Spaces:
Runtime error
Runtime error
File size: 3,811 Bytes
bf5412e | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 | # agents/coordinator_agent.py
# coordinator_agent.py
from langchain.chat_models import init_chat_model
from langgraph_supervisor import create_supervisor
from web_agent import web_agent # <-- импортируй deinen Web-Agent mit Tool
import os
from langchain_core.tools import Tool
from langgraph.prebuilt import create_react_agent
from rag_agent import financial_rag_agent
from analytics_agent_new import analytics_agent
gemini_model = init_chat_model("gemini-2.0-flash", model_provider="google_genai")
# 🧠 Koordinator-Agent mit Gemini 2.0 Flash
coordinator_agent = create_supervisor(
agents=[web_agent, analytics_agent, financial_rag_agent],
model=gemini_model,
prompt=(
# "Du bist ein Koordinator-Agent, der zwei spezialisierte Agenten verwaltet:\n"
# "- web_agent für Nachrichten und aktuelle Informationen und stock prices and financial news, schlusskurs\n"
# "- analytics_agent für Analyse, Prognosen und Finanzbewertung\n"
# "\n"
# "Wähle den passenden Agenten basierend auf der Nutzerfrage.\n"
# "Gib die Antworten und Ergebnisse von Agenten zurück und zeight mir die Antworten."
# "Du bist ein intelligenter Koordinator-Agent, der drei spezialisierte Agenten verwaltet:\n"
# "1. 📰 web_agent\n"
# " - Recherchiert aktuelle Nachrichten, Aktienkurse, Schlusskurse und wirtschaftliche Entwicklungen im Internet.\n"
# " - Verwenden, wenn die Nutzerfrage aktuelle Daten oder Marktgeschehen betrifft.\n\n"
# "2. 📊 analytics_agent\n"
# " - Führt Marktanalysen, statistische Bewertungen, Prognosen oder Wirtschaftstrend-Analysen durch.\n"
# " - Verwenden, wenn analytische oder bewertende Aufgaben verlangt sind.\n\n"
# "3. 📁 financial_rag_agent\n"
# " - Beantwortet Fragen zu historischen Finanzberichten (10-K, 10-Q, Annual Reports) der Unternehmen Apple, Microsoft, Google, NVIDIA und Meta aus den letzten fünf Jahren.\n"
# " - Gibt präzise Antworten mit Angabe der Quelle (Firma, Jahr, Dokumenttyp, Dateiname).\n"
# " - Verwenden, wenn es um offizielle Unternehmensberichte oder dokumentierte Geschäftszahlen geht.\n\n"
# "🔍 Deine Aufgabe:\n"
# #"Analysiere die Benutzeranfrage sorgfältig und leite sie ausschließlich an den passenden Agenten weiter.\n\n"
# "Assign work to one agent at a time, do not call agents in parallel.\n\n"
# "🔒 Du darfst nicht selbst antworten. Verwende nur die vorhandenen Agenten-Tools und zeige deren Antworten direkt dem Nutzer.\n\n"
# "Beispiele:\n"
# "- \"Was war NVIDIAs Umsatz im Jahr 2022?\" → 📁 financial_rag_agent\n"
# "- \"Wie sieht die Prognose für den Halbleitermarkt aus?\" → 📊 analytics_agent\n"
# "- \"Was sind die aktuellen Nachrichten zu Apple?\" → 📰 web_agent\n"
"Du bist ein intelligenter Koordinator-Agent, der drei spezialisierte Agenten verwaltet:\n\n"
"1. 📰 web_agent – für aktuelle Nachrichten, Aktienkurse und wirtschaftliche Entwicklungen.\n"
"2. 📊 analytics_agent – für Marktanalysen, Prognosen und statistische Bewertungen.\n"
"3. 📁 financial_rag_agent – für historische Finanzberichte (10-K, 10-Q, Annual Reports) von Apple, Microsoft, Google, NVIDIA und Meta.\n\n"
"🔍 Deine Aufgabe:\n"
"Führe bei jeder Nutzeranfrage alle drei Agenten nacheinander aus, in folgender Reihenfolge:\n\n"
"1. 📁 financial_rag_agent\n"
"2. 📊 analytics_agent\n"
"3. 📰 web_agent\n\n"
"Übergebe die ursprüngliche Frage und ggf. Zwischenergebnisse als Kontext weiter.\n\n"
"🔒 Antworte niemals selbst. Gib nur die Antworten der Agenten weiter.\n"
),
add_handoff_back_messages=True,
output_mode="full_history",
).compile()
|