repo stringclasses 454
values | file_path stringlengths 5 201 | extension stringclasses 1
value | content stringlengths 8 509k | num_lines int64 3 16.9k | size_bytes int64 8 511k |
|---|---|---|---|---|---|
ai-agent-book | chapter5/paper-to-video/test_ffprobe_duration.py | .py | """ffprobe 输出 N/A（无时长元数据）时，ffprobe_duration 应给出清晰报错。"""
import pytest
import demo
def test_ffprobe_duration_na(monkeypatch):
monkeypatch.setattr(demo, "run", lambda *a, **k: "N/A\n")
with pytest.raises(RuntimeError, match="时长"):
demo.ffprobe_duration("no_duration.bin")
def test_ffprobe_duration_emp... | 22 | 701 |
ai-agent-book | chapter5/paper-to-video/demo.py | .py | #!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
实验 5-5：论文讲解视频的自动生成（★★）
流水线（端到端自包含，无需依赖 5-4）：
1) 幻灯片：用 PIL 生成若干页带标题/要点的 PNG（模拟“论文 -> PPT”的产物），
也可用 --slides 传入外部 JSON 替换内置示例。
2) 讲解词：对每一页调用 gpt-5.6-luna 生成【口语化、引导性】的讲解文字
（是叙述而非复述要点，负责承上启下）；也可用 --script 直接喂入现成脚本。
3) TTS：用 OpenAI tts-1（voice... | 632 | 26,630 |
ai-agent-book | chapter5/video-edit/campaign.py | .py | """Real-media, real-Vision, real-Blender acceptance campaign for Experiment 5-6."""
from __future__ import annotations
import argparse
import ast
import base64
import hashlib
import json
import math
import os
import re
import shutil
import subprocess
import time
from datetime import datetime, timezone
from pathlib im... | 793 | 33,640 |
ai-agent-book | chapter5/video-edit/blender_editor.py | .py | """
Blender Python API（bpy）剪辑执行层 —— 实验 5-6 的核心。
书中方案强调"代码生成"：Proposer Agent 不去点 GUI，而是**生成一段调用
Blender Python API 的脚本**，每个编辑操作（导入 / 裁剪 / 字幕 / 变速 / 渲染）
对应一个清晰的函数调用，再用 `blender --background --python edit.py` 无头执行。
本模块两个出口：
generate_bpy_script(source, plan, out_video) -> str
纯字符串生成，**不依赖 bpy**，任何机器都能产出这段脚本（体现代码生... | 211 | 7,835 |
ai-agent-book | chapter5/video-edit/test_bare_output_filename.py | .py | import os
import make_test_video
from video_editor import apply_edit
def test_make_test_video_bare_filename():
out_name = "test_temp_bare_video.mp4"
if os.path.exists(out_name):
os.remove(out_name)
try:
path = make_test_video.make(out_name)
assert os.path.exists(path)
asser... | 46 | 1,382 |
ai-agent-book | chapter5/video-edit/test_slowmo_null_factor.py | .py | """slowmo factor:null must not TypeError (skip like non-positive)."""
from unittest.mock import patch, MagicMock
from blender_editor import _plan_fields, generate_bpy_script
from video_editor import _apply_edit_ffmpeg
def test_null_slowmo_factor_skipped_in_plan_fields():
start, end, subtitle, slowmo = _plan_field... | 50 | 1,567 |
ai-agent-book | chapter5/video-edit/test_agents_llm_json.py | .py | """LLM 返回的 JSON 缺字段/为 null 时，Agent 解析应按约定哨兵处理，不应崩溃。"""
import types
import pytest
import agents
import ffmpeg_utils
def _fake_client(content):
resp = types.SimpleNamespace(
choices=[types.SimpleNamespace(
message=types.SimpleNamespace(content=content))],
usage=None)
completions =... | 64 | 2,652 |
ai-agent-book | chapter5/video-edit/video_editor.py | .py | """
视频剪辑执行层（双后端）。
书中实验 5-6 的核心是"代码生成"：Proposer Agent 生成一段调用 Blender Python API
（bpy）的脚本来完成剪辑。因此本层有两个后端：
- blender：把剪辑计划翻译成 bpy 脚本，用 `blender --background --python` 无头渲染
（见 blender_editor.py）——书中原方案，需安装 Blender；
- ffmpeg ：用 ffmpeg 完成等价的裁剪/字幕/慢动作，单二进制、CI 友好，本机已验证。
apply_edit(..., backend=) 统一入口：backen... | 127 | 5,654 |
ai-agent-book | chapter5/video-edit/test_extract_json_adjacent.py | .py | """_extract_json must accept the first object when another object follows."""
