Local SE Agent Masterclass

import json
from typing import List, Dict, Any, Optional
from core.client import OllamaLLMClient
from core.parser import StructuredOutputParser, JSONDecodeError
from core.dispatcher import ToolDispatcher, ToolExecutionError

class MaxIterationsReachedError(Exception):
    """Exception เมื่อลูปทำงานเกินขีดจำกัดสูงสุดที่ตั้งไว้ (Guardrail)"""
    pass

class ReActAgentEngine:
    """
    แกนกลางควบคุมลูป ReAct (Reason ➔ Act ➔ Observe) แบบอัตโนมัติ
    """
    def __init__(
        self,
        client: OllamaLLMClient,
        dispatcher: ToolDispatcher,
        max_iterations: int = 6
    ):
        self.client = client
        self.dispatcher = dispatcher
        self.max_iterations = max_iterations
        self.messages: List[Dict[str, str]] = []

    def run(self, user_prompt: str, system_prompt: str) -> str:
        """
        เริ่มลูป ReAct อัตโนมัติ: ป้อนโจทย์ ➔ AI ตัดสินใจคิดและทำวนลูปจนจบงาน
        """
        # 1. กำหนดประวัติบทสนทนาเริ่มต้น
        self.messages = [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}
        ]

        # 2. เริ่มลูปตามจำนวนรอบสูงสุดที่กำหนดไว้
        for step in range(1, self.max_iterations + 1):
            print(f"\n🔄 [Step {step}/{self.max_iterations}] Agent กำลังประมวลผล...")

            # ยิงเรียก Ollama พร้อมเปิดใช้งาน json_mode=True
            raw_response = self.client.chat(self.messages, temperature=0.1, json_mode=True)

            try:
                # ถอดรหัส JSON จากคำตอบของโมเดล
                decision = StructuredOutputParser.parse(raw_response)
            except JSONDecodeError as err:
                print(f"⚠️ โมเดลส่ง JSON ไม่สมบูรณ์: {err}")
                # Self-Correction: ส่งข้อความแจ้งให้โมเดลแก้ไวยากรณ์ในรอบถัดไป
                self.messages.append({"role": "assistant", "content": raw_response})
                self.messages.append({
                    "role": "user",
                    "content": "Error: Your previous response was not valid JSON. Please respond strictly in the defined JSON schema."
                })
                continue

            # ดึงการใช้เหตุผล (Thought) ออกมาแสดง
            thought = decision.get("thought", "ไม่มี Thought ระบุ")
            print(f"💡 Thought: {thought}")

            # 3. ตรวจสอบเงื่อนไขการจบงาน (Termination Condition)
            if "final_answer" in decision:
                final_answer = decision["final_answer"]
                print(f"🎯 Final Answer: {final_answer}")
                return final_answer

            # 4. หากโมเดลต้องการเรียกใช้งาน Tool (Action)
            if "tool" in decision:
                tool_name = decision.get("tool")
                arguments = decision.get("arguments", {})

                print(f"🛠️ Action: เรียกใช้ Tool '{tool_name}' ด้วยค่า: {arguments}")

                try:
                    # สั่ง Dispatcher ทำงานจริงในเครื่อง
                    observation = self.dispatcher.dispatch(tool_name, arguments)
                except ToolExecutionError as err:
                    observation = f"Tool Execution Error: {str(err)}"
                except Exception as err:
                    observation = f"System Error while executing tool: {str(err)}"

                # ตัดทอน Observation เล็กน้อยตอนแสดงผลในคอนโซล
                obs_summary = str(observation).strip()
                if len(obs_summary) > 200:
                    print(f"👁️ Observation: {obs_summary[:200]}... [ตัดทอน]")
                else:
                    print(f"👁️ Observation:\n{obs_summary}")

                # 5. ป้อนประวัติกลับเข้าสู่ Memory เพื่อให้โมเดลมองเห็นผลลัพธ์ในรอบถัดไป
                self.messages.append({"role": "assistant", "content": raw_response})
                self.messages.append({
                    "role": "user",
                    "content": f"Observation from {tool_name}:\n{observation}"
                })
            else:
                # กรณีโมเดลไม่ส่งทั้ง tool และ final_answer
                self.messages.append({"role": "assistant", "content": raw_response})
                self.messages.append({
                    "role": "user",
                    "content": "Invalid State: You must provide either an 'action' with a 'tool' or a 'final_answer'."
                })

