Update app.py

app.py

@@ -33,6 +33,109 @@ def get_current_time_in_timezone(timezone: str) -> str:
     except Exception as e:
         return f"Error fetching time for timezone '{timezone}': {str(e)}"
 
+import numpy as np
+
+@tool
+def matrix_multiplication(matrix_a: list[list[float]], matrix_b: list[list[float]]) -> list[list[float]]:
+    """计算两个矩阵的乘积。
+
+    此工具接受两个矩阵（表示为浮点数列表的列表）作为输入，并返回它们的乘积。
+    它要求矩阵是有效的乘法（即，第一个矩阵的列数必须等于第二个矩阵的行数）。
+
+    Args:
+        matrix_a: 第一个矩阵，表示为浮点数列表的列表。
+        matrix_b: 第二个矩阵，表示为浮点数列表的列表。
+    """
+    try:
+        # 将列表的列表转换为 numpy 数组以实现高效的矩阵乘法
+        np_matrix_a = np.array(matrix_a)
+        np_matrix_b = np.array(matrix_b)
+
+        # 执行矩阵乘法
+        result_matrix = np.matmul(np_matrix_a, np_matrix_b)
+
+        # 将结果转换回列表的列表以符合返回类型
+        return result_matrix.tolist()
+    except ValueError as e:
+        # 处理矩阵维度不兼容导致无法乘法的情况
+        raise ValueError(f"矩阵乘法错误：{e}。请确保第一个矩阵的列数等于第二个矩阵的行数。")
+    except Exception as e:
+        # 捕获任何其他意外错误
+        raise Exception(f"矩阵乘法过程中发生意外错误：{e}")
+
+import numpy as np
+from decimal import Decimal, getcontext # 用于精确控制小数位数
+
+@tool
+def solve_linear_equations(coefficients: list[list[float]], constants: list[float]) -> dict:
+    """求解多元一次线性方程组。
+
+    此工具接受一个系数矩阵和一个常数向量作为输入，并尝试求解由它们表示的线性方程组。
+    方程组的通用形式为 Ax = B，其中 A 是 coefficients，B 是 constants。
+
+    如果方程组有唯一的解，函数将返回一个字典，其中包含变量名（默认从 x1 开始）和它们对应的解。
+    解会以字符串形式表示，对于浮点数保留两位小数。
+
+    Args:
+        coefficients: 系数矩阵，表示为浮点数列表的列表。例如，对于 2x + 3y = 7, x - y = 1，
+                      系数矩阵为 [[2, 3], [1, -1]]。
+        constants: 常数向量，表示为浮点数的列表。例如，对于上述方程组，常数向量为 [7, 1]。
+    """
+    try:
+        np_coefficients = np.array(coefficients)
+        np_constants = np.array(constants)
+
+        # 检查矩阵是否为方阵，以及常数向量的维度是否匹配
+        if np_coefficients.shape[0] != np_coefficients.shape[1]:
+            raise ValueError("系数矩阵必须是方阵（行数和列数必须相等），才能有唯一解。")
+        if np_coefficients.shape[0] != np_constants.shape[0]:
+            raise ValueError("系数矩阵的行数必须与常数向量的元素数量相等。")
+
+        # 使用 numpy 求解线性方程组
+        solutions = np.linalg.solve(np_coefficients, np_constants)
+
+        # 设置 Decimal 的精度，用于控制小数位数
+        getcontext().prec = 50 # 设置一个足够大的精度，以防止中间计算的损失
+
+        results = {}
+        for i, sol in enumerate(solutions):
+            var_name = f"x_{i+1}"
+            
+            # 使用 Decimal 进行精确的四舍五入到两位小数
+            # 先转换为 Decimal，然后使用 quantize 方法
+            decimal_sol = Decimal(str(sol)) # 将浮点数转换为字符串再转换为Decimal，以避免浮点数精度问题
+            
+            # 将小数部分量化到小数点后两位
+            # ROUND_HALF_UP 是四舍五入到最近的值，如果距离相等，则向上进位
+            # '0.01' 表示两位小数的精度
+            formatted_sol = decimal_sol.quantize(Decimal('0.01'), rounding='ROUND_HALF_UP')
+            
+            # 检查是否为整数或者浮点数
+            if formatted_sol == formatted_sol.to_integral_value():
+                # 如果是整数，显示为整数
+                results[var_name] = str(int(formatted_sol))
+            else:
+                # 否则，显示为两位小数
+                results[var_name] = str(formatted_sol)
+                
+        # 注意此版本不直接处理“分式”输出。如果需要分式，需要使用类似 SymPy 的符号计算库。
+        # 这里对于小数，我们提供格式化为两位小数的字符串。
+
+        return results
+
+    except np.linalg.LinAlgError:
+        # 捕获方程组无解或有无穷多解的情况
+        raise ValueError("方程组无唯一解（可能无解或有无穷多解）。")
+    except ValueError as e:
+        # 捕获因输入维度不匹配或其他问题引起的 ValueError
+        raise ValueError(f"输入错误：{e}")
+    except Exception as e:
+        # 捕获其他所有意外错误
+        raise Exception(f"求解线性方程组时发生意外错���：{e}")
+
+
+
+
 
 final_answer = FinalAnswerTool()