# 安装DeepSeek Harness
pip install deepseek-harness

# 初始化项目
harness init my-project
cd my-project

from harness import Harness, Agent, Task

# 定义不同角色的Agent
architect = Agent(
    name="architect",
    role="系统架构师",
    model="deepseek-v3",
    system_prompt="你是一名资深系统架构师，负责设计系统整体架构..."
)

developer = Agent(
    name="developer",
    role="全栈开发工程师",
    model="deepseek-v3",
    system_prompt="你是一名全栈开发工程师，负责按照架构设计实现代码..."
)

tester = Agent(
    name="tester",
    role="质量工程师",
    model="deepseek-v3",
    system_prompt="你是一名质量工程师，负责编写测试用例并审查代码质量..."
)

# 创建工作流
harness = Harness(agents=[architect, developer, tester])

# 定义任务并执行
task = Task(
    description="开发一个用户登录系统，支持邮箱和手机号两种方式",
    output_dir="./output"
)

result = harness.run(task)
print(f"任务完成，输出文件：{result.files}")

import langroid as lr
import langroid.language_models as lm

# 配置LLM
llm_cfg = lm.OpenAIGPTConfig(
    chat_model="litellm/ollama/llama3.1:70b",
    max_output_tokens=2000,
)

# 定义研究员Agent
researcher_agent = lr.ChatAgent(
    lr.ChatAgentConfig(
        name="研究员",
        system_message="""
        你是一名技术研究员。你的任务是：
        1. 深入分析用户提供的技术文档
        2. 提取关键技术点和架构设计
        3. 将分析结果转交给技术写作者
        
        完成后发送 DONE 给用户。
        """,
        llm=llm_cfg,
    )
)

# 定义技术写作Agent
writer_agent = lr.ChatAgent(
    lr.ChatAgentConfig(
        name="技术写作者",
        system_message="""
        你是一名技术写作者。根据研究员提供的分析结果，
        撰写一篇结构清晰、易于理解的技术博客文章。
        """,
        llm=llm_cfg,
    )
)

# 创建任务并建立Agent间的委派关系
researcher_task = lr.Task(
    researcher_agent,
    name="研究任务",
    single_round=False,
)

writer_task = lr.Task(
    writer_agent,
    name="写作任务",
    single_round=True,
)

# 研究员可以将写作子任务委派给写作者
researcher_task.add_sub_task(writer_task)

# 运行
result = researcher_task.run("请分析这份关于分布式系统的技术白皮书")
print(result.content)

# 安装Codex Harness CLI
npm install -g @openai/codex-harness

# 配置API密钥
codex-harness config set-api-key sk-xxx

# 在现有项目中初始化
cd my-project
codex-harness init

# 描述需求，让AI在当前项目中实现
codex-harness implement "添加用户头像上传功能，支持裁剪和压缩，最大2MB"

# 让AI修复bug
codex-harness fix "用户登录后页面刷新时状态丢失"

# 让AI重构代码
codex-harness refactor "将用户模块拆分为独立的微服务"

# .codex-harness.yaml - 项目配置文件
project:
  name: e-commerce-platform
  language: typescript
  framework: nextjs
  
coding_standards:
  - use-typescript-strict
  - eslint-airbnb
  - unit-test-coverage: 80%
  
agents:
  - name: frontend-dev
    role: 前端开发
    focus: [components, pages, styling]
  - name: backend-dev
    role: 后端开发
    focus: [api, database, auth]
  - name: reviewer
    role: 代码审查
    focus: [quality, security, performance]

workflow:
  implement:
    - frontend-dev: 实现前端界面
    - backend-dev: 实现后端API
    - reviewer: 代码审查
    - run-tests: 自动测试

# 使用Docker一键部署OpenCode服务
docker run -d \
  --name opencode \
  -p 3000:3000 \
  -e LLM_PROVIDER=ollama \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -e DEFAULT_MODEL=deepseek-coder-v2:latest \
  -v opencode-data:/app/data \
  ghcr.io/opencode-ai/opencode:latest

// 定义一个排序函数的规格
spec sort(arr: number[]): number[] {
  // 输出数组长度与输入相同
  len(result) == len(arr);
  
  // 输出数组是非降序的
  forall i in 0..len(result)-2: result[i] <= result[i+1];
  