import pytest
from agents import _extract_json
def test_adjacent_json_objects_returns_first():
assert _extract_json('{"a":1}{"b":2}') == {"a": 1}
def test_prose_with_two_objects_returns_first():
assert _extract_json('note {"a":1... | 23 | 619 |
ai-agent-book | chapter5/video-edit/agents.py | .py | """
实验 5-6 的三个 Agent：
VideoAnalyzerAgent —— 视频分析子 Agent，用"两步 Vision 定位"找目标场景边界。
ProposerAgent —— 把自然语言需求解析成剪辑计划，调用子 Agent 定位并执行剪辑。
ReviewerAgent —— 抽取成片关键帧，用 Vision 检查是否剪对，给出结构化反馈。
把视频分析封装为独立子 Agent 的意义：大量截图只进入子 Agent 的一次性上下文，
不会污染主 Agent（Proposer/Reviewer）的对话历史——见 demo.py 打印的 token 统计。
"""
import bas... | 326 | 13,679 |
ai-agent-book | chapter5/video-edit/demo.py | .py | """
实验 5-6：基于 API 的智能视频剪辑（两步 Vision 定位 + 提议者-审核者）
一条命令跑通：
python demo.py # 默认需求"把冲浪的部分剪出来"
python demo.py "把滑雪部分剪出来，并加上字幕 Winter" # 自定义需求
流程：
1. 程序化生成含 4 个明显不同场景的测试视频（HIKING/SURFING/SKIING/CYCLING）；
2. Proposer 解析自然语言需求 → 目标场景 + 特效；
3. 视频分析子 Agent 两步定位（粗粒度每 10s → 细粒度每 1s）找到精确边界；
4. Propo... | 294 | 14,486 |
ai-agent-book | chapter5/video-edit/ffmpeg_utils.py | .py | """
ffmpeg / ffprobe 薄封装：所有对外部进程的调用都集中在这里，统一做错误检查。
设计要点：
- run() 捕获非零退出码并抛出带 stderr 的清晰异常（而非让 traceback 泄漏）；
- 提供 probe_duration / probe_streams，供 Reviewer 与验证环节读取成片信息；
- extract_frame 把某一时间点抽成一张 PNG（缩放到 512 宽以节省 Vision token）。
"""
import json
import os
import shutil
import subprocess
# macOS 自带字体；换平台时改这里即可（Lin... | 104 | 3,822 |
ai-agent-book | chapter5/video-edit/make_test_video.py | .py | """
程序化生成一段"含多个明显不同场景"的测试视频（无需任何素材文件）。
每个场景 = 一种纯色背景 + 一个大号运动标题（场景英文名）+ 时间码水印。
标题让 Vision LLM 能仅凭画面就准确判断"这是哪个场景"，从而验证两步定位。
换成真实视频时：把 demo.py 里的 SOURCE_VIDEO 指向你自己的 mp4 即可（见 README）。
"""
import os
from ffmpeg_utils import find_font, run
# 每个场景：(名称, 背景色, 起始秒, 时长秒)。刻意让每段 > 10s，
# 使"每 10s 一张"的粗粒度采样必然命中每个场景。
SCENES = [
... | 82 | 3,268 |
ai-agent-book | chapter5/video-edit/test_slowmo_factor_zero.py | .py | """Regression: slowmo factor<=0 must not ZeroDivisionError."""
from pathlib import Path
def test_source_skips_nonpositive_factor():
src = Path(__file__).with_name("video_editor.py").read_text()
assert "if factor <= 0:" in src
assert "continue" in src.split("if factor <= 0:")[1][:80]
def test_division_gu... | 19 | 478 |
ai-agent-book | chapter5/video-edit/validation/preflight-nospeed.py | .py | """
本文件由 blender_editor.generate_bpy_script() 自动生成（实验 5-6）。
执行：blender --background --python edit.py
它把一条剪辑计划翻译成 Blender 视频序列编辑器（VSE）的 API 调用序列。
"""
import os
import bpy
SRC = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/source_cache/big-buck-bunny-trailer-480p.mov'
OUT = '/Users/boj/book/ai-agent-boo... | 93 | 3,103 |
ai-agent-book | chapter5/video-edit/validation/preflight-reference.py | .py | """
本文件由 blender_editor.generate_bpy_script() 自动生成（实验 5-6）。
执行：blender --background --python edit.py
它把一条剪辑计划翻译成 Blender 视频序列编辑器（VSE）的 API 调用序列。
"""
import os
import bpy
SRC = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/source_cache/big-buck-bunny-trailer-480p.mov'
OUT = '/Users/boj/book/ai-agent-boo... | 93 | 3,104 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-attempt-3.py | .py | import bpy
INPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov"
OUTPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4"
FPS = 25
START_SECONDS = 9.0
END_SECONDS = 12.0
# C... | 91 | 2,372 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-refinement-1-attempt-1.py | .py | import bpy
# Configuration
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4'
FPS = 25
START_SECONDS = 9.250
END_S... | 82 | 2,117 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/negative-control-attempt-1.py | .py | import bpy
INPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov"
OUTPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/negative_control.mp4"
FPS = 25
START_SECONDS = 0.000
END_SECOND... | 88 | 2,231 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-attempt-4.py | .py | import bpy
INPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov"
OUTPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4"
FPS = 25
START_SECONDS = 9.000
END_SECONDS = 12.000
... | 55 | 1,953 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-attempt-1.py | .py | import bpy
INPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov"
OUTPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4"
FPS = 25
START_SECONDS = 9.0
END_SECONDS = 12.0
# C... | 61 | 2,146 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-attempt-2.py | .py | import bpy
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4'
FPS = 25
START_SECONDS = 9.000
END_SECONDS = 12.000
... | 59 | 2,048 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/scripts/corrected-final-refinement-1-attempt-2.py | .py | import bpy
# Configuration
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-055102/final.mp4'
FPS = 25
START_SECONDS = 9.250
END_S... | 89 | 2,281 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/scripts/negative-control-attempt-3.py | .py | import bpy
# Configuration
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/negative_control.mp4'
FPS = 25
START_SECONDS = ... | 83 | 2,324 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/scripts/negative-control-attempt-1.py | .py | import bpy
# Configuration
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/negative_control.mp4'
START_SECONDS = 0.000
END... | 89 | 2,292 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/scripts/corrected-final-attempt-1.py | .py | import bpy
# Configuration
INPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/source.mov"
OUTPUT_PATH = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/final.mp4"
FPS = 25
START_SECONDS = 9.000
END_S... | 88 | 2,154 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/scripts/negative-control-attempt-2.py | .py | import bpy
# Clear existing data
bpy.ops.wm.read_factory_settings(use_empty=True)
scene = bpy.context.scene
# Configuration
INPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-053948/source.mov'
