group_fqcd_jr/app/service/agent/implementations/customer_service.py

"""客服 Agent：只回答能溯源到公司资料的问题，答不了就引导客户致电人工客服。

设计取向（金融场景，由业务方确定）：

- **确定性优先**：命中知识块后**直接返回原文**，不经模型改写。答案的字面内容来自公司
  已发布的资料，模型不参与事实生成，因此不存在"编一个看起来合理的答案"的通路。
- **答不了就引导**：检索降级、未命中、置信度不足、意图未覆盖、模型异常——一律返回
  引导客户拨打客服热线的固定话术，并置 `transfer_required=True` 留痕；
  绝不用模型猜测答案。
- **本体保持薄**：只有意图分发与四条出口，不做多轮推理、不自主决策。这是业务方明确
  要求的取向——"客服 Agent 本身不会很多内容，不会的就转人工"。

四条出口：
`faq` → 检索直返（不经模型）｜`product_inquiry` / `policy_explain` → 检索直返 + 来源引用
｜`chitchat` → 模型生成（提示词走发布配置）｜其余与异常 → 引导人工客服
"""

from app.core.contracts import (
    AgentDefinition,
    AgentRequest,
    CoreResult,
    RequestContext,
    SourceReference,
)
from app.core.errors import ForbiddenAgentError
from app.service.agent.base import BaseAgent
from app.service.model_gateway import DatabaseModelEndpointResolver
from app.service.runtime_config_service import load_active_prompt

AGENT_TYPE = "customer_service"

# 意图码必须三处对齐：AgentDefinition.supported_intents、agent_intent_config 的
# (agent_type, intent_code)、以及发布版 config_release 里 agent_tools 的
# `customer_service:<intent>` 白名单 key。缺任一处即失败关闭，这是底座的有意设计。
INTENT_FAQ = "faq"
INTENT_PRODUCT = "product_inquiry"
INTENT_POLICY = "policy_explain"
INTENT_CHITCHAT = "chitchat"
INTENT_TRANSFER = "transfer_human"
BUSINESS_INTENTS = (INTENT_FAQ, INTENT_PRODUCT, INTENT_POLICY)

TOOL_NAME = "search_knowledge"

# 三档置信阈值：方案 §2.3 要求的是「绝对阈值 AND（相对间隙 OR 分布优势）」混合判定，
# 只做绝对阈值会把口语化问法误判成"答不了"（这是实测踩到的坑）。
#
# 数值按本模型（qwen3.7-text-embedding-flash）**实测校准**，不是照搬经验值：
#   · 库内问法：口语「我们公司叫什么名字」top1=0.592、标准「公司全称是什么」0.671、
#     带品牌名「南方科技的全称」0.855 —— 同样的正确答案，口语问法相似度天然更低；
#   · 库外/越界：「你们公司什么时候上市」top1 最高 0.500、「今天天气怎么样」0.416，
#     且这些问题的 top1 与次优间隙都在 0.046 以内，而库内命中普遍在 0.09 以上。
# 于是：库内最低 0.579 / 库外最高 0.500，绝对分两侧都有余量；间隙 0.07 又能挡住
# 「存在并列候选」的不确定情形，避免因为一次高相似度的巧合就硬答。
HIGH_SCORE = 0.75  # ≥ 直接答（高置信不再要求间隙：分数已足够说明问题）
MID_SCORE = 0.55    # 需与 MIN_GAP 同时满足才答，答时附"信息可能不完整"提示
MIN_GAP = 0.07      # top1 领先次优的最小间隙；领先不足说明有并列候选，不硬答

TOP_K = 5
MAX_ANSWER_CHARS = 1200
REFERENCE_LIMIT = 3

COMPANY = "南方科技"
# 客服热线：正式号码确定后改这里（或改为读配置项，避免改代码）
HOTLINE = "400-XXX-XXXX"
SERVICE_HOURS = "每日 7:00-22:00"

FALLBACK_TEMPLATE = (
    "抱歉，这个问题我暂时无法给出准确答复。为避免给您错误信息，"
    f"建议您拨打客服热线 {HOTLINE}（{SERVICE_HOURS}）转人工客服咨询。"
)
# 客户侧只展示这一句固定话术（业务方确定）。原中置信的"信息可能不完整"提示已按此移除，
# 即中置信回答不再对客户标注不确定性——这是调整时知情的取舍，不是遗漏。
DISCLAIMER = "（以上内容由智能客服依据公司公开资料整理，不构成投资建议）"