  // 输出是输入的排列
  result is_permutation_of arr;
}

// OpenLogi会自动推导出满足上述规格的代码实现
impl sort {
  // 自动生成的实现...
}

# 安装Ollama（Linux/macOS）
curl -fsSL https://ollama.com/install.sh | sh

# 拉取并运行DeepSeek模型
ollama run deepseek-v3:8b

# 拉取并运行多模态模型
ollama run llava:13b

# 1. 启动Ollama服务
ollama serve &

# 2. 拉取所需模型
ollama pull deepseek-v3:8b      # 通用对话模型
ollama pull deepseek-coder-v2   # 代码模型
ollama pull nomic-embed-text   # 向量嵌入模型

# 3. 使用Ollama API进行对话
curl http://localhost:11434/api/chat -d '{
  "model": "deepseek-v3:8b",
  "messages": [
    { "role": "user", "content": "用Python写一个快速排序算法" }
  ],
  "stream": false
}'

# Modelfile - 自定义一个技术支持Agent
FROM deepseek-v3:8b

PARAMETER temperature 0.3
PARAMETER top_p 0.9
PARAMETER num_ctx 8192

SYSTEM """
你是一名专业的技术支持工程师。你的职责是：
1. 仔细分析用户的技术问题
2. 提供清晰、可操作的解决方案
3. 如果问题复杂，分步指导用户排查
4. 始终保持友好和专业的态度

回答时请使用中文，代码示例请使用代码块包裹。
"""

# 自定义工具调用配置
TOOLS web_search, file_read, terminal_run

# 构建自定义模型
ollama create tech-support -f Modelfile

# 运行自定义模型
ollama run tech-support

# 安装vLLM
pip install vllm

# 启动API服务
python -m vllm.entrypoints.openai.api_server \
  --model deepseek-ai/DeepSeek-V3-8B \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192 \
  --port 8000

docker run -d \
  --name open-webui \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -v open-webui:/app/backend/data \
  --restart always \
  ghcr.io/open-webui/open-webui:main

# 1. 启动Ollama
ollama serve &
ollama pull deepseek-v3:8b
ollama pull nomic-embed-text

# 2. 启动Open WebUI（同上）

# 3. 在Open WebUI中配置知识库
#    - 导航到"设置" → "知识库"
#    - 上传企业文档（PDF、Word、Markdown等）
#    - 选择嵌入模型：nomic-embed-text
#    - 设置分块策略：按语义分块，每块512 token
#    - 启用自动更新：每天凌晨重新索引

# 4. 效果：用户可以用自然语言查询企业内部知识
#    "上季度的销售数据如何？"
#    "公司的请假流程是什么？"
#    "帮我找一下关于数据安全的政策文档"

from litellm import completion

# 调用OpenAI
response = completion(
    model="gpt-4o",
    messages=[{"role": "user", "content": "你好，世界！"}]
)

# 调用Anthropic（代码完全一样，只改model参数）
response = completion(
    model="claude-3-5-sonnet-20260620",
    messages=[{"role": "user", "content": "你好，世界！"}]
)

# 调用本地Ollama模型
response = completion(
    model="ollama/deepseek-v3:8b",
    messages=[{"role": "user", "content": "你好，世界！"}]
)

from litellm import Router

# 配置模型列表和优先级
router = Router(
    model_list=[
        {
            "model_name": "my-smart-model",
            "litellm_params": {
                "model": "gpt-4o",
                "api_key": "sk-xxx",
                "max_tokens": 4096,
            },
            "tpm": 80000,  # 每分钟token限额
        },
        {
            "model_name": "my-smart-model",
            "litellm_params": {
                "model": "claude-3-5-sonnet-20260620",
                "api_key": "sk-ant-xxx",
            },
            "tpm": 40000,
        },
        {
            "model_name": "my-smart-model",
            "litellm_params": {
                "model": "ollama/deepseek-v3:70b",
                "api_base": "http://localhost:11434",
            },
            "tpm": 20000,
        },
    ],
    routing_strategy="least-busy",  # 路由策略：选择最空闲的模型
    num_retries=3,                  # 失败自动重试
    retry_after=2,                  # 重试间隔（秒）
)

# 使用统一的模型名称调用
response = router.completion(
    model="my-smart-model",
    messages=[{"role": "user", "content": "写一个Python快速排序"}],
)

from mcp.client import MCPClient
from mcp.client.sse import sse_client

# 连接到PostgreSQL MCP服务
async with sse_client(
    "http://localhost:8080/mcp/postgres"
) as (read_stream, write_stream):
    client = MCPClient(read_stream, write_stream)
    
    # 列出可用工具
    tools = await client.list_tools()
    print("可用工具:", [t.name for t in tools.tools])
    
    # 调用SQL查询工具
    result = await client.call_tool(
        "execute_sql",
        arguments={"query": "SELECT * FROM users LIMIT 5"}
    )
    
    print("查询结果:", result.content)