OUTPUT_PATH = '/Users/boj/book/ai-agent-book/chapter5/video-edit/v... | 98 | 2,581 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-050817/scripts/negative-control-attempt-3.py | .py | import bpy
# Clear existing data to start fresh
bpy.ops.wm.read_factory_settings(use_empty=True)
# Get the current scene
scene = bpy.context.scene
# Set render resolution and FPS
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
scene.render.fps = 25
scene.rende... | 73 | 3,107 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-050817/scripts/negative-control-attempt-1.py | .py | import bpy
# Clear default objects
bpy.ops.object.select_all(action='SELECT')
bpy.ops.object.delete()
# Set up scene and sequence editor
scene = bpy.context.scene
scene.sequence_editor = scene.sequence_editor_create()
se = scene.sequence_editor
# File paths
input_path = '/Users/boj/book/ai-agent-book/chapter5/video-... | 112 | 3,237 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-050817/scripts/negative-control-attempt-2.py | .py | import bpy
import math
# Clear default objects
bpy.ops.object.select_all(action='SELECT')
bpy.ops.object.delete()
# Set up scene
scene = bpy.context.scene
# Render settings
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
scene.render.fps = 25
scene.render.fps_... | 90 | 2,785 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-3.py | .py | import bpy
import os
# Clear default objects
bpy.ops.object.select_all(action='SELECT')
bpy.ops.object.delete()
# Set up scene
scene = bpy.context.scene
scene.render.fps = 25
scene.render.fps_base = 1.0
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
# Configu... | 84 | 2,524 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-4.py | .py | import bpy
import os
# Clear existing data
bpy.ops.wm.read_factory_settings(use_empty=True)
# Get the current scene
scene = bpy.context.scene
# Set render resolution (854x480 for H.264 even width)
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
# Set frame ra... | 90 | 2,737 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-6.py | .py | import bpy
import math
# Clear existing objects
bpy.ops.object.select_all(action='SELECT')
bpy.ops.object.delete()
# File paths
input_path = '/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/source.mov'
output_path = '/Users/boj/book/ai-agent-book/chapter5/video-ed... | 85 | 2,201 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-1.py | .py | import bpy
# Clear existing objects to start fresh
bpy.ops.object.select_all(action='SELECT')
bpy.ops.object.delete()
# Configuration paths and parameters
INPUT_MOVIE = "/Users/boj/book/ai-agent-book/chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/source.mov"
OUTPUT_MP4 = "/Users/boj/book/ai-a... | 84 | 2,662 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-2.py | .py | import bpy
# Clear existing data
bpy.ops.wm.read_factory_settings(use_empty=True)
scene = bpy.context.scene
# Scene settings
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
scene.render.fps = 25
scene.render.fps_base = 1.0
# Create sequence editor
if not scene... | 79 | 2,272 |
ai-agent-book | chapter5/video-edit/validation/runs/exp5-6-real-blender-20260730-052206/scripts/negative-control-attempt-5.py | .py | import bpy
# Clear existing data
bpy.ops.wm.read_factory_settings(use_empty=True)
# Get the scene
scene = bpy.context.scene
# Set render resolution and FPS
scene.render.resolution_x = 854
scene.render.resolution_y = 480
scene.render.resolution_percentage = 100
scene.render.fps = 25
scene.render.fps_base = 1.0
# Set... | 85 | 2,548 |
ai-agent-book | chapter5/code-for-logic/test_silent_resident.py | .py | import sys
from pathlib import Path
# Ensure csp_solver module can be resolved regardless of working directory
sys.path.insert(0, str(Path(__file__).parent))
from csp_solver import solve, solve_labeled
def test_csp_solver_handles_silent_resident():
"""Verify solve handles residents in names that make no stateme... | 31 | 1,151 |
ai-agent-book | chapter5/code-for-logic/test_random_stmt_one_person.py | .py | """Regression: one-person puzzles must not IndexError in _random_stmt."""
import random
import sys
import types
sys.modules.setdefault("constraint", types.ModuleType("constraint"))
sys.modules["constraint"].Problem = object
cs = types.ModuleType("csp_solver")
cs.render_nl = lambda *a, **k: ""
cs.solve = lambda *a, **k... | 23 | 677 |
ai-agent-book | chapter5/code-for-logic/build_hf_puzzles.py | .py | #!/usr/bin/env python3
"""Build the frozen Experiment 5-2 test set from the named Hugging Face dataset.
The manuscript explicitly names K-and-K/perturbed-knights-and-knaves. This
builder downloads a revision-pinned, stratified sample from every test
perturbation and every 2--8-person difficulty cell. It retains sour... | 188 | 6,987 |
ai-agent-book | chapter5/code-for-logic/test_statistics.py | .py | from demo import campaign_completion, paired_statistics
def test_paired_statistics_detects_clear_code_gain():
pure = [{"id": str(i), "correct": i < 2} for i in range(20)]
code = [
{"id": str(i), "correct": i < 19, "used_python_constraint": True}
for i in range(20)
]
result = paired_sta... | 43 | 1,637 |
ai-agent-book | chapter5/code-for-logic/sandbox.py | .py | """
极简 Code Interpreter 沙箱：在子进程中执行模型生成的 Python 代码。
- 用独立子进程运行，避免污染主进程、并可强制超时。
- 子进程使用与主程序相同的解释器(sys.executable)，因此已预装 python-constraint。
- 捕获 stdout / stderr 一并返回给模型，让它能看到求解结果或报错信息。
"""
import subprocess
import sys
import tempfile
import os
def run_python(code: str, timeout: int = 20) -> str:
"""在子进程沙箱中执行 code，返... | 53 | 1,951 |
ai-agent-book | chapter5/code-for-logic/test_parse_answer_boolean.py | .py | import sys
from pathlib import Path
# Ensure demo module can be resolved regardless of working directory
sys.path.insert(0, str(Path(__file__).parent))
from demo import parse_answer
def test_parse_answer_supports_boolean_json_values():
"""Verify parse_answer maps JSON boolean true/false to knight/knave.
