
• 时间戳从 2024-01-19 14:00 到 23:30

codebase/

包含 4 个 Python 模块，共 10+ 个 TODO 注释，适合演示：

• 代码分析
• TODO 查找
• 函数定义搜索
• 代码统计

🐛 常见问题

Q1: RuntimeError: 所有嵌入模型都不可用

原因：嵌入模型配置不正确。

解决：确保设置了 EMBED_MODEL_NAME 为空字符串：

os.environ['EMBED_MODEL_TYPE'] = 'tfidf'
os.environ['EMBED_MODEL_NAME'] = ''  # 必须有这行！

Q2: Qdrant 连接失败

原因：默认配置尝试连接 Qdrant 向量数据库。

解决方案一（推荐）：使用只需 working 记忆的配置（已在 codebase_maintainer.py 中配置）

解决方案二：安装并启动 Qdrant：

docker run -p 6333:6333 qdrant/qdrant

Q3: 下载 Hugging Face 模型失败

原因：网络问题或缺少 Token。

解决方案：

1. 配置 HF Token（见上文"方案二"）
2. 或使用镜像：export HF_ENDPOINT=https://hf-mirror.com
3. 或改用 TF-IDF：os.environ['EMBED_MODEL_TYPE'] = 'tfidf'

Q4: TerminalTool 提示"不允许的命令"

原因：TerminalTool 有白名单限制，只允许安全的命令。

解决：使用允许的命令列表中的命令，如：

• 文件操作：ls, cat, head, tail, grep, find
• 文本处理：awk, sed, cut, sort, uniq, wc
• 其他：pwd, cd, tree, stat

📝 运行顺序建议

1. 先运行无需 LLM 的示例：

   • 03_note_tool_operations.py - 了解 NoteTool
   • 05_terminal_tool_examples.py - 了解 TerminalTool

2. 配置嵌入模型后运行：

   • 01_context_builder_basic.py - 理解上下文管理

3. 配置 LLM 后运行：

   • 02_context_builder_with_agent.py - Agent 集成
   • 04_note_tool_integration.py - 高级集成
   • 06_three_day_workflow.py - 完整工作流

🎯 学习路径

1. 基础概念 → 01_context_builder_basic.py
2. 工具使用 → 03_note_tool_operations.py, 05_terminal_tool_examples.py
3. Agent 集成 → 02_context_builder_with_agent.py
4. 高级应用 → 04_note_tool_integration.py
5. 实战案例 → 06_three_day_workflow.py

💡 提示

• 所有示例都在代码开头包含了嵌入模型配置
• TF-IDF 方案适合快速测试和演示
• 生产环境建议使用 DashScope 或本地 Transformer
• codebase_maintainer.py 是完整的实战案例，值得深入学习

📚 相关文档

• 详细文档：docs/chapter9/第九章 上下文工程.md
• API 文档：查看各工具类的 docstring
• 项目主页：README.md

🤝 贡献

如有问题或建议，欢迎提 Issue 或 PR！