from google.adk.agents importAgent
from google.adk.tools import google_search


assistant =Agent(
    name="gcp_assistant",
    model="gemini-2.0-flash",# 直接使用，可能會在 Vertex AI 上優化
    instructinotallow="回答問題，必要時使用搜索。",
# google_search 是預構建工具，允許智能體執行 Google 搜索
    tools=[google_search]
)
print("ADK 智能體已配置為使用原生 Gemini。")

# 需要：pip install litellm
from google.adk.agents importAgent
from google.adk.llm_config importLiteLlm# 假設的 LiteLLM 集成封裝


openai_llm =LiteLlm(model="openai/gpt-4o-mini")# 通過 LiteLLM 指定提供商/模型


openai_agent =Agent(
    name="openai_via_adk",
    llm=openai_llm,# 傳遞 LiteLLM 配置
    instructinotallow="你由 OpenAI 提供支持，通過 ADK + LiteLLM 訪問。"
)
print("ADK 智能體已配置為通過 LiteLLM 使用 OpenAI。")
# 需要設置 OPENAI_API_KEY 環境變量

from autogen importAssistantAgent, config_list_from_json


config_list_openai = config_list_from_json(env_or_file="OAI_CONFIG_LIST")
assistant_openai =AssistantAgent(
    name="openai_assistant",
    llm_cnotallow={"config_list": config_list_openai}
)
print("Autogen 智能體通過 OAI_CONFIG_LIST 配置完成。")


# OAI_CONFIG_LIST 是指定 API 密鑰和端點的 JSON 文件或環境變量
# 例如：[{"model": "gpt-4", "api_key": "..."}]

from langchain_openai importChatOpenAI# 顯式導入 OpenAI
from langchain_core.prompts importChatPromptTemplate
from langchain_core.output_parsers importStrOutputParser


# 實例化特定提供商的模型類
openai_llm =ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt =ChatPromptTemplate.from_template("告訴我關于 {topic} 的信息")
chain_openai = prompt | openai_llm |StrOutputParser()
print("Langchain 使用顯式導入的 ChatOpenAI 模型。")
# result = chain_openai.invoke({"topic": "Langchain"})

from crewai importAgent
from langchain_community.llms importOllama# 需要 langchain-community


# 概念性：通過 Ollama 配置本地模型連接
local_llm =Ollama(model="llama3")# 假設 Ollama 服務器正在運行


local_agent =Agent(
    role='編碼者',
    goal='編寫 Python 代碼',
    backstory='...',
    llm=local_llm # 傳遞本地大語言模型實例
)
print("CrewAI 智能體概念性使用傳入的本地 Ollama 實例。")

from google.adk.agents importAgent,SequentialAgent


step1 =Agent(name="step1", model="gemini-2.0-flash", instructinotallow="...")
step2 =Agent(name="step2", model="gemini-2.0-flash", instructinotallow="...")


# 使用特定的工作流程智能體類
pipeline =SequentialAgent(
    name="my_sequential_task",
    sub_agents=[step1, step2]# 通過參數配置
)
print("ADK：實例化特定工作流程智能體（SequentialAgent）。")

from autogen importAssistantAgent,UserProxyAgent, config_list_from_json


config_list = config_list_from_json("OAI_CONFIG_LIST")
llm_config ={"config_list": config_list}


# 用于常見角色的高層智能體類型
assistant =AssistantAgent(name="assistant", llm_cnotallow=llm_config)
user_proxy =UserProxyAgent(name="user_proxy", human_input_mode="NEVER", code_execution_cnotallow=False)
print("Autogen：使用高層 AssistantAgent 和 UserProxyAgent。")

from autogen importConversableAgent# 提供更多控制的基類


classMyCustomAgent(ConversableAgent):# 繼承以實現自定義邏輯
def __init__(self, name, custom_param,**kwargs):
super().__init__(name,**kwargs)
self.custom_param = custom_param
# 重寫方法如 generate_reply 以實現自定義行為
# ...
# custom_agent = MyCustomAgent(...)
print("Autogen：概念性自定義智能體，繼承自 ConversableAgent。")

from langchain_openai importChatOpenAI
from langchain_core.prompts importChatPromptTemplate
from langchain.agents import create_tool_calling_agent,AgentExecutor
from langchain_core.tools import tool


@tool
def get_length(s: str)->int:
"""獲取字符串長度。"""
return len(s)
tools =[get_length]
model =ChatOpenAI(model="gpt-4o-mini")
# 使用工廠函數組裝智能體可運行對象
# 注意：提示結構對這些智能體有特定要求
prompt =ChatPromptTemplate.from_messages([
("system","你是一個有用的助手。"),
("human","{input}"),
("placeholder","{agent_scratchpad}")# 關鍵占位符
])
agent_runnable = create_tool_calling_agent(model, tools, prompt)
agent_executor =AgentExecutor(agent=agent_runnable, tools=tools, verbose=True)
print("Langchain：使用工廠函數創建智能體。")
# result = agent_executor.invoke({"input": "‘hello’ 的長度是多少？"})

from crewai importAgent
from langchain_openai importChatOpenAI


llm =ChatOpenAI(model="gpt-4o-mini")


