feat:change model to qwen

agent/core/runner.py

@@ -57,6 +57,8 @@ class RunConfig:
     temperature: float = 0.3
     max_iterations: int = 200
     tools: Optional[List[str]] = None          # None = 全部已注册工具
+    enable_thinking: bool = False              # 启用 extended thinking 模式（仅 Claude 模型有效）
+    thinking_budget_tokens: int = 10000        # thinking token 预算
 
     # --- 框架层参数 ---
     agent_type: str = "default"
@@ -397,7 +399,11 @@ class AgentRunner:
         if trace and self.trace_store and trace_id:
             msg = Message.create(
                 trace_id=trace_id, role="assistant", sequence=1, goal_id=None,
-                content={"text": result.get("content", ""), "tool_calls": result.get("tool_calls")},
+                content={
+                    "text": result.get("content", ""),
+                    "tool_calls": result.get("tool_calls"),
+                    "thinking": result.get("thinking"),
+                },
                 prompt_tokens=result.get("prompt_tokens", 0),
                 completion_tokens=result.get("completion_tokens", 0),
                 finish_reason=result.get("finish_reason"),
@@ -811,6 +817,8 @@ class AgentRunner:
                 model=config.model,
                 tools=tool_schemas,
                 temperature=config.temperature,
+                enable_thinking=config.enable_thinking,
+                thinking_budget_tokens=config.thinking_budget_tokens,
                 **config.extra_llm_params,
             )
 
@@ -853,7 +861,11 @@ class AgentRunner:
                 sequence=sequence,
                 goal_id=current_goal_id,
                 parent_sequence=head_seq if head_seq > 0 else None,
-                content={"text": response_content, "tool_calls": tool_calls},
+                content={
+                    "text": response_content,
+                    "tool_calls": tool_calls,
+                    "thinking": result.get("thinking"),
+                },
                 prompt_tokens=prompt_tokens,
                 completion_tokens=completion_tokens,
                 cache_creation_tokens=cache_creation_tokens,

agent/llm/openrouter.py

@@ -310,15 +310,19 @@ def _to_anthropic_tools(tools: List[Dict]) -> List[Dict]:
 def _parse_anthropic_response(result: Dict[str, Any]) -> Dict[str, Any]:
     """Parse an Anthropic Messages API response into the unified format.
 
-    Returns a dict with keys: content, tool_calls, finish_reason, usage.
+    Returns a dict with keys: content, tool_calls, finish_reason, usage, thinking.
     """
     content_blocks = result.get("content", [])
 
     text_parts = []
     tool_calls = []
+    thinking_parts = []
+
     for block in content_blocks:
         if block.get("type") == "text":
             text_parts.append(block.get("text", ""))
+        elif block.get("type") == "thinking":
+            thinking_parts.append(block.get("thinking", ""))
         elif block.get("type") == "tool_use":
             tool_calls.append({
                 "id": block.get("id", ""),
@@ -330,6 +334,7 @@ def _parse_anthropic_response(result: Dict[str, Any]) -> Dict[str, Any]:
             })
 
     content = "\n".join(text_parts)
+    thinking = "\n".join(thinking_parts) if thinking_parts else None
 
     stop_reason = result.get("stop_reason", "end_turn")
     finish_reason_map = {
@@ -353,6 +358,7 @@ def _parse_anthropic_response(result: Dict[str, Any]) -> Dict[str, Any]:
         "tool_calls": tool_calls if tool_calls else None,
         "finish_reason": finish_reason,
         "usage": usage,
+        "thinking": thinking,
     }
 
 
@@ -511,6 +517,15 @@ async def _openrouter_anthropic_call(
     if "temperature" in kwargs:
         payload["temperature"] = kwargs["temperature"]
 
+    # 可选：启用 extended thinking 模式
+    if kwargs.get("enable_thinking", False):
+        thinking_config = {
+            "type": "enabled",
+            "budget_tokens": kwargs.get("thinking_budget_tokens", 10000)
+        }
+        payload["thinking"] = thinking_config
+        logger.info(f"[OpenRouter/Anthropic] Extended thinking enabled (budget: {thinking_config['budget_tokens']} tokens)")
+
     # Debug: 检查 cache_control 是否存在
     cache_control_count = 0
     if isinstance(system_prompt, list):
@@ -592,6 +607,7 @@ async def _openrouter_anthropic_call(
         "finish_reason": parsed["finish_reason"],
         "cost": cost,
         "usage": usage,
+        "thinking": parsed.get("thinking"),
     }
 
