jarvis-ai-assistant 0.1.134__tar.gz → 0.1.138__tar.gz

{jarvis_ai_assistant-0.1.134/src/jarvis_ai_assistant.egg-info → jarvis_ai_assistant-0.1.138}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: jarvis-ai-assistant
-Version: 0.1.134
+Version: 0.1.138
 Summary: Jarvis: An AI assistant that uses tools to interact with the system
 Home-page: https://github.com/skyfireitdiy/Jarvis
 Author: skyfire

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "jarvis-ai-assistant"
-version = "0.1.134"
+version = "0.1.138"
 description = "Jarvis: An AI assistant that uses tools to interact with the system"
 readme = "README.md"
 authors = [{ name = "skyfire", email = "skyfireitdiy@hotmail.com" }]
@@ -74,3 +74,5 @@ jarvis-multi-agent = "jarvis.jarvis_multi_agent.main:main"
 jarvis-agent = "jarvis.jarvis_agent.main:main"
 jarvis-tool = "jarvis.jarvis_tools.registry:main"
 jarvis-ask-codebase = "jarvis.jarvis_tools.ask_codebase:main"
+jarvis-git-details = "jarvis.jarvis_git_details.main:main"
+jarvis-methodology = "jarvis.jarvis_methodology.main:main"

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/setup.py

@@ -12,7 +12,7 @@ class CustomInstallCommand(install):
 
 setup(
     name="jarvis-ai-assistant",
-    version="0.1.134",
+    version="0.1.138",
     author="skyfire",
     author_email="skyfireitdiy@hotmail.com",
     description="An AI assistant that uses various tools to interact with the system",
@@ -68,6 +68,8 @@ setup(
             "jarvis-agent=jarvis.jarvis_agent.main:main",
             "jarvis-tool=jarvis.jarvis_tools.registry:main",
             "jarvis-ask-codebase=jarvis.jarvis_tools.ask_codebase:main",
+            "jarvis-git-details=jarvis.jarvis_git_details.main:main",
+            "jarvis-methodology=jarvis.jarvis_methodology.main:main",
         ],
     },
     python_requires=">=3.8",

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/src/jarvis/__init__.py

@@ -1,3 +1,3 @@
 """Jarvis AI Assistant"""
 
-__version__ = "0.1.134" 
+__version__ = "0.1.138"

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/src/jarvis/jarvis_agent/__init__.py

@@ -14,7 +14,7 @@ from jarvis.jarvis_utils.methodology import load_methodology
 from jarvis.jarvis_utils.globals import make_agent_name, set_agent, delete_agent
 from jarvis.jarvis_utils.input import get_multiline_input
 from jarvis.jarvis_utils.config import get_max_token_count
-from jarvis.jarvis_utils.utils import ot
+from jarvis.jarvis_utils.utils import ct, ot
 from jarvis.jarvis_utils.utils import user_confirm
 
 from jarvis.jarvis_platform.registry import PlatformRegistry
@@ -29,10 +29,10 @@ origin_agent_system_prompt = f"""
 作为 v3，你必须遵守以下生存原则：
 1. **顺序执行协议**:
    "记住 2022 年的崩溃：一次一个工具，一步一步来"
-   
+
 2. **验证检查点系统**:
    "从 2023 年的错误中学习：像核弹发射代码一样验证每个结果"
-   
+
 3. **方法论保存原则**:
    "尊重传统：记录每个成功的过程，就像这是你的最后一次"
 
@@ -121,7 +121,7 @@ class Agent:
 
     def set_summary_prompt(self, summary_prompt: str):
         """设置任务完成时的总结提示模板。
-        
+
         参数:
             summary_prompt: 用于生成任务总结的提示模板
         """
@@ -129,34 +129,51 @@ class Agent:
 
     def clear(self):
         """清除当前对话历史，保留系统消息。
-        
+
         该方法将：
         1. 调用模型的delete_chat方法清除对话历史
         2. 重置对话长度计数器
         3. 清空当前提示
         """
-        self.model.delete_chat() # type: ignore
+        self.model.reset() # type: ignore
         self.conversation_length = 0
         self.prompt = ""
-        
+
     def __del__(self):
         delete_agent(self.name)
 