# 具有更多特定配置選項的智能體
senior_researcher =Agent(
    role='高級 AI 研究員',
    goal='探索尖端 AI 技術',
    backstory='擁有數十年 AI 研究經驗的博士。',
    llm=llm,
    allow_delegatinotallow=False,# 禁止該智能體委托任務
    max_iter=5,# 限制其任務的迭代次數
    verbose=True
)
print("CrewAI：具有附加配置（allow_delegation、max_iter）的智能體。")

from google.adk.agents importAgent,ParallelAgent


task_a =Agent(name="task_a", model="gemini-2.0-flash", instructinotallow="執行任務 A。")
task_b =Agent(name="task_b", model="gemini-2.0-flash", instructinotallow="執行任務 B。")


# 概念性：并發運行子智能體
parallel_tasks =ParallelAgent(
    name="concurrent_work",
    sub_agents=[task_a, task_b]
)
print("ADK：概念性 ParallelAgent 工作流程。")
# results = parallel_tasks.run("輸入數據") # 返回兩者的結果

from autogen importAssistantAgent,UserProxyAgent,GroupChat,GroupChatManager


# 定義多個智能體...
config_list = config_list_from_json("OAI_CONFIG_LIST")
llm_config ={"config_list": config_list}
coder =AssistantAgent(name="coder", llm_cnotallow=llm_config)
pm =AssistantAgent(name="project_manager", llm_cnotallow=llm_config)
tester =AssistantAgent(name="tester", llm_cnotallow=llm_config)
user_proxy =UserProxyAgent(name="user", human_input_mode="NEVER")


groupchat =GroupChat(agents=[user_proxy, coder, pm, tester], messages=[], max_round=10)
manager =GroupChatManager(groupchat=groupchat, llm_cnotallow=llm_config)


# user_proxy.initiate_chat(manager, message="開發并測試功能 X。")
print("Autogen：概念性群聊設置。")

# 文件名：langchain_multi_2_conceptual.py
from typing importTypedDict,Annotated
from langgraph.graph importStateGraph,END


classAgentState(TypedDict):# 共享狀態
    input: str
    result: str
    sender: str


# 占位符智能體可運行對象（實現省略）
def agent_1_runnable(state):return{"result":"A1","sender":"agent1"}
def agent_2_runnable(state):return{"result":"A2","sender":"agent2"}


workflow =StateGraph(AgentState)
workflow.add_node("agent1", agent_1_runnable)
workflow.add_node("agent2", agent_2_runnable)
workflow.set_entry_point("agent1")
workflow.add_conditional_edges("agent1",lambda state: state['sender'],{"agent2":"agent2","__end__":END})
workflow.add_edge('agent2','agent1')# 循環流
app = workflow.compile()
print("Langchain：概念性 LangGraph 結構，用于有狀態的多智能體流。")

from crewai importAgent,Task,Crew,Process
from langchain_openai importChatOpenAI


llm =ChatOpenAI(model="gpt-4o-mini")
manager =Agent(role='管理者', goal='監督項目', backstory='...', llm=llm)# 管理者智能體
worker1 =Agent(role='工作者1', goal='...', backstory='...', llm=llm)
worker2 =Agent(role='工作者2', goal='...', backstory='...', llm=llm)


task_delegation =Task(descriptinotallow="為項目 X 分配子任務", agent=manager, expected_output="...")
# 工作者任務可能動態創建或定義以供拾取


# 具有管理者智能體委托任務的團隊
hierarchical_crew =Crew(
    agents=[manager, worker1, worker2],
    tasks=[task_delegation],# 從管理者的任務開始
    process=Process.hierarchical,# 啟用委托流程
    manager_llm=llm # 為管理者角色指定大語言模型
)


# 順序任務執行的團隊
# sequential_crew = Crew(
#    agents=[researcher, writer],
#    tasks=[task1, task2],
#    process=Process.sequential # 任務按順序運行
# )


print("CrewAI：定義了具有層次流程的團隊（管理者委托）。")
# result = hierarchical_crew.kickoff()

from google.adk.agents importAgent
import datetime


def get_current_iso_time()-> str:
"""返回當前日期和時間的 ISO 格式。"""# 文檔字符串解釋工具功能
return datetime.datetime.now().isoformat()


time_agent =Agent(
    name="time_agent", model="gemini-2.0-flash",
    instructinotallow="如果被問到，告知當前時間。",
    tools=[get_current_iso_time]# 直接傳遞函數
)
print("ADK：工具定義為帶有文檔字符串的 Python 函數。")