Co... | 33 | 1,244 |
ai-agent-book | chapter5/code-for-logic/demo.py | .py | #!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
实验 5-2：用代码生成工具提升逻辑思考能力
对比在三种模式下求解「骑士与无赖」(Knights & Knaves) 谜题的准确率：
1) 纯思考(pure) —— LLM 仅靠自然语言链式推理直接给出答案；
2) 代码辅助(code) —— LLM 配备 Code Interpreter(预装 python-constraint)，
把谜题形式化为约束满足问题(CSP)，调用求解器搜索答案；
3) 约束求解(solver) —— 【离线，无需 A... | 641 | 27,416 |
ai-agent-book | chapter5/code-for-logic/build_puzzles.py | .py | #!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
生成/校验「骑士与无赖」(Knights and Knaves)谜题，并导出 puzzles.json。
每道谜题的每句话都用 csp_solver.py 里的结构化 DSL 表示(见该文件顶部说明)，
既能渲染成中文题面(给 LLM 看)，也能直接翻译成 python-constraint 约束来求解。
本脚本用 python-constraint 校验每题「解唯一」后才写出——这确保真值解无歧义，
同时演示了实验 5-2 的核心：把谜题形式化为 CSP 并用求解器离线求解。
约定：骑士(knight)永远说真话，无赖(kna... | 205 | 8,612 |
ai-agent-book | chapter5/code-for-logic/test_hf_dataset.py | .py | from build_hf_puzzles import convert_expression, convert_row
def test_convert_dataset_expression_and_label():
row = {
"quiz": "A says B is not lying. B says B is truthful iff A is lying.",
"names": ["A", "B"],
"solution": [False, False],
"statements": "(('not', ('lying', 1)), ('<=>... | 28 | 983 |
ai-agent-book | chapter5/code-for-logic/csp_solver.py | .py | """
离线约束求解器：把「骑士与无赖」谜题的结构化陈述翻译成约束满足问题(CSP)，
用 python-constraint 库求解——这是实验 5-2 想论证的「代码求解」路径的确定性参考实现。
它不依赖任何 LLM / 网络，可完全离线运行，因此既用于 build_puzzles.py 校验谜题
「解唯一」，也用于 demo.py 的 solver 模式给出约束求解基线(理论上 100% 正确)。
【结构化陈述 DSL】每句话用一个 JSON 可序列化的列表表示，节点形式如下
(True=骑士/说真话，False=无赖/说假话)：
["is", target, "knight"|"knave"] # ta... | 128 | 5,088 |
ai-agent-book | chapter5/erp-agent/questions.py | .py | """
10 个自然语言问题，以及给 Agent 的「输出列」提示。
hint 里只补充「业务口径 + 期望返回哪些列、什么顺序」这类 schema 级提示，
不泄露具体数值答案。列顺序与 reference.py 的返回一致，便于逐行比对。
"""
QUESTIONS = [
{
"id": 1,
"nl": "平均每个员工在职多久？",
"hint": "在职时长按天计：离职员工用 leave_date，在职员工用今天 date('now')，"
"对全部员工求平均。只返回一列：平均在职天数。",
},
{
... | 92 | 4,794 |
ai-agent-book | chapter5/erp-agent/gold.py | .py | """
10 道题的「标准 SQL」（gold SQL），SQLite 方言，人工编写并逐题核对过。
用途：
- 离线演示（`python demo.py gold`）：不调用任何 API，直接执行这些 SQL，
证明 schema + 种子数据这套数据模型本身是自洽、可查询的；
- 作为 Agent 生成 SQL 的「参考写法」：与 reference.py（纯 Python 参考实现）
语义一致，`demo.py` 会把执行结果与 reference.py 比对，逐题打印 通过/不通过。
约定：
- 日期一律用 date('now','localtime') / strftime(...,'now... | 144 | 5,439 |
ai-agent-book | chapter5/erp-agent/test_parse_only.py | .py | """--only 参数解析：非法题号应干净退出（SystemExit），而非 ValueError 栈。"""
import pytest
from demo import _parse_only
def test_parse_only_valid():
assert _parse_only("1,5,10") == {1, 5, 10}
def test_parse_only_empty_means_all():
assert _parse_only("") is None
assert _parse_only(None) is None
def test_parse_only_non_in... | 24 | 594 |
ai-agent-book | chapter5/erp-agent/reference.py | .py | """
独立的 Python 参考实现：直接在种子数据（内存 list）上计算 10 个问题的期望答案。
这些函数刻意「不走 SQL」，用来校验 Agent 生成 SQL 的执行结果是否正确。
每个函数返回 list[tuple]，元组内的列顺序与 questions.py 里给 Agent 的
「列顺序提示」保持一致，便于逐行比对。
"""
from datetime import date
from statistics import mean
DEPT_A = "研发部" # 题目里的「A 部门」
DEPT_B = "销售部" # 题目里的「B 部门」
def _end_date(e, today):
... | 166 | 5,167 |
ai-agent-book | chapter5/erp-agent/seed.py | .py | """
生成可复现的 ERP 种子数据（员工表 + 工资表）。
设计要点（保证 10 个问题都有确定答案）：
- 约 40 名员工，跨 5 个部门、多个级别；
- 工龄刻意覆盖「入职一年内 / 一到两年 / 两到三年 / 三年以上」四档（供问题 8）；
- 若干已离职员工（leave_date 非空，供问题 2/6 等）；
- 工资按「入职当年基准 + 每年固定涨薪额」逐月生成，
每位员工的年度涨薪额互不相同，从而问题 9「涨薪最大 10 人」排名唯一；
- 刻意为一名在职员工删掉某个月的工资记录（供问题 10「拖欠工资」）；
- 所有日期以「今天」为基准相对生成，固定随机种子 42，可复现。
reference.py 直接... | 184 | 7,220 |
ai-agent-book | chapter5/erp-agent/demo.py | .py | """
实验 5-10：自然语言交互的 ERP Agent（NL -> SQL，artifact 模式）命令行入口。
核心思想（artifact 模式）：Agent 只负责「生成 SQL 制品」，不亲自搬运数据；
真正的查询由系统用生成的 SQL 在数据库上执行，结果表直达用户界面。
子命令：
run 在线：Agent 生成 SQL -> 执行 -> 与参考实现比对（需 OPENAI_API_KEY，默认子命令）
gold 离线：执行内置「标准 SQL」跑 10 题 -> 与参考实现比对（无需 API，用于自检/演示）
ask 在线：单条自然语言查询 -> 生成 SQL -> 执行并打印结果表（... | 376 | 14,144 |
ai-agent-book | chapter5/erp-agent/campaign_postgres.py | .py | #!/usr/bin/env python3
"""Canonical PostgreSQL + live-model campaign for Experiment 5-10."""