CHITCHAT_PROMPT_CODE = "customer_service_chitchat"
CHITCHAT_TASK_TYPE = "chat"
DEFAULT_CHITCHAT_SYSTEM = (
    f"你是{COMPANY}的智能客服助手。回应要简短、礼貌，并自然引导用户提出与基金、理财、"
    "账户相关的问题。禁止承诺收益，禁止出现「保本」「稳赚」「无风险」「保证收益」"
    "「预期收益率」「年化收益率」「安全」等表述。"
)
DEFAULT_CHITCHAT_TEMPLATE = "用户说：{message}\n请用不超过 40 字回应，并把话题引导到业务上。"


class CustomerServiceAgent(BaseAgent):
    definition = AgentDefinition(
        agent_type=AGENT_TYPE,
        version="1.0.0",
        allowed_roles=("customer",),
        allowed_portals=("api",),
        # 代码上限：实际可用范围由发布配置的意图白名单收窄（两者取交集）
        allowed_tools=(TOOL_NAME,),
        supported_intents=(
            INTENT_FAQ, INTENT_PRODUCT, INTENT_POLICY, INTENT_CHITCHAT, INTENT_TRANSFER,
        ),
    )

    async def handle(self, request: AgentRequest, context: RequestContext) -> CoreResult:
        intent = self._intent_code()
        if intent == INTENT_CHITCHAT:
            return await self._chitchat(request)
        if intent == INTENT_TRANSFER:
            return self._guide_to_human("客户主动要求转人工")
        if intent not in BUSINESS_INTENTS:
            # 分类失败或意图未覆盖：不猜，直接引导人工
            return self._guide_to_human(f"意图未覆盖：{intent or '未识别'}")
        return await self._answer_from_knowledge(request, context, intent)

    # ---- 出口一：知识直返（faq / 产品 / 政策） ----

    async def _answer_from_knowledge(
        self, request: AgentRequest, context: RequestContext, intent: str
    ) -> CoreResult:
        try:
            output = await self.call_tool(
                TOOL_NAME,
                {"query": self._search_query(request), "top_k": TOP_K},
                intent=intent,
                context=context,
            )
        except ForbiddenAgentError:
            # 白名单/权限类失败必须冒泡：那是配置错误，若被兜底话术吞掉，
            # 运维会看到"客服一直引导人工"却查不出原因。
            raise
        except Exception:
            return self._guide_to_human("知识检索调用失败")

        if not isinstance(output, dict):
            return self._guide_to_human("知识检索返回格式异常")
        if output.get("degraded"):
            reason = str(output.get("reason") or "未知")
            return self._guide_to_human(f"知识检索降级：{reason}")
        hits = output.get("hits")
        if not isinstance(hits, list) or not hits:
            return self._guide_to_human("知识库未命中")

        best = hits[0]
        if not isinstance(best, dict):
            return self._guide_to_human("命中内容格式异常")
        score = self._score(best.get("score"))
        gap = score - self._second_score(hits)
        # 混合判定：高置信直接答；中置信必须同时满足「分数够」与「领先次优够多」。
        # 只满足其一的（分数够但两三个候选并驾齐驱）宁可引导人工——金融场景下
        # "答不了"可接受，"答错"不可接受。
        confident = score >= HIGH_SCORE
        if not confident and not (score >= MID_SCORE and gap >= MIN_GAP):
            return self._guide_to_human(f"置信度不足：score={score:.3f} gap={gap:.3f}")

        content = str(best.get("content") or "").strip()
        if not content:
            return self._guide_to_human("命中内容为空")

        # 正文只保留「答案 + 固定免责声明」：业务方要求客户侧只看到这一句固定话术，
        # 因此不确定性提示与出处行都不再出现在正文里。
        #
        # 可追溯性不受影响：本次命中哪个知识块仍由审计（agent.tool_executed 的工具调用记录）
        # 与消息表留痕，只是不面向客户展示。若将来要把出处给客户看，应当走
        # source_references 的 knowledge 类型（需先让 ToolExecutor 登记本次可引用的 doc_id），
        # 而不是继续往正文里拼字符串。
        return CoreResult(
            text=f"{content[:MAX_ANSWER_CHARS]}\n{DISCLAIMER}",
            intent=self._classified_intent,
        )

    # ---- 出口二：闲聊（提示词走发布配置） ----

    async def _chitchat(self, request: AgentRequest) -> CoreResult:
        system, template = await self._chitchat_prompt()
        message = request.message[:500]
        try:
            prompt = template.format(message=message, company=COMPANY)
        except (KeyError, IndexError, ValueError):
            # 发布配置里的占位符与代码不一致时回落默认模板：配置写错不应该让运行期崩
            system = DEFAULT_CHITCHAT_SYSTEM
            prompt = DEFAULT_CHITCHAT_TEMPLATE.format(message=message, company=COMPANY)
        full_prompt = f"{system}\n\n{prompt}" if system else prompt
        try:
            endpoints = await DatabaseModelEndpointResolver().resolve(
                agent_type=AGENT_TYPE, task_type="text_generation"
            )
            # 显式转成 list[object]：generate_with_model 形参是 list[object]，
            # 而 list 不变型（invariant），直接传 list[ModelEndpointConfig] 过不了类型检查
            endpoint_list: list[object] = list(endpoints)
            execution = await self.generate_with_model(endpoint_list, full_prompt)
        except Exception:
            return self._guide_to_human("模型不可用")
        text = (execution.text or "").strip()
        if not text:
            return self._guide_to_human("模型返回为空")
        return CoreResult(
            text=f"{text[:MAX_ANSWER_CHARS]}\n{DISCLAIMER}",
            intent=self._classified_intent,
        )