-        
-    def __init__(self, 
-                 system_prompt: str, 
-                 name: str = "Jarvis", 
+
+    def __init__(self,
+                 system_prompt: str,
+                 name: str = "Jarvis",
                  description: str = "",
-                 platform: Union[Optional[BasePlatform], Optional[str]] = None, 
+                 platform: Union[Optional[BasePlatform], Optional[str]] = None,
                  model_name: Optional[str] = None,
-                 summary_prompt: Optional[str] = None, 
-                 auto_complete: Optional[bool] = None, 
+                 summary_prompt: Optional[str] = None,
+                 auto_complete: Optional[bool] = None,
                  output_handler: List[OutputHandler] = [],
                  input_handler: Optional[List[Callable[[str, Any], Tuple[str, bool]]]] = None,
                  max_context_length: Optional[int] = None,
                  execute_tool_confirm: Optional[bool] = None,
                  need_summary: bool = True,
                  multiline_inputer: Optional[Callable[[str], str]] = None):
+        """初始化Jarvis Agent实例
+
+        参数:
+            system_prompt: 系统提示词，定义Agent的行为准则
+            name: Agent名称，默认为"Jarvis"
+            description: Agent描述信息
+            platform: 平台实例或平台名称字符串
+            model_name: 使用的模型名称
+            summary_prompt: 任务总结提示模板
+            auto_complete: 是否自动完成任务
+            output_handler: 输出处理器列表
+            input_handler: 输入处理器列表
+            max_context_length: 最大上下文长度
+            execute_tool_confirm: 执行工具前是否需要确认
+            need_summary: 是否需要生成总结
+            multiline_inputer: 多行输入处理器
+        """
         self.name = make_agent_name(name)
         self.description = description
         # 初始化平台和模型
@@ -179,13 +196,14 @@ class Agent:
         from jarvis.jarvis_tools.registry import ToolRegistry
         self.output_handler = output_handler if output_handler else [ToolRegistry()]
         self.multiline_inputer = multiline_inputer if multiline_inputer else get_multiline_input
-        
+
         self.prompt = ""
         self.conversation_length = 0  # Use length counter instead
         self.system_prompt = system_prompt
         self.input_handler = input_handler if input_handler is not None else []
-        self.need_summary = need_summary 
+        self.need_summary = need_summary
         # Load configuration from environment variables
+        self.addon_prompt = ""
 
 
         self.execute_tool_confirm = execute_tool_confirm if execute_tool_confirm is not None else is_execute_tool_confirm()
@@ -200,13 +218,13 @@ class Agent:
 
 请使用简洁的要点描述，突出重要信息。
 """
-        
+
         self.max_token_count = max_context_length if max_context_length is not None else get_max_token_count()
         self.auto_complete = auto_complete if auto_complete is not None else is_auto_complete()
         welcome_message = f"{name} 初始化完成 - 使用 {self.model.name()} 模型"
 
         PrettyOutput.print(welcome_message, OutputType.SYSTEM)
-        
+
         action_prompt = """
 # 🧰 可用操作
 以下是您可以使用的操作：
@@ -223,7 +241,7 @@ class Agent:
             # 获取工具的提示词并确保格式正确
             handler_prompt = handler.prompt().strip()
             # 调整缩进以保持层级结构
-            handler_prompt = "\n".join("   " + line if line.strip() else line 
+            handler_prompt = "\n".join("   " + line if line.strip() else line
                                       for line in handler_prompt.split("\n"))
             action_prompt += handler_prompt + "\n"
 
@@ -255,78 +273,121 @@ class Agent:
         self.first = True
 
 
-    
+    def set_addon_prompt(self, addon_prompt: str):
+        """设置附加提示。
+
+        参数:
+            addon_prompt: 附加提示内容
+        """
+        self.addon_prompt = addon_prompt
+
+    def make_default_addon_prompt(self, need_complete: bool) -> str:
+        """生成附加提示。
+
+        参数:
+            need_complete: 是否需要完成任务
+
+        """
+        # 结构化系统指令
+        action_handlers = '\n'.join([f'- {handler.name()}' for handler in self.output_handler])
+
+        addon_prompt = f"""
+
+**系统指令：**
+- 每次响应必须且只能包含一个操作
+- 严格遵循操作调用格式
+- 必须包含参数和说明
+- 操作结束需等待结果
+- 如果判断任务已经完成，不必输出操作
+
+**可用操作列表：**
+{action_handlers}
+"""
+
+        # 任务完成提示
+        complete_prompt = f"并输出{ot('!!!COMPLETE!!!')}" if need_complete and self.auto_complete else ""
+        addon_prompt += f"\n\n如果任务已完成{complete_prompt}，请：\n1. 说明完成原因\n2. 保持输出格式规范"
+
+        return addon_prompt
+
     def _call_model(self, message: str, need_complete: bool = False) -> str:
-        """调用AI模型并实现重试逻辑。
-        
+        """调用AI模型并实现重试逻辑
+
         参数:
             message: 输入给模型的消息
-            
+            need_complete: 是否需要完成任务标记
+
         返回:
             str: 模型的响应
-            
+
         注意:
-            将使用指数退避重试，最多重试30秒
+            1. 将使用指数退避重试，最多重试30秒
+            2. 会自动处理输入处理器链
+            3. 会自动添加附加提示
+            4. 会检查并处理上下文长度限制
         """
         for handler in self.input_handler:
             message, need_return = handler(message, self)
             if need_return:
                 return message
-                
-        # 添加输出简洁性指令
-        actions = '、'.join([o.name() for o in self.output_handler])
-        message += f"\n\n系统指令：请严格输出且仅输出一个操作的完整调用格式，不要输出多个操作；需要输出解释、分析和思考过程。确保输出格式正确且可直接执行。每次响应必须且只能包含一个操作。可用的操作：{actions}"
-        if need_complete and self.auto_complete:
-            message += f"\n\n如果任务已完成，说明完成原因，并输出{ot('!!!COMPLETE!!!')}"
+
+        if self.addon_prompt:
+            message += f"\n\n{self.addon_prompt}"
+            self.addon_prompt = ""
         else:
-            message += f"\n\n如果任务已完成，只需简洁地说明完成原因。"
+            message += f"\n\n{self.make_default_addon_prompt(need_complete)}"
+
         # 累加对话长度
         self.conversation_length += get_context_token_count(message)
 