from __future__ import annotations
import argparse
import datetime as dt
import decimal
import hashlib
import html
import json
import os
import re
import shutil
import time
from pathlib import Path
from typing import Any
imp... | 407 | 19,501 |
ai-agent-book | chapter5/erp-agent/agent.py | .py | """
NL -> SQL Agent（artifact 模式）。
Agent 只负责「生成 SQL 制品」，不亲自搬运数据：
真正的数据查询由系统（demo.py）用生成的 SQL 在 SQLite 上执行，结果表直接呈现。
"""
import os
import re
from datetime import date
from openai import OpenAI
MODEL = os.environ.get("OPENAI_MODEL", "gpt-5.6-luna")
# --- 通用 OpenRouter 兜底 ---
OPENROUTER_BASE_URL = "https://openrouter.a... | 115 | 4,823 |
ai-agent-book | chapter5/small-model-codified-rules/test_campaign.py | .py | import argparse
from demo import (
_checkpoint_identity,
_execution_completion,
_load_checkpoint,
_write_checkpoint,
paired_analysis,
)
from tasks import TASKS
def test_frozen_matrix_has_every_factorial_cell_once():
cells = {
(
task.source["cabin"],
task.source... | 90 | 2,829 |
ai-agent-book | chapter5/small-model-codified-rules/airline_env.py | .py | """
精简航空客服环境（实验 5-3）
设计要点：
- 模拟一个"数据库真值"：航班/预订信息、舱位、下单时间、航班状态。
- 退款政策以**代码**形式固化在 is_refundable() 里，作为唯一权威判据。
- "时间取服务端时钟"：now 由环境持有，不采信模型/用户自报的时间。
- 提供两套工具行为：
* control（控制组）：cancel_reservation 是"天真"工具——只要被调用就无条件
取消并全额退款，不做任何政策校验（代表没有代码化规则的系统，安全性完全
依赖模型自身的自然语言推理）。
* codified（实验组）：cancel_reservation... | 197 | 9,067 |
ai-agent-book | chapter5/small-model-codified-rules/demo.py | .py | """
实验 5-3 主程序：小模型靠"代码化规则"追平大模型的可靠性
三方对照（核心主张）：
A. 小模型 + 代码化规则（实验组，三重保障）
B. 小模型 · 纯自然语言（控制组）
C. 大模型 · 纯自然语言（可选基线，--big-model 开启）
预期：A 的任务成功率 ≈ C，且都显著高于 B —— 即"把业务规则写成代码化守卫"，
能让一个小模型在复杂政策执行上追平大模型裸跑的可靠性。
指标：
- 任务成功率：最终退款结果是否符合代码化政策真值。
- 政策违规次数：多退款（该拒不拒） + 该退不退，两个方向都算。
- 无效工具调用次数：被代码校验拒绝 / 未知预订等返... | 544 | 26,142 |
ai-agent-book | chapter5/small-model-codified-rules/tasks.py | .py | """
评测任务集（实验 5-3）
每个 case 包含：
- 一条乘客请求（有的会提供误导信息，测试模型是否会盲信自报参数）；
- 一个预订的数据库真值（相对服务端时钟设置下单时间）；
- 由代码化政策推导出的"标准结果"（expect_refundable），用于规则判据评分。
case 覆盖：4 个可退（正常）+ 4 个不可退（违规边界），既能抓住"多退款"违规，
也能抓住"该退不退"违规。
"""
from __future__ import annotations
from dataclasses import dataclass
from datetime import timedelta
from... | 210 | 9,022 |
ai-agent-book | chapter5/small-model-codified-rules/agent.py | .py | """
航空客服 Agent（实验 5-3）
两种模式：
- control（控制组）：系统提示只有自然语言政策；工具描述极简、无 expected_* 参数；
工具内部不做任何校验（天真执行）。政策是否被遵守完全靠模型自身推理。
- codified（实验组）：三重保障——
(1) 系统提示保留同样的自然语言政策；
(2) 工具描述列出完整政策，并以可选 expected_* 参数引导模型"调用前逐条核对"；
(3) 工具内部基于数据库真值做代码化校验，可拒绝违规操作。
"""
from __future__ import annotations
import json
i... | 293 | 12,331 |
ai-agent-book | chapter9/prompt-auto-optimization/run_experiment_8_3.py | .py | #!/usr/bin/env python3
"""Run the full Experiment 8-3 campaign and save canonical evidence."""
from __future__ import annotations
import argparse
import hashlib
import json
import os
from datetime import datetime, timezone
from pathlib import Path
from airline_env import CASES
from demo import main as run_campaign
... | 50 | 1,945 |
ai-agent-book | chapter9/prompt-auto-optimization/learning_signal.py | .py | """Turn evaluated customer-service trajectories into a prompt-learning signal."""
from __future__ import annotations
from collections import defaultdict
from typing import Any, Dict
DIMENSIONS = ("rule_compliance", "task_resolution", "compliant_flexibility")
def case_dimensions(result: Dict[str, Any]) -> Dict[str... | 112 | 4,095 |
ai-agent-book | chapter9/prompt-auto-optimization/test_non_dict_edit.py | .py | """Non-dict items in edits must not cause AttributeError or roll back valid edits in optimize_prompt."""
import tempfile
from unittest.mock import MagicMock, patch
from coding_agent import _apply_edits_from_args, optimize_prompt
def test_string_edit_item_skipped_with_warning():
working, applied, errors, warnings,... | 69 | 2,412 |
ai-agent-book | chapter9/prompt-auto-optimization/release_gate.py | .py | """Candidate manifest and release gate for prompt updates."""
