# 第一階段：離線攝入
def store_documents(documents):  # 定義“存儲(chǔ)文檔”函數(shù)
    for doc in documents:  # 遍歷所有待存儲(chǔ)文檔
        embedding = embed(doc)  # 對文檔進(jìn)行嵌入（生成向量表示）
        database.store(doc, embedding)  # 將文檔及其向量存儲(chǔ)到數(shù)據(jù)庫
# 第二階段：在線檢索+生成
def search(query):  # 定義“檢索”函數(shù)
    query_embedding = embed(query)  # 對用戶查詢進(jìn)行嵌入
    results = database.similarity_search(query_embedding, top_k=5)  # 相似度檢索，取Top5結(jié)果
    return results  # 返回檢索結(jié)果
def answer_question(question):  # 定義“回答問題”函數(shù)
    # 先檢索，再生成回復(fù)（固定流程）
    context = search(question)  # 調(diào)用檢索函數(shù)，獲取上下文
    prompt = f"上下文：{context}\n問題：{question}\n答案："  # 構(gòu)造提示詞
    response = llm.generate(prompt)  # LLM生成回復(fù)
    return response  # 返回回復(fù)

class SearchTool:  # 定義“檢索工具”類
    def __init__(self, database):  # 初始化工具，關(guān)聯(lián)數(shù)據(jù)庫
        self.database = database
    def search(self, query):  # 定義“檢索”方法
        query_embedding = embed(query)  # 對查詢進(jìn)行嵌入
        results = self.database.similarity_search(query_embedding, top_k=5)  # 相似度檢索Top5
        return results  # 返回檢索結(jié)果
def agent_loop(question):  # 定義“智能體循環(huán)”函數(shù)（核心邏輯）
    messages = [{"role": "user", "content": question}]  # 初始化對話歷史，存入用戶問題
    while True:  # 循環(huán)：持續(xù)判斷是否需要調(diào)用工具
        # LLM生成響應(yīng)，同時(shí)告知其可使用SearchTool
        response = llm.generate(
            messages,
            tools=[SearchTool]
        )


        if response.tool_calls:  # 如果LLM決定調(diào)用工具
            for tool_call in response.tool_calls:  # 遍歷所有工具調(diào)用請求
                if tool_call.name == "search":  # 若調(diào)用的是“檢索工具”
                    results = search_tool.search(tool_call.arguments["query"])  # 執(zhí)行檢索
                    # 將檢索結(jié)果存入對話歷史，角色標(biāo)記為“工具”
                    messages.append({
                        "role": "tool",
                        "content": f"檢索結(jié)果：{results}"
                    })
        else:  # 如果LLM不調(diào)用工具，直接返回生成的回復(fù)
            return response.content

class SearchTool:  # 定義“檢索工具”類
    def __init__(self, database):  # 初始化工具，關(guān)聯(lián)數(shù)據(jù)庫
        self.database = database


    def search(self, query):  # 定義“檢索”方法
        results = self.database.search(query)  # 執(zhí)行檢索
        return results  # 返回檢索結(jié)果
# 為簡化演示，此處僅定義“寫入工具”；實(shí)際中還可添加“更新、刪除、整合”等工具
class WriteTool:  # 定義“寫入工具”類
    def __init__(self, database):  # 初始化工具，關(guān)聯(lián)數(shù)據(jù)庫
        self.database = database


    def store(self, information):  # 定義“存儲(chǔ)”方法
        self.database.store(information)  # 將信息存入數(shù)據(jù)庫
def agent_loop(question):  # 定義“智能體循環(huán)”函數(shù)（核心邏輯）
    messages = [{"role": "user", "content": question}]  # 初始化對話歷史，存入用戶問題
    while True:  # 循環(huán)：持續(xù)判斷是否需要調(diào)用工具
        # LLM生成響應(yīng)，同時(shí)告知其可使用SearchTool和WriteTool
        response = llm.generate(
            messages,
            tools=[SearchTool, WriteTool]
        )


        if response.tool_calls:  # 如果LLM決定調(diào)用工具
            for tool_call in response.tool_calls:  # 遍歷所有工具調(diào)用請求
                if tool_call.name == "search":  # 若調(diào)用“檢索工具”
                    results = search_tool.search(tool_call.arguments["query"])  # 執(zhí)行檢索
                    # 將檢索結(jié)果存入對話歷史
                    messages.append({
                        "role": "tool",
                        "content": results
                    })
                elif tool_call.name == "store":  # 若調(diào)用“寫入工具”
                    result = write_tool.store(
                        tool_call.arguments["information"]  # 獲取待存儲(chǔ)信息
                    )
                    # 將存儲(chǔ)結(jié)果存入對話歷史
                    messages.append({
                        "role": "tool",
                        "content": result
                    })
        else:  # 如果LLM不調(diào)用工具，直接返回生成的回復(fù)
            return response.content