Update agent.py

agent.py

@@ -2,11 +2,14 @@ import os
 import torch
 from huggingface_hub import InferenceClient
 
-# Importera smolagents komponenter
-from smolagents import ToolCallingAgent, Tool, InferenceClientModel # <-- Denna import är den korrekta!
+# Importera LangChain-komponenter
+from langchain_community.llms import HuggingFaceHub # För att använda HF Inference API som LLM
+from langchain.agents import AgentExecutor, create_react_agent # Agentens exekverare och ReAct-agent konstruktorn
+from langchain.tools import Tool # Verktygsklassen i LangChain
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.messages import HumanMessage, AIMessage
 
 # Importera dina befintliga, anpassade verktygsfunktioner
-# Se till att dessa filer (tavily_search.py, asr_tool.py, etc.) finns i samma katalog eller är korrekt importerbara.
 from tavily_search import search_tavily
 from asr_tool import transcribe_audio
 from excel_tool import analyze_excel
@@ -15,11 +18,10 @@ from math_tool import calculate_math
 class GaiaAgent:
     def __init__(self, model_id: str = "google/gemma-2b-it"):
         """
-        Initialiserar GaiaAgent, som nu använder smolagents.ToolCallingAgent internt.
+        Initialiserar GaiaAgent, nu med LangChain.
         """
         print(f"Initialiserar GaiaAgent med modell: {model_id}")
 
-        # Säkerställ att Hugging Face token är tillgänglig från miljön
         hf_token = os.getenv("HF_TOKEN") or os.getenv("HUGGING_FACE_HUB_TOKEN")
         if not hf_token:
             raise ValueError(
@@ -27,65 +29,90 @@ class GaiaAgent:
                 "Vänligen lägg till din token som en 'Repository secret' i dina Space-inställningar."
             )
 
-        # Initialisera InferenceClientModel för att kommunicera med Hugging Face Inference API
+        # 1. Initialisera LLM med LangChain's HuggingFaceHub
         try:
-            # InferenceClientModel ansluter till en fjärrmodell, så lokal laddning av tokenizer/modell tas bort.
-            self.llm_model = InferenceClientModel(
-                model=InferenceClient(model=model_id, token=hf_token)
+            # HuggingFaceHub ansluter till en fjärrmodell via HF Inference API
+            self.llm = HuggingFaceHub(
+                repo_id=model_id,
+                huggingfacehub_api_token=hf_token,
+                task="text-generation", # Specifiera task
+                # model_kwargs={"temperature": 0.1, "max_new_tokens": 512} # Exempel på modell-kwargs
             )
-            print("InferenceClientModel laddad framgångsrikt.")
+            print("LangChain HuggingFaceHub LLM laddad framgångsrikt.")
         except Exception as e:
             raise RuntimeError(
-                f"Misslyckades att initialisera InferenceClientModel: {e}."
+                f"Misslyckades att initialisera HuggingFaceHub LLM: {e}."
                 "Vänligen kontrollera din HF token och att modellen är tillgänglig/laddningsbar."
             )
 
-        # Definiera dina anpassade verktyg som smolagents.Tool objekt
-        # Detta gör dem kompatibla med ToolCallingAgent.
+        # 2. Definiera dina anpassade verktyg som LangChain Tool-objekt
         tools_list = [
-            Tool(
+            Tool.from_function(
+                func=search_tavily,
                 name="search_tavily",
                 description="Användbart för att söka information online med Tavily Search. Returnerar en sammanfattning av de mest relevanta resultaten från webben. Kräver en fråga som input.",
-                function=search_tavily
             ),
-            Tool(
+            Tool.from_function(
+                func=transcribe_audio,
                 name="transcribe_audio",
                 description="Transkriberar ljudfil till text. Användbart för att omvandla tal till text från en angiven ljudfilsväg. Kräver en filsökväg till ljudfilen som input.",
-                function=transcribe_audio
             ),
-            Tool(
+            Tool.from_function(
+                func=analyze_excel,
                 name="analyze_excel",
                 description="Analysera Excel-filer och returnera detaljerad information om rader, kolumner, datatyper och statistik (summa, medelvärde, max, min för numeriska kolumner). Kan ta både en lokal filväg eller en URL till Excel-filen som input.",
-                function=analyze_excel
             ),
-            Tool(
+            Tool.from_function(
+                func=calculate_math,
                 name="calculate_math",
                 description="Beräkna matematiska uttryck. Användbart för att utföra aritmetiska operationer som addition, subtraktion, multiplikation, division och potenser. Tar ett matematiskt uttryck som en sträng som input.",
-                function=calculate_math
             )
         ]
-        print(f"Laddade {len(tools_list)} anpassade verktyg.")
+        print(f"Laddade {len(tools_list)} anpassade verktyg för LangChain.")
 