        # 6. ถ้าวนลูปครบแล้วยังไม่จบงาน ให้โยน Guardrail Exception
        raise MaxIterationsReachedError(
            f"Agent reached maximum iterations limit ({self.max_iterations}) without completing the task."
        )

from core.client import OllamaLLMClient
from core.dispatcher import ToolDispatcher
from core.engine import ReActAgentEngine, MaxIterationsReachedError
from core.tools.file_reader import read_file
from core.tools.test_runner import run_maven_test

def main():
    print("🚀 เริ่มทดสอบ Day 6: Autonomous ReAct Loop Engine บน Mac M3...")

    # 1. ติดตั้ง Dispatcher และจดทะเบียน Tool ทั้งหมดที่มี
    dispatcher = ToolDispatcher()
    dispatcher.register("read_file", read_file)
    dispatcher.register("run_maven_test", run_maven_test)

    client = OllamaLLMClient(model_name="qwen2.5-coder:7b")
    if not client.check_health():
        print("❌ ไม่พบ Ollama Daemon หรือโมเดล qwen2.5-coder:7b กรุณาตรวจสอบคำสั่ง 'ollama list'")
        return

    # 2. System Prompt ระบุไวยากรณ์ ReAct (Thought ➔ Tool/Final Answer)
    system_prompt = (
        "You are an Autonomous Software Engineering Agent.\n"
        "You operate in a strict ReAct loop (Reason, Act, Observe).\n"
        "You have access to tools to inspect files and run automated tests.\n\n"
        "Available Tools:\n"
        "1. run_maven_test(project_dir: string): Runs Maven unit tests.\n"
        "2. read_file(filepath: string): Reads file content safely from the workspace.\n\n"
        "Response Rules:\n"
        "- When you need to take an action, reply with:\n"
        "{\n"
        '  "thought": "Your reasoning why you take this step",\n'
        '  "tool": "tool_name",\n'
        '  "arguments": { ... }\n'
        "}\n\n"
        "- When the task is completely finished, reply with:\n"
        "{\n"
        '  "thought": "Summary of what was achieved",\n'
        '  "final_answer": "Detailed conclusion and analysis for the human user"\n'
        "}\n\n"
        "Respond ONLY with valid JSON."
    )

    # 3. ป้อนโจทย์ระดับสูงเพียง 1 ครั้ง
    user_prompt = (
        "ในโฟลเดอร์ sample_maven_project มีบั๊กแฝงอยู่ "
        "ช่วยรันเทสเพื่อหาจุดพัง จากนั้นเปิดอ่านโค้ดที่เกี่ยวข้องเพื่อวิเคราะห์ว่าต้องแก้สูตรอย่างไรจึงจะถูกต้อง"
    )

    print(f"💬 โจทย์จากผู้ใช้: {user_prompt}\n")

    # 4. สั่ง Engine เริ่มทำงานวนลูปอัตโนมัติ (ตั้งขีดจำกัดไม่เกิน 5 รอบ)
    engine = ReActAgentEngine(client=client, dispatcher=dispatcher, max_iterations=5)

    try:
        final_result = engine.run(user_prompt=user_prompt, system_prompt=system_prompt)
        print("\n==================================================")
        print("🎉 ผลลัพธ์สุดท้ายจาก Autonomous Agent:")
        print("==================================================")
        print(final_result)
        print("==================================================")
        print("✨ สำเร็จ 100%! Agent ของคุณสามารถคิดและลงมือทำวนลูปจนจบงานได้เองโดยมนุษย์ไม่ต้องช่วยสั่งทีละสเต็ป!")

    except MaxIterationsReachedError as err:
        print(f"\n🛑 Guardrail Alert: {err}")
    except Exception as err:
        print(f"\n❌ Error: {err}")

if __name__ == "__main__":
    main()