<<<<<<< HEAD
# LangChain Agent Project

这是一个从零逐步成长的 LangChain 项目，当前先完成最小 RAG 示例。

## 目录

- `agent.md`：项目主说明
- `src/minimal_rag.py`：第二阶段 RAG 入口
- `src/rag_stage2.py`：第二阶段核心实现
- `models/m3e-base/`：本地 embedding 模型目录
- `data/sample_docs/`：示例文档

## 环境

固定使用名为 `agents` 的 Python 虚拟环境。

```powershell
python -m venv agents
agents\Scripts\Activate.ps1
=======
# LangChain Agent RAG MCP

这是一个逐步演进的 LangChain + RAG + Agent + MCP 项目，当前已完成到 Phase 4。

## 项目结构

- `src/minimal_rag.py`：Phase 2 RAG 入口
- `src/agent_stage3.py`：Phase 3 工具调用入口
- `src/mcp_stage4.py`：Phase 4 MCP 服务入口
- `src/test_stage2.py`：Phase 2 smoke test
- `src/test_agent_stage3.py`：Phase 3 smoke test
- `src/test_mcp_stage4.py`：Phase 4 smoke test
- `agent.md`：阶段规划与最新进展

## 环境准备

统一使用 conda 的 `agents` 环境，路径为 `D:\Pyenvs\py310\agents`。

```powershell
conda activate agents
>>>>>>> 9c9be64 (已完成第三步的工具接入)
python -m pip install -r requirements.txt
```

## 配置

<<<<<<< HEAD
复制 `.env.example` 为 `.env`，然后填写 OpenAI 兼容中转站配置。

如果你使用的是中转站接口，记得把 `OPENAI_BASE_URL` 改成你的代理地址。
embedding 只从项目内 `models/m3e-base` 读取，不再访问 Hugging Face。

## 运行

=======
复制 `.env.example` 为 `.env`，填写 OpenAI 兼容接口配置。
如果使用中转站或代理，请把 `OPENAI_BASE_URL` 改成实际地址。

## 使用方式

Phase 2：
>>>>>>> 9c9be64 (已完成第三步的工具接入)
```powershell
python -m src.minimal_rag --question "这个项目现在支持什么？"
```

<<<<<<< HEAD
## 测试

先跑结构测试：

```powershell
python -m src.test_stage2
```

再跑完整问答：

```powershell
python -m src.minimal_rag --question "这个项目现在支持什么？"
```

## 当前能力

- 读取示例文档
- 切分文本
- 使用本地 `m3e-base` 建立向量检索
- 基于检索结果生成回答
- 返回来源引用
- 检索不到时会明确兜底
## 第三阶段

已完成工具调用骨架，入口位于 `src/agent_stage3.py`。

运行方式：
```powershell
python -m src.agent_stage3 --question "这个项目现在支持什么？"
```
## 环境说明

当前项目统一使用 conda 创建的 `agents` 环境，实际位置为 `D:\Pyenvs\py310\agents`。
后续运行前请先执行：

```powershell
conda activate agents
```

## 最新进展

- 已确认并记录 `agents` conda 虚拟环境位置：`D:\Pyenvs\py310\agents`
- 已完成第三阶段的工具调用骨架，`src.agent_stage3` 可正常运行
- 后续开发统一以 `conda activate agents` 后的环境为准
## 第一批工具

- `knowledge_base_search`：基于本地 RAG 资料检索回答
- `project_summary`：输出项目当前阶段、环境和进展摘要
- `sample_docs_index`：列出示例文档并展示简短预览

## 测试方法

在 `agents` 环境中执行：

```powershell
conda activate agents
python -m src.test_agent_stage3
```

如果你想单独验证 agent 入口，也可以运行：

```powershell
python -m src.agent_stage3 --question "这个项目现在支持什么？"
```

## 更新说明

- 第一批工具已补充输入输出约束和异常兜底
- `src.test_agent_stage3` 已加入真实 agent 路由测试，可验证模型按问题自动选不同工具
=======
Phase 3：
```powershell
python -m src.agent_stage3 --question "这个项目现在支持什么？"
```

Phase 4：
```powershell
python -m src.mcp_stage4
```

如果要在终端里看到常驻服务：
```powershell
python -m src.mcp_stage4 --transport streamable-http --host 127.0.0.1 --port 8000
```

## 测试方法

```powershell
conda activate agents
python -m src.test_stage2
python -m src.test_agent_stage3
python -m src.test_mcp_stage4
```

## 使用注意事项

- `stdio` 模式是给 MCP 客户端连接的，不要在终端里手动输入内容。
- `http://127.0.0.1:8000/` 返回 404 是正常的，真正入口是 `/mcp`。
- 新对话里如果无法调用 MCP，优先检查 Codex 是否真的配置到了当前项目里的 `src.mcp_stage4`。
- 运行前一定先激活 `agents` 环境。
- 现在项目知识已经收口到 `README.md` 和 `agent.md`，不再依赖额外 Markdown 资料。

## 当前能力

- 基础问答
- RAG 检索增强
- Agent 工具调用
- MCP 接入

## 测试文档

当前 RAG 测试资料放在 `data/laser_tracker_docs/`，用于激光跟踪仪前沿研究的示例检索。
如果要新增测试资料，直接在这个目录里添加新的 `.md` 文件即可。
>>>>>>> 9c9be64 (已完成第三步的工具接入)