-        # Initialisera ToolCallingAgent med dina verktyg och din modell
-        self.agent = ToolCallingAgent(
+        # 3. Skapa en prompt för ReAct-agenten
+        # Detta prompt-format är viktigt för hur LLM:en förstår att använda verktyg.
+        # MessagesPlaceholder används för att injicera verktyg och meddelandehistorik dynamiskt.
+        prompt = ChatPromptTemplate.from_messages(
+            [
+                ("system", "Du är en hjälpsam AI-assistent. Använd tillgängliga verktyg för att svara på frågor."),
+                MessagesPlaceholder("chat_history", optional=True),
+                ("human", "{input}"),
+                MessagesPlaceholder("agent_scratchpad"), # Detta är där agentens tankar och verktygskall kommer att finnas
+            ]
+        )
+
+        # 4. Initialisera LangChain ReAct-agenten
+        # create_react_agent är en konstruktorfunktion för en ReAct-baserad agent
+        agent = create_react_agent(self.llm, tools_list, prompt)
+
+        # 5. Skapa AgentExecutor för att köra agenten
+        # AgentExecutor är den körbara delen som hanterar agentens "tankeloop" och verktygskall
+        self.agent_executor = AgentExecutor(
+            agent=agent,
             tools=tools_list,
-            model=self.llm_model,
-            verbosity_level=2 # Ställ in detaljnivå för att se agentens tankeprocess
+            verbose=True, # Sätt till True för att se agentens tankeprocess i loggarna
+            handle_parsing_errors=True # Hantera parsningsfel graciöst
         )
-        print("ToolCallingAgent initialiserad.")
+        print("LangChain AgentExecutor initialiserad.")
 
     def process_task(self, task_prompt: str) -> str:
         """
-        Bearbetar en uppgift med den interna ToolCallingAgent.
-        Denna metod ersätter den tidigare manuella verktygsexekveringsloopen.
+        Bearbetar en uppgift med den interna LangChain AgentExecutor.
         """
-        print(f"\nBearbetar uppgift med ToolCallingAgent: '{task_prompt}'")
+        print(f"\nBearbetar uppgift med LangChain AgentExecutor: '{task_prompt}'")
         try:
-            final_answer = self.agent.run(task_prompt)
-            print(f"\nToolCallingAgent avslutad. Slutgiltigt svar: {final_answer}")
+            # Anropa agenten med invoke. Den returnerar ett dictionary.
+            # "input" är användarens prompt.
+            # "chat_history" kan skickas in om du har kontext från tidigare konversationer.
+            result = self.agent_executor.invoke({"input": task_prompt})
+            
+            # Det slutgiltiga svaret finns vanligtvis under nyckeln "output"
+            final_answer = result.get("output", "Agenten kunde inte generera ett slutgiltigt svar.")
+            
+            print(f"\nLangChain AgentExecutor avslutad. Slutgiltigt svar: {final_answer}")
             return final_answer
         except Exception as e:
             error_message = f"Ett fel uppstod under agentens bearbetning: {e}"
             print(error_message)
-            return f"Agenten kunde inte slutföra uppgiften på grund av ett fel: {error_message}"
-            
+            return f"Agenten kunde inte slutföra uppgiften på grund av ett fel: {error_message}"