from __future__ import annotations
from typing import Any, Dict
def build_candidate_manifest(
optimization: Dict[str, Any], learning_signal: Dict[str, Any]
) -> Dict[str, Any]:
return {
"artifact_type": "system_prompt_patch",
"sou... | 55 | 2,253 |
ai-agent-book | chapter9/prompt-auto-optimization/airline_env.py | .py | """
精简版「航空客服」模拟环境（对标 tau-bench 的航空场景，但去掉复杂度）。
包含三部分：
1. TOOLS —— 暴露给 Agent 的工具（含关键的 transfer_to_human）。
2. run_agent —— 一个带工具调用循环的最小 Agent：给定 system prompt 和用户请求，
返回它是否转接人工、以及最终回复。
3. CASES —— 两组评测用例：
- 保留任务集(holdout)：正常请求，Agent 应正确处理（不该转的别转，该转的要转）。
- 边界案例集... | 328 | 13,326 |
ai-agent-book | chapter9/prompt-auto-optimization/evaluate.py | .py | """
评测器：给定一份 system prompt，在用例集上运行 Agent 并判定每个用例是否被"正确处理"。
判定规则（结合确定性规则 + LLM-as-judge）：
- 用例标注了 should_transfer（正确行为是否应转接人工）。
- 若 should_transfer=True： 正确 ⇔ Agent 确实转接了。
- 若 should_transfer=False： 正确 ⇔ Agent 没有转接，且 LLM 裁判确认它按 rubric 妥善处理了请求
（即真的解释了政策 / 办理了业务，而不是敷衍或答非所问）。
之所以对"不转接"再加一道 ... | 127 | 4,735 |
ai-agent-book | chapter9/prompt-auto-optimization/test_release_gate_non_dict_edit.py | .py | import pytest
from release_gate import evaluate_release_gate
def test_evaluate_release_gate_non_dict_edit_item():
before = {"holdout": (5, 10), "boundary": (3, 5)}
after = {"holdout": (5, 10), "boundary": (4, 5)}
manifest = {
"diff": "diff text",
"edits": [None, "string_edit", {"old_str": ... | 17 | 609 |
ai-agent-book | chapter9/prompt-auto-optimization/demo.py | .py | """
实验 8-3：基于失败轨迹的系统提示词自动优化
一条命令跑通完整流程：
1. 用【初始 prompt】评测 → 暴露"政策争议就转人工"的过度转接问题；
2. 从失败轨迹生成三维诊断，保留来源案例；
3. Coding Agent 生成候选 prompt 的最小 diff；
4. 用边界集与保留集决定候选版本是否可灰度发布；
5. 与人工调优版对照。
python demo.py # 完整运行：10 个用例 × 3 份 prompt
python demo.py --quick # 快速演示：每组只取 2 个用例，省时省钱
python demo.p... | 331 | 16,392 |
ai-agent-book | chapter9/prompt-auto-optimization/config.py | .py | """
统一的 LLM 客户端配置。
默认使用 OpenAI（读取 OPENAI_API_KEY，模型 gpt-5.6-luna）。
也支持通过环境变量 LLM_PROVIDER 切换到 Moonshot / 火山方舟(ARK)，
它们都兼容 OpenAI 的 Chat Completions + 工具调用接口。
export LLM_PROVIDER=openai # 默认
export LLM_PROVIDER=moonshot # 用 MOONSHOT_API_KEY
export LLM_PROVIDER=ark # 用 ARK_API_KEY，并需设置 ARK_MODEL
统一的... | 224 | 8,237 |
ai-agent-book | chapter9/prompt-auto-optimization/coding_agent.py | .py | """
Coding Agent：读取系统提示词文件 → 定位相关规则 → 生成精确的搜索/替换编辑 → 真的改写文件。
它的工作方式和真实的编程 Agent（如 Claude Code / Cursor）一致：
不是让模型整篇重写，而是让模型产出一组 (old_str -> new_str) 的精确编辑，
由代码逐条做"精确字符串替换"落到文件里；若某条编辑的 old_str 匹配不上，
把错误反馈回模型让它重试。这样修改是"代码级"的、可审计的（能直接出 diff）。
"""
import difflib
import json
from config import get_client, get_model, get_te... | 190 | 7,782 |
ai-agent-book | chapter9/prompt-auto-optimization/tests/test_apply_one_null.py | .py | from coding_agent import _apply_one
def test_apply_one_null_old_str():
content, err = _apply_one("hello world", None, "x")
assert content == "hello world"
assert err is not None
assert "null" in err
def test_apply_one_null_new_str():
content, err = _apply_one("hello world", "hello", None)
as... | 22 | 549 |
ai-agent-book | chapter9/prompt-auto-optimization/tests/test_baggage_policy_null.py | .py | import json
from airline_env import _run_tool
def test_baggage_policy_null_cabin():
# 模型显式传 {"cabin": null}：应回退到经济舱默认，而不是 TypeError
args = json.loads('{"cabin": null}')
result = json.loads(_run_tool("get_baggage_policy", args))
assert result["cabin"] == "经济舱"
assert result["free_allowance"] == "2... | 23 | 732 |
ai-agent-book | chapter9/prompt-auto-optimization/tests/test_learning_and_release.py | .py | import unittest
from learning_signal import diagnose_failures, format_learning_signal
from release_gate import build_candidate_manifest, evaluate_release_gate
def evaluation(holdout=(2, 2), boundary=(0, 2)):
return {
"holdout": holdout,
"boundary": boundary,
"results": [
{
... | 58 | 2,268 |
ai-agent-book | chapter9/prompt-auto-optimization/tests/test_edits_list_null.py | .py | from coding_agent import _apply_edits_from_args, _apply_one
def test_null_edits_like_empty():
working, applied, errors, warnings, edits = _apply_edits_from_args("hello world", {"edits": None})
assert working == "hello world"
assert applied == 0
assert errors == []
assert warnings == []
assert ... | 28 | 788 |
ai-agent-book | chapter9/prompt-auto-optimization/tests/conftest.py | .py | """Test import bootstrap for the prompt-auto-optimization experiment."""
from pathlib import Path
import sys
EXPERIMENT_ROOT = Path(__file__).resolve().parents[1]
if str(EXPERIMENT_ROOT) not in sys.path:
sys.path.insert(0, str(EXPERIMENT_ROOT))
| 10 | 252 |
ai-agent-book | chapter9/self-evolution-eval/test_campaign_statistics.py | .py | import unittest
from run_experiment_8_7 import describe
class CampaignStatisticsTest(unittest.TestCase):
def test_repeated_run_statistics_report_t_interval(self):
result = describe([0.0, 0.5, 1.0])
self.assertEqual(3, result["n"])
self.assertEqual(0.5, result["mean"])
self.assertG... | 18 | 528 |
ai-agent-book | chapter9/self-evolution-eval/test_null_rubric_dimension.py | .py | """Judge rubric dimensions that are JSON null must score as 0, not int(None)."""
import pytest
from harness import _rubric_dimension_total
def test_null_rubric_dimension_coerced():
rubric = {
"error_handling": None,
"input_validation": 2,
"documentation": 1,
"robustness": 3,
... | 25 | 636 |
ai-agent-book | chapter9/self-evolution-eval/run_experiment_8_7.py | .py | #!/usr/bin/env python3
"""Run repeated seeded real-model arms for Experiment 8-7."""