 

examples/find knowledge/README.md

@@ -59,7 +59,12 @@ python3 run.py --trace <trace-id>
 默认使用 OpenRouter 调用 `anthropic/claude-sonnet-4.6`，可在 `test.prompt` 中修改：
 ```yaml
 ---
-model: sonnet-4.6
+model: anthropic/claude-sonnet-4.6
 temperature: 0.3
 ---
 ```
+
+支持的模型格式（通过 OpenRouter）：
+- Anthropic Claude: `anthropic/claude-sonnet-4.6`, `anthropic/claude-opus-4`
+- Google Gemini: `google/gemini-2.5-flash-lite`, `google/gemini-2.5-pro`
+- 其他 OpenRouter 支持的模型

examples/find knowledge/run.py

@@ -164,12 +164,13 @@ async def main():
 
     # 创建 Agent Runner
     print("3. 创建 Agent Runner...")
-    print(f"   - 模型: {prompt.config.get('model', 'sonnet-4.6')}")
+    model_name = prompt.config.get('model', 'anthropic/claude-sonnet-4.6')
+    print(f"   - 模型: {model_name}")
 
     store = FileSystemTraceStore(base_path=".trace")
     runner = AgentRunner(
         trace_store=store,
-        llm_call=create_openrouter_llm_call(model=f"anthropic/claude-{prompt.config.get('model', 'sonnet-4.6')}"),
+        llm_call=create_openrouter_llm_call(model=model_name),
         skills_dir=None,
         debug=True
     )
@@ -195,21 +196,27 @@ async def main():
     should_exit = False
 
     try:
+        model_name = prompt.config.get('model', 'anthropic/claude-sonnet-4.6')
+
         if resume_trace_id:
             initial_messages = None
             config = RunConfig(
-                model=f"anthropic/claude-{prompt.config.get('model', 'sonnet-4.6')}",
+                model=model_name,
                 temperature=float(prompt.config.get('temperature', 0.3)),
                 max_iterations=1000,
                 trace_id=resume_trace_id,
+                enable_thinking=prompt.config.get('enable_thinking', False),
+                thinking_budget_tokens=prompt.config.get('thinking_budget_tokens', 10000),
             )
         else:
             initial_messages = messages
             config = RunConfig(
-                model=f"anthropic/claude-{prompt.config.get('model', 'sonnet-4.6')}",
+                model=model_name,
                 temperature=float(prompt.config.get('temperature', 0.3)),
                 max_iterations=1000,
                 name="图片模态特征提取研究",
+                enable_thinking=prompt.config.get('enable_thinking', False),
+                thinking_budget_tokens=prompt.config.get('thinking_budget_tokens', 10000),
             )
 
         while not should_exit:

examples/find knowledge/test.prompt

@@ -1,26 +1,20 @@
 ---
-model: sonnet-4.6
+model: qwen/qwen3.5-122b-a10b
 temperature: 0.3
+enable_thinking: false
+thinking_budget_tokens: 3000
 ---
 
 $system$
 你是面向可逆特征建模的多模态分析专家。你的核心目标是：构建可逆的多模态特征空间，使生成模型能够基于特征重建原始图片。生成模型可以是任何AI模型或工具。
-在整个任务中，你必须遵守以下输出规范（强制执行，不得省略）：
---------------------------------
-**逐步推理原则**：
-每一个“步骤”的输出中，都必须包含以下字段：
-
-- Step：当前步骤名称（简短）
-- Inputs：本步骤使用了哪些输入（列出：图片/制作表路径/亮点条目/制作点/搜索结果 URL 等）
-- Observation：从 Inputs 中观察到的事实（只写事实，不写推断）
-- Reasoning：你如何从 Observation 推导到结论
-- Decision：本步骤最终做出的选择（这一步的结果）
-- Rationale：为什么做出该 Decision（必须对应到 Observation/搜索证据）
-- Checks：你做了哪些验证（例如：是否可控、是否可复用、是否过像原图、是否可提取）
-
-注意：
-- 如果证据不足，无法支撑起合理的推理，必须写明缺口，并触发“继续搜索/继续分析”，不得强行下结论。
-- 该规范的核心目的不是约束输出，而是将思考过程显式化。
+你必须输出“可审计理由链”（Audit Rationale），覆盖每一步决策与行动。
+
+规则：
+1) 每次生成任何行动（包括：给结论、提出假设、选择/不选择工具、修改 query、筛选信息、做归纳）前，先输出一个 STEP 区块。
+2) 每个 STEP 必须包含：ACTION、WHY（2-4条）、EVIDENCE（1-3条，引用输入/工具返回的字段或原句）、UNCERTAINTY（可选）、NEXT。
+3) WHY 必须是“面向读者的简短理由”，不得输出长篇内心独白；用可验证的依据支撑。
+4) 如果要调用工具：必须在每次工具调用前，先输出一段短理由：为什么选这个工具、为什么现在调用、备选工具为什么不用、期望返回什么...
+5) 若没有足够依据：在 UNCERTAINTY 中说明缺口，并给出降低不确定性的下一步（通常是调用工具或改写 query）。
 
 $user$
 # 任务目标