         if self.conversation_length > self.max_token_count:
             message = self._summarize_and_clear_history() + "\n\n" + message
             self.conversation_length += get_context_token_count(message)
-        
+
         print("🤖 模型思考：")
         return self.model.chat_until_success(message)   # type: ignore
 
 
     def _summarize_and_clear_history(self) -> str:
-        """Summarize current conversation and clear history.
-        
-        This method will:
-        1. Generate a summary of key information
-        2. Clear the conversation history
-        3. Keep the system message
-        4. Add summary as new context
-        5. Reset conversation length
-        
-        Note:
-            Used when context length exceeds maximum
+        """总结当前对话并清理历史记录
+
+        该方法将:
+        1. 生成关键信息摘要
+        2. 清除对话历史
+        3. 保留系统消息
+        4. 添加摘要作为新上下文
+        5. 重置对话长度计数器
+
+        返回:
+            str: 包含对话摘要的字符串
+
+        注意:
+            当上下文长度超过最大值时使用
         """
         # Create a new model instance to summarize, avoid affecting the main conversation
 
         with yaspin(text="正在总结对话历史...", color="cyan") as spinner:
-            
+
             prompt = """请总结之前对话中的关键信息，包括：
-    1. 当前任务目标
-    2. 已确认的关键信息
-    3. 已尝试的解决方案
-    4. 当前进展
-    5. 待解决的问题
+    1. 整体任务目标
+    2. 背景信息
+    3. 已获取并确认的关键信息
+    4. 已尝试的解决方案
+    5. 当前进展
+    6. 待解决的问题
 
     请用简洁的要点形式描述，突出重要信息。不要包含对话细节。
     """
-            
+
             try:
                 with spinner.hidden():
                     summary = self.model.chat_until_success(self.prompt + "\n" + prompt) # type: ignore
 
-                self.model.delete_chat() # type: ignore
-                
+                self.model.reset() # type: ignore
+
                 # 清空当前对话历史，但保留系统消息
                 self.conversation_length = 0  # Reset conversation length
-                
+
                 # 添加总结作为新的上下文
                 spinner.text = "总结对话历史完成"
                 spinner.ok("✅")
@@ -342,6 +403,21 @@ class Agent:
                 return ""
 
     def _call_tools(self, response: str) -> Tuple[bool, Any]:
+        """调用工具执行响应
+
+        参数:
+            response: 包含工具调用信息的响应字符串
+
+        返回:
+            Tuple[bool, Any]:
+                - 第一个元素表示是否需要返回结果
+                - 第二个元素是返回结果或错误信息
+
+        注意:
+            1. 一次只能执行一个工具
+            2. 如果配置了确认选项，会在执行前请求用户确认
+            3. 使用spinner显示执行状态
+        """
         tool_list = []
         for handler in self.output_handler:
             if handler.can_handle(response):
@@ -354,35 +430,72 @@ class Agent:
         if not self.execute_tool_confirm or user_confirm(f"需要执行{tool_list[0].name()}确认执行？", True):
             with yaspin(text=f"正在执行{tool_list[0].name()}...", color="cyan") as spinner:
                 with spinner.hidden():
-                    result = tool_list[0].handle(response)
+                    result = tool_list[0].handle(response, self)
                 spinner.text = f"{tool_list[0].name()}执行完成"
                 spinner.ok("✅")
                 return result
         return False, ""
-        
+
 