    async def _chitchat_prompt(self) -> tuple[str, str]:
        """读取当前发布版本的闲聊提示词；未发布或读取失败时回落代码内置默认值。"""
        try:
            row = await load_active_prompt(CHITCHAT_PROMPT_CODE, CHITCHAT_TASK_TYPE, AGENT_TYPE)
        except Exception:
            row = None
        if row is None:
            return DEFAULT_CHITCHAT_SYSTEM, DEFAULT_CHITCHAT_TEMPLATE
        return (
            row.system_prompt or DEFAULT_CHITCHAT_SYSTEM,
            row.user_prompt_template or DEFAULT_CHITCHAT_TEMPLATE,
        )

    # 客户这一句里出现这些词，说明主语要靠上文补全（"这个产品""该基金"）。
    # 刻意不收"它/他"：单字指代在中文里极易误伤（"其他产品""其它"都含"他/它"），
    # 而这类短句已经由 _MIN_STANDALONE_CHARS 覆盖，不需要靠它兜。
    _REFERRING_WORDS = (
        "这个", "那个", "这款", "这只", "该产品", "该基金", "上述", "前面提", "刚刚说",
    )
    # 短到这种程度的问题，自己通常不构成完整意图（"起投多少""风险高吗"）
    _MIN_STANDALONE_CHARS = 8

    @classmethod
    def _search_query(cls, request: AgentRequest) -> str:
        """构造交给检索的查询串。

        只有当客户这一句**自己说不清楚**时，才把上文接进来。

        为什么不能无条件拼接（实测）：同一会话先问「季季盈90天的起投金额是多少」，
        再问「基金赎回几天到账」，若把上一轮问题拼进检索词，第二问会命中季季盈的产品块、
        答出产品介绍——**答非所问**。在金融场景里这比"引导转人工"糟得多：客户问 A 得到 B
        的答案，会直接失去对客服的信任，而"答不了"至少是诚实的。

        所以拼接只留给两种真正需要上文的情况：句子里有指代词，或短到不足以独立表达意图。
        其余一律以当前问题检索，客户换话题就不会被上一轮拖回去。

        只取客户的话、不取 Agent 自己的回答：把 Agent 的措辞也拼进来会让检索偏向自己
        上一轮的说法，而客户的真实意图可能已经在下一句里被修正过。
        """
        message = request.message.strip()
        needs_context = (
            len(message) < cls._MIN_STANDALONE_CHARS
            or any(word in message for word in cls._REFERRING_WORDS)
        )
        if not needs_context:
            return message[:500]
        recent_user = [turn.content for turn in request.history if turn.role == "user"][-2:]
        return " ".join([*recent_user, message])[:500]

    # ---- 出口三：引导人工客服（不做工单，只回话并留痕） ----

    def _guide_to_human(self, reason: str) -> CoreResult:
        return CoreResult(
            text=FALLBACK_TEMPLATE,
            intent=self._classified_intent,
            transfer_required=True,
            transfer_reason=reason[:200],
        )

    # ---- 辅助 ----

    def _intent_code(self) -> str:
        classified = self._classified_intent
        return classified.intent if classified is not None else ""

    @staticmethod
    def _score(value: object) -> float:
        """把命中分数夹到 [0,1]：SourceReference.score 有 ge=0/le=1 约束。"""
        try:
            number = float(value)  # type: ignore[arg-type]
        except (TypeError, ValueError):
            return 0.0
        return min(1.0, max(0.0, number))

    def _second_score(self, hits: list[object]) -> float:
        """次优命中分数，用于「绝对阈值 + 相对间隙」的混合判定。

        只有一个命中时返回 0：此时间隙最大，是否回答交由绝对阈值把关，
        而不是仅凭"没有竞争者"就认定可信。
        """
        if len(hits) < 2 or not isinstance(hits[1], dict):
            return 0.0
        return self._score(hits[1].get("score"))

    def _references(self, hits: list[object]) -> tuple[SourceReference, ...]:
        """保留待用：等基座支持 knowledge 类型引用后再启用。

        目前 `governance.review_output` 只认可 memory / tool 两类来源，直接返回
        knowledge 引用会被判为「引用未来自本次已授权召回结果」而让整个 run 失败。
        启用前提是让 ToolExecutor 把工具返回的知识 doc_id 登记为本次可引用来源。
        """
        references: list[SourceReference] = []
        for hit in hits[:REFERENCE_LIMIT]:
            if not isinstance(hit, dict):
                continue
            doc_id = str(hit.get("doc_id") or "").strip()
            if not doc_id:
                continue  # 没有标识的命中无法回溯，丢弃而不是造一个假来源
            title = str(hit.get("title") or "").strip()
            references.append(SourceReference(
                source_type="knowledge",
                source_id=doc_id,
                title=title[:200] or None,
                score=self._score(hit.get("score")),
            ))
        return tuple(references)