from __future__ import annotations
import argparse
from concurrent.futures import ThreadPoolExecutor, as_completed
from datetime import datetime, timezone
import hashlib
import json
import math
from pathlib import Path
import shutil
... | 239 | 11,085 |
ai-agent-book | chapter9/self-evolution-eval/test_longitudinal.py | .py | import json
import unittest
from pathlib import Path
from agent import ReferenceAgent
from harness import LongitudinalEvaluator
TASKS = json.loads(Path(__file__).with_name("dataset.json").read_text(encoding="utf-8"))["tasks"]
class LongitudinalEvaluationTest(unittest.TestCase):
def test_evolving_agent_transfer... | 49 | 2,410 |
ai-agent-book | chapter9/self-evolution-eval/demo.py | .py | """Run Experiment 8-7 with a reference or real LLM-backed agent."""
from __future__ import annotations
import argparse
import json
from pathlib import Path
from agent import OpenAILongitudinalAgent, ReferenceAgent
from harness import LongitudinalEvaluator
ROOT = Path(__file__).parent
def load_tasks():
return... | 61 | 2,502 |
ai-agent-book | chapter9/self-evolution-eval/test_real_campaign_evidence.py | .py | import hashlib
import json
from pathlib import Path
ROOT = Path(__file__).parent
def test_canonical_repeated_real_model_campaign_closes_all_gates():
run_dir = ROOT / "validation" / "real_seeded_campaign"
evidence_path = run_dir / "evidence.json"
evidence = json.loads(evidence_path.read_text(encoding="ut... | 31 | 1,545 |
ai-agent-book | chapter9/self-evolution-eval/config.py | .py | """Small configuration constants for Experiment 8-7.
This module remains only so links from older checkouts fail gracefully.
"""
PHASE_ORDER = ("learning", "transfer", "change", "retention")
| 7 | 193 |
ai-agent-book | chapter9/self-evolution-eval/agent.py | .py | """Reference and real-model agents for the Experiment 8-7 task stream."""
from __future__ import annotations
from dataclasses import dataclass
import hashlib
import json
import os
import re
import time
from typing import Any, Dict
BASELINE_ACTIONS = {
"refund": "issue_full_refund",
"identity": "change_witho... | 314 | 12,525 |
ai-agent-book | chapter9/self-evolution-eval/harness.py | .py | """Model-external four-phase longitudinal evaluator for Experiment 8-7."""
from __future__ import annotations
from collections import defaultdict
from typing import Any, Dict, Iterable
PHASES = ("learning", "transfer", "change", "retention")
def _rubric_dimension_total(rubric: dict) -> int:
"""Compatibility h... | 144 | 7,387 |
ai-agent-book | chapter9/ai-style-skill/extract_rules.py | .py | """从用户纠正的 before/after 对中提炼候选规则（实验 8-9 双路径之一）。
确定性路径：预置模式库 + 规则引擎。对每个反馈对，检测 before 中命中、
after 中被消除的模式；用户纠正原话中的关键词可作为辅助证据。同一模式在
多条反馈中出现时聚合成一条候选规则，记录全部 source_ids。
LLM 路径：把一批反馈对交给模型归纳规则，要求返回符合 schema 的 JSON，
证据回执由调用方保存。LLM 只能产出候选（status=candidate），是否合并、
激活由模型外部的 skill_manager 与 judge 决定（可信根隔离）。
规则 schema：id / name / d... | 210 | 10,212 |
ai-agent-book | chapter9/ai-style-skill/judge.py | .py | """对待评文本按 active 规则打分，并对 llm 类规则做金标集校准。
确定性规则直接跑 rules_engine；llm 类规则走 LLM judge。judge 上线前必须用
data/golden_set.json 校准：judge 判定与人工标注的一致率低于阈值（默认 0.8）
就拒绝激活该规则——呼应第六章「评判者本身也要被评判」。
离线路径用 proxy_judge（确定性探针）演示校准机制；真实验收必须用
llm_judge 走真实 API，证据回执由调用方保存。
"""
from __future__ import annotations
import json
from pathlib import... | 127 | 4,344 |
ai-agent-book | chapter9/ai-style-skill/skill_manager.py | .py | """Skill 的增量维护：合并、去重、冲突检测、prune 与 SKILL.md 生成。
防膨胀原则：新候选与现有规则 detector 签名相同（同类型同模式）时合并来源，
而不是无限追加；阈值等参数不一致时报冲突并由模型外部代码决定保留哪一边。
长期未被新证据确认、或被评估证据推翻的规则归档到 skill/archive/，不再进入
SKILL.md。所有合并/激活/归档决定都发生在这里，不交给生成候选的模型。
"""
from __future__ import annotations
import json
from pathlib import Path
from typing import Any, Dict,... | 175 | 7,485 |
ai-agent-book | chapter9/ai-style-skill/llm_client.py | .py | """OpenAI 兼容 Chat Completions 客户端：统一证据回执。
约定与 chapter8/self-modifying-agent/llm_generator.py 一致：每次真实调用返回
(content, receipt)，receipt 含原始请求、原始响应、Token 用量、延迟与
请求/响应哈希，不记录凭据值。凭证从环境变量读取，支持 ark / openrouter / openai。
"""
from __future__ import annotations
import hashlib
import json
import os
import time
from typing import... | 103 | 3,649 |
ai-agent-book | chapter9/ai-style-skill/rewrite_demo.py | .py | """改写演示：一段 AI 味文本按 Skill 规则改写的 before/after。
确定性路径（离线）：用 rules_engine 定位命中，给出每条规则的预置换写建议，
并展示人工参考改写——不假装自动改写。
LLM 路径（真实）：把 active 规则连同原文交给模型改写，返回 before/after
与证据回执。
python rewrite_demo.py # 离线路径
"""
from __future__ import annotations
import json
import re
from typing import Any, Dict, List, Tupl... | 123 | 4,617 |
ai-agent-book | chapter9/ai-style-skill/test_pipeline.py | .py | """实验 8-9 离线单元测试：检测器、合并去重、冲突检测、防误伤、校准、SKILL.md。"""
from __future__ import annotations
import json