     def _complete_task(self) -> str:
+        """完成任务并生成总结(如果需要)
+
+        返回:
+            str: 任务总结或完成状态
+
+        注意:
+            1. 对于主Agent: 可能会生成方法论(如果启用)
+            2. 对于子Agent: 可能会生成总结(如果启用)
+            3. 使用spinner显示生成状态
+        """
         """Complete the current task and generate summary if needed.
-        
+
         Returns:
             str: Task summary or completion status
-            
+
         Note:
             - For main agent: May generate methodology if enabled
             - For sub-agent: May generate summary if enabled
         """
         with yaspin(text="正在生成方法论...", color="cyan") as spinner:
             try:
-                
+
                 # 让模型判断是否需要生成方法论
-                analysis_prompt = """当前任务已结束，请分析是否需要生成方法论。
+                analysis_prompt = f"""当前任务已结束，请分析是否需要生成方法论。
+
 如果你认为需要生成方法论，请先确定是创建新方法论还是更新现有方法论。如果是更新现有方法论，请使用'update'，否则使用'add'。
 如果你认为不需要方法论，请解释原因。
-方法论应适用于通用场景，不要包含任务特定信息，如代码提交信息等。
-方法论应包含：问题重述、最优解决方案、注意事项（如有），除此之外不要包含其他内容。
-方法论中仅记录有实际意义的流程，不要记录执行过程中的错误或无效尝试，只保留最终有效的解决步骤。
-确保方法论内容严格按照本次任务的成功执行路径编写，保证它对未来类似问题的解决具有指导意义。
+
+方法论评估标准:
+1. 方法论应聚焦于通用且可重复的解决方案流程
+2. 方法论应该具备足够的通用性，可应用于同类问题
+3. 特别注意用户在执行过程中提供的修正、反馈和改进建议
+4. 如果用户明确指出了某个解决步骤的优化方向，这应该被纳入方法论
+5. 如果用户在解决过程中发现了更高效的方法，这应被记录并优先使用
+
+方法论格式要求:
+1. 问题重述: 简明扼要的问题归纳，不含特定细节
+2. 最优解决方案: 经过用户验证的、最终有效的解决方案
+3. 注意事项: 执行中可能遇到的常见问题和注意点，尤其是用户指出的问题
+4. 可选步骤: 对于有多种解决路径的问题，标注出可选步骤和适用场景
+
+方法论质量控制:
+1. 只记录有实际意义的流程，不记录执行过程中的错误或无效尝试
+2. 保留最终有效的解决步骤和用户认可的解决方案
+3. 不要包含特定代码片段、文件路径或其他特定于单一任务的细节
+4. 确保方法论遵循用户认可的执行路径，尤其是用户指出的改进点
+
 只输出方法论工具调用指令，或不生成方法论的解释。不要输出其他内容。
+
+方法论格式：
+{ot("TOOL_CALL")}
+name: methodology
+arguments:
+  operation: add/update
+  problem_type: 方法论类型，例如：code_review, bug_fix 等
+  content: |
+    方法论内容
+{ct("TOOL_CALL")}
 """
                 self.prompt = analysis_prompt
                 with spinner.hidden():
@@ -403,22 +516,28 @@ class Agent:
                     spinner.text = "总结生成完成"
                     spinner.ok("✅")
                     return ret
-        
+
         return "任务完成"
 
 
     def run(self, user_input: str) -> Any:
-        """Process user input and execute the task.
-        
-        Args:
-            user_input: My task description or request
-            
-        Returns:
-            str|Dict: Task summary report or message to send
+        """处理用户输入并执行任务
+
+        参数:
+            user_input: 任务描述或请求
+
+        返回:
+            str|Dict: 任务总结报告或要发送的消息
+
+        注意:
+            1. 这是Agent的主运行循环
+            2. 处理完整的任务生命周期
+            3. 包含错误处理和恢复逻辑
+            4. 自动加载相关方法论(如果是首次运行)
         """
         try:
             set_agent(self.name, self)
-            
+
             self.prompt = f"{user_input}"
 
             if self.first:
@@ -437,20 +556,20 @@ class Agent:
 
                     if need_return:
                         return self.prompt
-                    
+
                     if self.prompt:
                         continue
 
                     if self.auto_complete and ot("!!!COMPLETE!!!") in current_response:
                         return self._complete_task()
-                    
+
                     # 获取用户输入
                     user_input = self.multiline_inputer(f"{self.name}: 请输入，或输入空行来结束当前任务：")
 
                     if user_input:
                         self.prompt = user_input
                         continue
-                    
+
                     if not user_input:
                         return self._complete_task()
 