# 概念性：ADK 可能提供類似于其他框架的裝飾器
from google.adk.tools import tool # 假設導入
from google.adk.agents importAgent


@tool("weather_lookup")# 裝飾器定義名稱/模式
def get_weather(city: str, unit: str ="celsius")-> str:
"""獲取城市天氣。單位可以是 'celsius' 或 'fahrenheit'。"""
# （API 調用實現）
return f"{city} 的天氣是晴天，25 {unit}。"


weather_agent =Agent(
    name="weather_agent", model="gemini-2.0-flash",
    instructinotallow="提供天氣預報。",
    tools=[get_weather]
)


print("ADK：概念性工具定義，使用 @tool 裝飾器。")

from autogen importAssistantAgent, config_list_from_json
import json


# 以 OpenAI 格式定義工具模式
calculator_schema ={
"type":"function",
"function":{
"name":"calculator",
"description":"計算表達式的結果。",
"parameters":{
"type":"object",
"properties":{"expression":{"type":"string","description":"數學表達式"}},
"required":["expression"],
},
},
}
# 實際計算器函數需在其他地方可調用/注冊
def calculator(expression: str)-> str:return str(eval(expression))# 不安全的 eval


config_list = config_list_from_json("OAI_CONFIG_LIST")
llm_config_tools ={
"config_list": config_list,
"tools":[calculator_schema]# 將模式傳遞到大語言模型配置
}


calculator_agent =AssistantAgent(
    name="calculator_agent",
    llm_cnotallow=llm_config_tools
)
print("Autogen：通過 llm_config 中的 'tools' 列表配置工具，以實現大語言模型工具調用。")
# 如果配置正確，智能體將直接輸出工具調用

from langchain_community.tools importDuckDuckGoSearchRun# 導入特定工具
# from langchain.agents import load_tools # 替代批量加載
from langchain.agents importAgentExecutor# ... 其他導入
from langchain_core.tools import tool


@tool
def get_word_length(word: str)->int:return len(word)


# 初始化預構建工具
search =DuckDuckGoSearchRun()


# 組合自定義和預構建工具
tools =[get_word_length, search]
# agent_executor = AgentExecutor(..., tools=tools, ...)
print("Langchain：使用預構建工具（DuckDuckGoSearchRun）結合自定義工具。")

from crewai_tools import tool # 從 crewai_tools 導入
# 需要：pip install 'crewai[tools]'
from crewai_tools importSerperDevTool# 示例預構建搜索工具
from crewai importAgent# ... 其他導入


@tool("FileReadTool")
def read_file(file_path: str)-> str:
"""讀取文件內容。"""
try:
with open(file_path,'r')as f:
return f.read()
exceptExceptionas e:
return f"讀取文件錯誤：{e}"


search_tool =SerperDevTool()


file_agent =Agent(
# ... 其他參數 ...
    tools=[read_file, search_tool]
)
print("CrewAI：使用 crewai_tools 的 @tool 裝飾器定義工具。")

# 文件名：adk_web_ui.py
from google.adk.agents importAgent


# 定義簡單智能體
agent =Agent(
    name="chat_agent",
    model="gemini-2.0-flash",
    instructinotallow="回答用戶查詢。"
)


# 保存此文件，然后在終端運行：
# 1. 安裝：pip install google-adk
# 2. 運行：adk web --agent-file adk_web_ui.py
# 訪問 http://localhost:8080（默認端口）
print("ADK：運行 'adk web --agent-file adk_web_ui.py' 以啟動原生 Web UI。")

# 終端命令安裝并運行 Autogen Studio
pip install autogenstudio
autogenstudio ui --port 8081
# 訪問 http://localhost:8081

# 文件名：crewai_streamlit_ui.py
# 安裝：pip install crewai streamlit langchain-openai
from crewai importAgent,Task,Crew
from langchain_openai importChatOpenAI
import streamlit as st


# 定義簡單團隊
llm =ChatOpenAI(model="gpt-4o-mini")
agent =Agent(role="助手", goal="協助用戶", backstory="友好的 AI", llm=llm)
task =Task(descriptinotallow="回答用戶查詢：{query}", agent=agent, expected_output="文本響應")
crew =Crew(agents=[agent], tasks=[task])


# Streamlit UI
st.title("CrewAI 助手")
query = st.text_input("提問：")
if query:
    task.description = f"回答用戶查詢：{query}"
    result = crew.kickoff()
    st.write(result)


# 運行：streamlit run crewai_streamlit_ui.py
print("CrewAI：運行 'streamlit run crewai_streamlit_ui.py' 以啟動 UI。")