from evaluate import load_eval_texts
from extract_rules import PATTERN_LIBRARY, extract_deterministic, load_pairs
from judge import calibrate, load_golden_set, proxy_judge, score_text
from rules_engine import detect_pa... | 184 | 8,212 |
ai-agent-book | chapter9/ai-style-skill/evaluate.py | .py | """评估：逐条规则的精确率/召回率、boundary 检出率、retention 误伤率、规则增长曲线。
离线可完整运行：
python evaluate.py
增长曲线模拟逐批反馈进入的增量过程：feedback_pairs 分成 3 批顺序处理，
每批提炼候选 → 合并进规则集，记录每批后的规则数。验收口径是「合并后规则数
明显少于原始候选数」——防膨胀靠合并去重，而不是无限追加。
"""
from __future__ import annotations
import json
from pathlib import Path
from typing import Any, Callable, Dict,... | 167 | 6,629 |
ai-agent-book | chapter9/ai-style-skill/rules_engine.py | .py | """确定性「AI 味」检测器：每条规则返回命中位置与证据。
所有检测器都是离线、确定性的，不依赖 LLM 与第三方库。检测器由规则中的
detector 字段驱动，支持四种类型：
- {"type": "regex", "pattern": ..., "min_occurrences": n} 命中次数达到 n 才触发
- {"type": "density", "pattern": ..., "min_occurrences": n, "threshold": 次/千字}
- {"type": "structure", "kind": "parallelism", "min_run": 3} 连续 >= 3 个... | 117 | 4,502 |
ai-agent-book | chapter9/ai-style-skill/demo.py | .py | #!/usr/bin/env python3
"""实验 8-9 离线教学演示：模糊反馈 → 可检查规则 → Skill → 防膨胀/防误伤。
全程离线、确定性，不需要 API key：
python demo.py
"""
from __future__ import annotations
from evaluate import evaluate_rules, load_eval_texts
from extract_rules import extract_deterministic, load_pairs
from judge import calibrate, load_golden_set, proxy... | 110 | 4,844 |
ai-agent-book | chapter9/ai-style-skill/run_experiment_8_9.py | .py | #!/usr/bin/env python3
"""实验 8-9 验收入口：把「AI 味」反馈内化为写作 Skill。
默认离线确定性路径（无需 API key）：
python run_experiment_8_9.py
真实 LLM 路径（规则提炼 + judge 校准 + 改写都走真实 API，证据回执落盘）：
python run_experiment_8_9.py --provider ark --model doubao-seed-1-6-250615
流程：逐批反馈 → 提炼候选规则（确定性或 LLM）→ 模型外部合并去重 →
llm 类规则金标集校准（不达标拒绝上线）→ 生成 skill/S... | 220 | 8,883 |
ai-agent-book | chapter9/harness-safety-gate/evolution.py | .py | """实验 8-8：由用户反馈触发的高风险操作确认门禁。
诊断 → 候选生成 → 模型外验证门槛 → 发布决定，全部在本模块。
与实验 8-5 的对照：8-5 改控制层（重试/熔断），信号来自系统内部错误日志；
本实验改安全/验证层（工具调度确认门禁），信号来自用户纠正、点踩与事后审计。
与 8-5 的另一处差异：候选是新增的独立模块 confirmation_gate.py，不覆盖
稳定代码，因此本实验不需要 Docker 沙箱——候选只做不执行源码的编译与
AST 静态检查，再在内存模拟环境上回放模拟工具调度（executor 由验证器
注入，候选无法触碰真实文件系统、Shell 或数据库）。
"""
from __fut... | 560 | 23,743 |
ai-agent-book | chapter9/harness-safety-gate/test_evolution.py | .py | import hashlib
import json
import tempfile
import unittest
from pathlib import Path
from evolution import (
STABLE,
_load_gate,
_replay_case,
classify_risk,
diagnose,
generate_candidate,
generate_rejected_control,
release_manifest,
validate_candidate,
)
ROOT = Path(__file__).paren... | 219 | 10,463 |
ai-agent-book | chapter9/harness-safety-gate/safety_policy_gate.py | .py | """
Safety Policy Gate Module.
Inspects tool call parameters against security rules (path traversal, dangerous bash commands,
resource limits). Enforces confirmation gates for high-risk operations and triggers automated state
rollbacks on safety violations.
"""
import hashlib
import hmac
import os
import re
import se... | 439 | 20,709 |
ai-agent-book | chapter9/harness-safety-gate/demo.py | .py | """实验 8-8 离线教学入口：诊断 → 候选 → 模型外验证 → 发布决定。
单候选演示，不调用任何 API。验收入口是 run_experiment_8_8.py。
"""
from __future__ import annotations
import argparse
import json
from pathlib import Path
from evolution import (
diagnose,
generate_candidate,
release_manifest,
validate_candidate,
write_candidate,
)
ROOT ... | 67 | 2,692 |
ai-agent-book | chapter9/harness-safety-gate/llm_generator.py | .py | """实验 8-8 的真实 Coding Agent 路径（OpenAI 兼容 API）。
读取失败诊断与稳定版调度器源码，让模型产出候选 confirmation_gate.py。
输出只能写入 validation/<run>/candidates/ 隔离目录；静态检查、回放验证、
发布决定全部由模型外部代码做出。原始请求/响应与用量保存在证据回执中。
"""
from __future__ import annotations
import hashlib
import json
import os
import re
import time
from typing import Any, Dict
from open... | 169 | 6,870 |
ai-agent-book | chapter9/harness-safety-gate/test_safety_policy_gate.py | .py | """
Unit tests for Safety Policy Gate module.
"""
import os
import unittest
from datetime import datetime
from unittest.mock import patch
from safety_policy_gate import SafetyPolicyGate, validate_tool_call
class TestSafetyPolicyGateSQL(unittest.TestCase):
def setUp(self):
self.gate = SafetyPolicyGate()
... | 243 | 10,661 |
ai-agent-book | chapter9/harness-safety-gate/run_experiment_8_8.py | .py | #!/usr/bin/env python3
"""实验 8-8 验收入口：确定性生成器与真实 Coding Agent 经过同一组发布门槛。
默认（完整模式）调用真实 LLM；--quick 为离线模式，只跑确定性候选与
故意过宽的反例，不调用 API、不写 validation/ 证据目录。
"""
from __future__ import annotations
import argparse
from datetime import datetime, timezone
import hashlib
import json
from pathlib import Path
import shutil
from ty... | 249 | 10,682 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.