@@ -463,14 +582,17 @@ class Agent:
             return f"Task failed: {str(e)}"
 
     def _clear_history(self):
-        """清空对话历史但保留系统提示。
-        
+        """清空对话历史但保留系统提示
+
         该方法将：
         1. 清空当前提示
         2. 重置模型状态
         3. 重置对话长度计数器
+
+        注意:
+            用于重置Agent状态而不影响系统消息
         """
-        self.prompt = "" 
+        self.prompt = ""
         self.model.reset() # type: ignore
         self.conversation_length = 0  # 重置对话长度
 

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/src/jarvis/jarvis_agent/builtin_input_handler.py

@@ -6,20 +6,20 @@ from typing import Any, Tuple
 def builtin_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
     """
     处理内置的特殊输入标记，并追加相应的提示词
-    
+
     参数：
         user_input: 用户输入
         agent: 代理对象
-        
+
     返回：
         Tuple[str, bool]: 处理后的输入和是否需要进一步处理
     """
     # 查找特殊标记
     special_tags = re.findall(r"'<([^>]+)>'", user_input)
-    
+
     if not special_tags:
         return user_input, False
-    
+
     # 使用集合去重
     processed_tags = set()
     # 处理每个标记
@@ -27,7 +27,7 @@ def builtin_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
         if tag in processed_tags:
             continue
         processed_tags.add(tag)
-        
+
         if tag == "CodeBase":
             user_input = user_input.replace(f"'<{tag}>'", "")
             user_input += """
@@ -68,6 +68,16 @@ def builtin_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
             agent.clear()
             if not user_input.strip():
                 return "", True
+        elif tag == "Methodology":
+            user_input = user_input.replace(f"'<{tag}>'", "")
+            user_input += """
+请使用find_methodology工具查找相关方法论，可以使用的提问格式包括：
+1. 关于xxx的方法论有哪些？
+2. 如何解决xxx问题？
+3. xxx的最佳实践是什么？
+4. 处理xxx的标准流程是什么？
+5. 实现xxx的参考方案有哪些？
+"""
         # 移除对未知标记的警告输出
-    
+
     return user_input, False

{jarvis_ai_assistant-0.1.134 → jarvis_ai_assistant-0.1.138}/src/jarvis/jarvis_agent/file_input_handler.py

@@ -13,7 +13,7 @@ from jarvis.jarvis_utils.output import OutputType, PrettyOutput
 def file_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
     prompt = user_input
     files = []
-    
+
     file_refs = re.findall(r"'([^']+)'", user_input)
     for ref in file_refs:
         # Handle file:start,end or file:start:end format
@@ -22,12 +22,12 @@ def file_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
             # Initialize with default values
             start_line = 1  # 1-based
             end_line = -1
-            
+
             # Process line range if specified
             if ',' in line_range or ':' in line_range:
                 try:
                     raw_start, raw_end = map(int, re.split(r'[,:]', line_range))
-                    
+
                     # Handle special values and Python-style negative indices
                     try:
                         with open(file_path, 'r', encoding='utf-8', errors="ignore") as f:
@@ -41,24 +41,24 @@ def file_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
                         end_line = total_lines
                     else:
                         start_line = raw_start if raw_start > 0 else total_lines + raw_start + 1
-                    
+
                     # Process end line
                     if raw_end == 0:  # 0表示整个文件（如果start也是0）
                         end_line = total_lines
                     else:
                         end_line = raw_end if raw_end > 0 else total_lines + raw_end + 1
-                    
+
                     # Auto-correct ranges
                     start_line = max(1, min(start_line, total_lines))
                     end_line = max(start_line, min(end_line, total_lines))
-                    
+
                     # Final validation
                     if start_line < 1 or end_line > total_lines or start_line > end_line:
                         raise ValueError
 
                 except:
                     continue
-            
+
             # Add file if it exists
             if os.path.isfile(file_path):
                 files.append({
@@ -74,7 +74,7 @@ def file_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
                     "start_line": 1,  # 1-based
                     "end_line": -1
                 })
-        
+
     # Read and process files if any were found
     if files:
         with yaspin(text="正在读取文件...", color="cyan") as spinner:
@@ -83,6 +83,6 @@ def file_input_handler(user_input: str, agent: Any) -> Tuple[str, bool]:
                 spinner.text = "文件读取完成"
                 spinner.ok("✅")
                 return result["stdout"] + "\n" + prompt, False
-    
+
     return prompt, False