# 安装依赖（如果需要）
# !pip install -q hello-agents fastapi uvicorn python-dotenv pydantic httpx[socks]

import os
import sys
from dotenv import load_dotenv

# 添加项目路径
sys.path.insert(0, os.path.dirname(os.path.abspath('__file__')))

# 加载环境变量
load_dotenv()

# 配置 LLM（请替换为你的 API 密钥）
# 方式1: 使用环境变量
# 方式2: 直接设置
# os.environ["LLM_MODEL_ID"] = "glm-4"
# os.environ["LLM_API_KEY"] = "your-api-key"
# os.environ["LLM_BASE_URL"] = "https://open.bigmodel.cn/api/paas/v4/"

print("环境配置完成！")

from hello_agents import Config
from hello_agents.tools import ToolRegistry, ReadTool, WriteTool, CalculatorTool
from hello_agents.core.llm import HelloAgentsLLM

# 导入 HelloClaw 核心模块
from src.agent.helloclaw_agent import HelloClawAgent

print("模块导入成功！")

# HelloClawAgent 使用说明
# 
# HelloClawAgent 是项目的核心类，它会自动：
# 1. 初始化工作空间（~/.helloclaw/workspace）
# 2. 从配置文件加载系统提示词（AGENTS.md、IDENTITY.md 等）
# 3. 注册所有内置工具和自定义工具
# 4. 配置记忆管理系统
#
# 主要工具包括：
# - Read/Write/Edit: 文件操作（包括长期记忆 MEMORY.md）
# - python_calculator: 数学计算
# - memory_*: 记忆管理（每日记忆、搜索、列表等）
# - exec_*: 命令执行
# - search_web/fetch_url: 网页搜索和抓取

print("HelloClawAgent 工具说明已加载！")

# 创建 HelloClawAgent
# 
# HelloClawAgent 会自动：
# - 初始化工作空间 ~/.helloclaw/workspace
# - 加载 LLM 配置（从 .env 或 config.json）
# - 注册所有工具
# - 加载系统提示词

agent = HelloClawAgent()

print(f"智能体 '{agent.name}' 创建成功！")
print(f"工作空间: {agent.workspace_path}")
print(f"可用工具: {list(agent.tool_registry._tools.keys())[:10]}...")  # 只显示前10个

# 示例1：身份引导
# HelloClawAgent 支持通过对话来设置身份信息，会自动保存到工作空间
print("="*50)
print("示例1：身份引导 - 设置 Agent 身份")
print("="*50)

# 第一步：问 AI 是谁
print("【用户】: 你是谁？")
response = agent.chat("你是谁？")
print(f"【Teddy】: {response}")

print("\n" + "-"*50 + "\n")

# 第二步：告诉 AI 它的身份
print("【用户】: 你的名字叫 Teddy，你是一个超级智能助理，你友好、专业、乐于助人。")
response = agent.chat("你的名字叫 Teddy，你是一个超级智能助理，你友好、专业、乐于助人。请记住这个身份。")
print(f"【Teddy】: {response}")

# 示例2：工具调用 - 计算器
print("="*50)
print("示例2：工具调用 - 计算器")
print("="*50)

response = agent.chat("请帮我计算 (123 + 456) * 2 等于多少")
print(f"\n回复: {response}")

# 示例3：记忆管理
print("="*50)
print("示例3：记忆管理")
print("="*50)

# HelloClawAgent 有完整的记忆管理系统：
# - memory_add: 添加每日记忆
# - memory_search: 搜索记忆
# - memory_list: 列出所有记忆文件
# - Read/Write 工具: 操作长期记忆 MEMORY.md

# 添加每日记忆
print("【添加每日记忆】使用 memory_add 工具:")
print("-" * 40)
response = agent.chat("请使用 memory_add 工具，添加一条记忆：今天用户说他有一只猫叫花花")
print(f"结果: {response[:300]}..." if len(response) > 300 else f"结果: {response}")

print("\n" + "="*50)

# 列出记忆文件
print("【列出记忆文件】使用 memory_list 工具:")
print("-" * 40)
response = agent.chat("请使用 memory_list 工具列出所有记忆文件")
print(f"结果: {response[:400]}..." if len(response) > 400 else f"结果: {response}")

import asyncio
from hello_agents.core.streaming import StreamEventType

async def demo_streaming():
    """演示流式输出 - 使用 HelloClawAgent 的 achat 方法"""
    print("="*50)
    print("流式输出演示")
    print("="*50)
    
    # 使用 HelloClawAgent 的 achat 方法进行流式对话
    async for event in agent.achat("计算 100 / 4 + 25 的结果"):
        if event.type == StreamEventType.LLM_CHUNK:
            chunk = event.data.get("chunk", "")
            print(chunk, end="", flush=True)
        
        elif event.type == StreamEventType.TOOL_CALL_START:
            tool_name = event.data.get("tool_name")
            print(f"\n[调用工具: {tool_name}]", flush=True)
        
        elif event.type == StreamEventType.TOOL_CALL_FINISH:
            result = event.data.get("result", "")
            preview = result[:100] + "..." if len(result) > 100 else result
            print(f"[工具结果: {preview}]", flush=True)
    
    print("\n" + "="*50)

# 运行流式演示
await demo_streaming()