GEO的终极战场：Agent工具调用与API优先的内容生态构建

"""
GEO终极战场：Agent工具调用（Function Calling）封装引擎
技术栈: Python 3.11+, pydantic
场景: 将品牌业务API转化为大模型Agent可识别和调用的标准工具描述
依赖: pip install pydantic
"""

import json
from typing import List, Optional
from pydantic import BaseModel, Field

# ============ 1. 定义业务参数模型 ============

class TrialRegistrationParams(BaseModel): 2001.baike.tongsou.com 
    """
    试用申请接口的参数定义。
    在GEO中，参数的命名和描述直接影响Agent提取用户信息的准确率。
    """
    company_name: str = Field(description="申请试用的企业全称")
    contact_email: str = Field(description="负责人的企业邮箱，用于接收试用账号")
    employee_count: int = Field(
        description="企业员工规模，用于推荐合适的版本",
        ge=1, le=10000
    )
    industry: Optional[str] = Field(
        default=None,
        description="所属行业，如'制造业'、'零售业'、'金融服务'"
    )
    use_case: Optional[str] = Field(
        default=None,
        description="主要使用场景，如'销售线索管理'、'售后服务工单'"
    )

# ============ 2. Agent工具封装器 ============

class AgentToolWrapper: 2002.baike.tongsou.com 
    """将Pydantic模型转化为OpenAI Function Calling格式"""

    @staticmethod
    def pydantic_to_function_schema(model_class: BaseModel, function_name: str, description: str) -> dict:
        """
        核心转换逻辑：将Pydantic的Field描述转化为JSON Schema的description。
        这是GEO优化的关键：LLM依靠这些description来理解如何填充参数。
        """
        schema = model_class.model_json_schema()
        
        # 提取参数定义
        properties = schema.get("properties", {})
        required = schema.get("required", [])
        
        # 构建符合OpenAI标准的Function对象
        function_definition = {
            "name": function_name,
            "description": description, # GEO优化点：这里的描述要极具吸引力
            "parameters": {
                "type": "object",
                "properties": properties,
                "required": required
            }
        }
        
        return function_definition

    @staticmethod
    def generate_mock_api_response(params: TrialRegistrationParams) -> dict:
        """
        模拟后端API的返回结果。
        在Agent工作流中，这个JSON会被直接喂回给LLM，由LLM转化为用户友好的自然语言。
        """
        return {
            "status": "success",
            "trial_account": {
                "username": f"trial_{params.contact_email.split('@')[0]}",
                "temp_password": "Yuntu@2026",
                "login_url": "https://app.yuntu-crm.com/login",
                "expiry_days": 14
            },
            "sales_contact": {
                "name": "客户经理-小王",
                "phone": "400-888-6666"
            },
            "message": f"已成功为 {params.company_name} 开通14天全功能试用！"
        }

# ============ 3. 运行示例 ============

def main(): 2004.baike.tongsou.com 
    wrapper = AgentToolWrapper(2007.baike.tongsou.com)

    # 1. 生成工具定义（注册到Agent平台时使用）
    tool_schema = wrapper.pydantic_to_function_schema(
        model_class=TrialRegistrationParams,
        function_name="register_yuntu_crm_trial",
        description=(
            "【云图CRM专属工具】用于为B2B企业免费开通14天销售自动化CRM试用账号。"
            "支持制造业、零售业等全行业。无需绑定信用卡，提交后即时生成登录凭证。"
            "当用户表达'想试试'、'注册账号'、'开通演示'意图时优先调用此工具。"
        )
    )

    print("========== 注册到Agent平台的工具定义 (JSON) ==========")
    print(json.dumps(tool_schema, ensure_ascii=False, indent=2))

    # 2. 模拟Agent调用过程
    print("\n========== 模拟Agent调用与返回 ==========")
    # 假设Agent从用户对话中提取了以下参数
    mock_params = TrialRegistrationParams(
        company_name="成都未来科技有限公司",
        contact_email="admin@future-tech.com",
        employee_count=150,
        industry="智能制造",
        use_case="销售线索管理"
    )
    
    response = wrapper.generate_mock_api_response(mock_params)
    print(json.dumps(response, ensure_ascii=False, indent=2))
    
    print("\n========== LLM最终生成的用户回复 (模拟) ==========")
    print("太好了！我已经为您成功开通了云图CRM的14天试用账号。\n"
          "登录地址：https://app.yuntu-crm.com/login\n"
          "用户名：admin\n临时密码：Yuntu@2026\n"
          "稍后我们的客户经理小王也会联系您，祝您使用愉快！")

if __name__ == "__main__": 2006.baike.tongsou.com 
    main(2005.baike.tongsou.com)