""" Google ADK 回调机制完整示例 展示四种回调函数的使用方法 对应教程：第07章 - 回调机制与事件系统 """ # 导入 ADK 核心模块 from google.adk.agents import Agent # Agent 类 from google.adk.agents.invocation_context import InvocationContext # 调用上下文 from google.adk.runners import Runner # 运行器 from google.adk.sessions import InMemorySessionService # 会话服务 from google.genai import types # 类型定义 # 导入异步和时间模块 import asyncio # 异步编程库 import time # 时间模块 # ======================================== # 示例一：日志回调（记录所有操作） # ======================================== async def log_before_model(cb_ctx, inv_ctx): """ 模型调用前回调 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ # 记录开始时间 inv_ctx.session.state["temp:model_start_time"] = time.time() # 保存时间戳 # 获取调用计数 count = inv_ctx.session.state.get("model_call_count", 0) # 读取计数 inv_ctx.session.state["model_call_count"] = count + 1 # 递增 print(f"🔍 [模型前] Agent '{inv_ctx.agent.name}' 即将调用 LLM (第{count+1}次)") # 打印日志 async def log_after_model(cb_ctx, inv_ctx): """ 模型调用后回调 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ # 计算耗时 start = inv_ctx.session.state.get("temp:model_start_time", time.time()) # 开始时间 elapsed = time.time() - start # 计算耗时 response = cb_ctx.response # 获取模型响应 if response and response.function_calls: # 如果有工具调用 tools = [fc.name for fc in response.function_calls] # 工具名列表 print(f"✅ [模型后] LLM 调用完成 ({elapsed:.2f}s)，决定调用工具: {tools}") # 打印 else: # 如果直接响应 print(f"✅ [模型后] LLM 调用完成 ({elapsed:.2f}s)，直接响应") # 打印 async def log_before_tool(cb_ctx, inv_ctx): """ 工具调用前回调 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ fc = cb_ctx.function_call # 获取函数调用 print(f"🔧 [工具前] 调用工具: {fc.name}({fc.args})") # 打印工具信息 async def log_after_tool(cb_ctx, inv_ctx): """ 工具调用后回调 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ fc = cb_ctx.function_call # 获取函数调用 result = cb_ctx.tool_result # 获取工具结果 status = "成功" # 默认成功 if result and result.get("status") == "error": # 如果错误 status = "失败" # 标记失败 print(f"📊 [工具后] {fc.name} 执行{status}") # 打印结果 # ======================================== # 示例二：人工确认回调 # ======================================== async def human_confirmation(cb_ctx, inv_ctx): """ 人工确认回调 在敏感操作前暂停 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ tool_name = cb_ctx.function_call.name # 获取工具名 tool_args = cb_ctx.function_call.args # 获取工具参数 # 定义敏感操作 sensitive_ops = { # 敏感操作映射 "delete_file": "删除文件", # 删除文件 "send_email": "发送邮件", # 发送邮件 "make_payment": "发起支付", # 发起支付 } if tool_name in sensitive_ops: # 如果是敏感操作 op = sensitive_ops[tool_name] # 获取操作描述 print(f"\n⚠️ [人工确认] 需要人工确认！") # 打印警告 print(f" 操作: {op}") # 打印操作 print(f" 参数: {tool_args}") # 打印参数 print(f" 状态: 已记录（模拟自动通过）") # 模拟通过 # ======================================== # 示例三：参数验证回调 # ======================================== async def validate_params(cb_ctx, inv_ctx): """ 参数验证回调 在工具调用前验证参数 Args: cb_ctx: 回调上下文 inv_ctx: 调用上下文 """ tool_name = cb_ctx.function_call.name # 工具名 tool_args = cb_ctx.function_call.args # 工具参数 # 验证搜索查询长度 if tool_name == "search": # 如果是搜索工具 query = tool_args.get("query", "") # 获取查询 if len(query) < 2: # 如果太短 print(f"⚠️ [验证] 搜索查询过短: '{query}'") # 打印警告 # 验证数值范围 if tool_name == "calculate": # 如果是计算工具 value = tool_args.get("value", 0) # 获取数值 if value < 0: # 如果为负数 print(f"⚠️ [验证] 数值不能为负: {value}") # 打印警告 # ======================================== # 定义工具函数 # ======================================== def get_weather(city: str) -> dict: """获取天气信息""" weather_data = { # 天气数据 "北京": {"temp": "25°C", "condition": "晴天"}, "上海": {"temp": "28°C", "condition": "多云"}, } data = weather_data.get(city) # 查找数据 if not data: # 如果找不到 return {"status": "error", "error_message": f"未找到'{city}'的天气信息"} return {"status": "success", "city": city, **data} # 返回天气 def delete_file(filename: str) -> dict: """删除文件（模拟）""" print(f"🗑️ 执行删除: {filename}") # 模拟删除 return {"status": "success", "message": f"文件 '{filename}' 已删除"} # ======================================== # 创建带回调的 Agent # ======================================== monitored_agent = Agent( name="monitored_agent", # Agent 名称 model="gemini-2.0-flash", # 模型 instruction=( # 系统指令 "你是一个天气助手。\n" "使用 get_weather 工具查询天气。\n" "使用 delete_file 工具删除文件（需要确认）。" ), tools=[get_weather, delete_file], # 注册工具 before_model_callback=log_before_model, # 模型前回调 after_model_callback=log_after_model, # 模型后回调 before_tool_callback=log_before_tool, # 工具前回调 after_tool_callback=log_after_tool, # 工具后回调 ) # ======================================== # 运行演示 # ======================================== APP_NAME = "callback_demo" # 应用名称 USER_ID = "user_001" # 用户 ID SESSION_ID = "session_001" # 会话 ID async def main(): """主函数""" print("=" * 60) # 分隔线 print("Google ADK 回调机制演示") # 标题 print("=" * 60) # 分隔线 # 初始化 session_service = InMemorySessionService() # 会话服务 await session_service.create_session( # 创建会话 app_name=APP_NAME, # 应用名称 user_id=USER_ID, # 用户 ID session_id=SESSION_ID, # 会话 ID ) # 创建 Runner runner = Runner( agent=monitored_agent, # Agent app_name=APP_NAME, # 应用名称 session_service=session_service, # 会话服务 ) # 测试问题 queries = [ # 测试列表 "北京天气怎么样？", # 天气查询 ] for query in queries: # 遍历测试 print(f"\n{'='*60}") # 分隔线 print(f"[用户]: {query}") # 打印用户输入 # 构造消息 content = types.Content( role='user', # 角色 parts=[types.Part(text=query)], # 内容 ) # 运行 Agent events = runner.run_async( user_id=USER_ID, # 用户 ID session_id=SESSION_ID, # 会话 ID new_message=content, # 消息 ) # 处理事件 async for event in events: # 遍历事件 if event.is_final_response(): # 最终响应 print(f"[Agent]: {event.content.parts[0].text}") # 打印回复 if __name__ == "__main__": # 直接运行 asyncio.run(main()) # 执行主函数