Agent Architecture

# Pseudocode dùng LangGraph để triển khai vòng lặp Agent 4 pha
from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

class AgentState(TypedDict):
    """Trạng thái được chuyền qua các pha"""
    user_request: str
    plan: list[str]
    current_step: int
    tool_results: list[dict]
    long_term_memory: dict
    final_answer: str | None

llm = ChatOpenAI(model="gpt-4o", temperature=0)

@tool
def search_flights(origin: str, destination: str, date: str, max_price: int) -> list[dict]:
    """Tìm chuyến bay theo tuyến và ngân sách."""
    # Giả lập gọi API
    return [{"id": "VN-301", "price": 12000000, "airline": "VietnamAirlines"}]

@tool
def book_flight(flight_id: str, passenger: dict) -> dict:
    """Đặt vé và trả về mã xác nhận."""
    return {"confirmation": "ABC123", "flight_id": flight_id}

TOOLS = [search_flights, book_flight]

# ── Pha 1: Perceive ────────────────────────────────────────────────────────
def perceive(state: AgentState) -> AgentState:
    # Chuẩn hoá yêu cầu thô của người dùng thành intent rõ ràng.
    prompt = f"Parse intent và extract entities từ: {state['user_request']}"
    parsed = llm.invoke(prompt)
    state["user_request"] = parsed.content
    return state

# ── Pha 2: Plan ─────────────────────────────────────────────────────────────
def plan(state: AgentState) -> AgentState:
    # Tham chiếu long-term memory để cá nhân hoá
    prefs = state["long_term_memory"].get("flight_prefs", {})
    plan_prompt = (
        f"Tạo kế hoạch 3-5 bước để hoàn thành: {state['user_request']}. "
        f"Sở thích người dùng: {prefs}. "
        f"Công cụ khả dụng: {[t.name for t in TOOLS]}"
    )
    response = llm.invoke(plan_prompt)
    state["plan"] = response.content.split("\n")
    state["current_step"] = 0
    return state

# ── Pha 3: Act ──────────────────────────────────────────────────────────────
def act(state: AgentState) -> AgentState:
    step = state["plan"][state["current_step"]]
    # LLM chọn tool + tham số, sau đó ta execute
    llm_with_tools = llm.bind_tools(TOOLS)
    tool_call = llm_with_tools.invoke(f"Thực hiện bước: {step}")

    for call in tool_call.tool_calls:
        matched = next(t for t in TOOLS if t.name == call["name"])
        result = matched.invoke(call["args"])
        state["tool_results"].append({"step": step, "result": result})

    state["current_step"] += 1
    return state

# ── Pha 4: Reflect ──────────────────────────────────────────────────────────
def reflect(state: AgentState) -> AgentState:
    recent = state["tool_results"][-1]
    critique_prompt = (
        f"Kết quả bước vừa rồi: {recent}. "
        f"Đã hoàn thành yêu cầu '{state['user_request']}' chưa? "
        "Nếu chưa, có cần thay đổi kế hoạch không?"
    )
    verdict = llm.invoke(critique_prompt)

    if "hoàn thành" in verdict.content.lower():
        state["final_answer"] = verdict.content
    return state

def route_next(state: AgentState) -> str:
    if state["final_answer"] is not None:
        return END
    if state["current_step"] >= len(state["plan"]):
        return "plan"  # Replan nếu hết bước mà chưa xong
    return "act"

# ── Lắp ráp đồ thị ──────────────────────────────────────────────────────────
graph = StateGraph(AgentState)
graph.add_node("perceive", perceive)
graph.add_node("plan", plan)
graph.add_node("act", act)
graph.add_node("reflect", reflect)

graph.set_entry_point("perceive")
graph.add_edge("perceive", "plan")
graph.add_edge("plan", "act")
graph.add_edge("act", "reflect")
graph.add_conditional_edges("reflect", route_next, {
    "act": "act",
    "plan": "plan",
    END: END,
})

agent = graph.compile()
result = agent.invoke({
    "user_request": "Đặt vé TP.HCM → Tokyo ngày 2/5, dưới 15 triệu",
    "plan": [],
    "current_step": 0,
    "tool_results": [],
    "long_term_memory": {"flight_prefs": {"airline": "VietnamAirlines"}},
    "final_answer": None,
})

# CrewAI cho bạn định nghĩa Agent ở mức cao hơn, không cần tự viết graph.
from crewai import Agent, Task, Crew, Process
from crewai.memory import ShortTermMemory, LongTermMemory
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

# ── Định nghĩa Agent ─────────────────────────────────────────────────────
flight_planner = Agent(
    role="Flight Planner",
    goal="Đặt vé máy bay đúng ngân sách và sở thích người dùng",
    backstory=(
        "Bạn là chuyên gia đặt vé với 10 năm kinh nghiệm. "
        "Ưu tiên chất lượng, giá, và sở thích người dùng trong thứ tự đó."
    ),
    tools=[search_tool],
    memory=True,
    short_term_memory=ShortTermMemory(),
    long_term_memory=LongTermMemory(),
    allow_delegation=False,
    verbose=True,
    max_iter=8,               # max_steps — chặn loop vô hạn
    max_rpm=20,               # rate limit API
)

# ── Định nghĩa Task ──────────────────────────────────────────────────────
book_task = Task(
    description=(
        "Tìm vé TP.HCM → Tokyo ngày 2/5, dưới 15 triệu, ưu tiên Vietnam Airlines. "
        "Nếu không tìm thấy, đề xuất 2 giải pháp thay thế."
    ),
    expected_output="Mã xác nhận đặt vé hoặc 2 giải pháp thay thế có giải thích.",
    agent=flight_planner,
    human_input=False,        # Bật True nếu muốn hỏi xác nhận
)

# ── Crew: khung Agent + Task ────────────────────────────────────────────
crew = Crew(
    agents=[flight_planner],
    tasks=[book_task],
    process=Process.sequential,
    memory=True,
    verbose=True,
)

result = crew.kickoff()
print(result)