# LangChain: Agent 需要手动定义工具和数据源
from langchain.agents import create_react_agent
from langchain.tools import Tool

# 手动定义每个工具
tools = [
    Tool(name="query_database", func=query_db,
         description="Query the customer database"),
    Tool(name="get_risk_score", func=get_risk,
         description="Get risk score for a customer"),
    Tool(name="create_alert", func=create_alert,
         description="Create a risk alert"),
]

agent = create_react_agent(llm, tools, prompt)
# 问题：工具定义是静态的，不随数据模型变化
# 问题：没有权限控制——Agent 可以调用任何工具
# 问题：没有事务——如果中途失败，部分操作无法回滚

# coomia-dip: Agent 自动感知 Ontology，工具从 Schema 动态生成
from ontology_sdk.agent import OntologyAgent

agent = OntologyAgent(
    name="risk_monitor",
    world_id="production",
    permissions=["Transaction.read", "Customer.read", "Alert.create"],
    sandbox_id="sandbox-001",  # 沙箱隔离
    max_steps=50,
    max_cost=5.0,
)

# 工具自动从 Ontology Schema 生成——当 Schema 变更时工具自动更新
# 权限自动检查——Agent 只能执行被授权的操作
# 在沙箱中执行——不影响生产环境
# Temporal 持久化——崩溃后自动恢复

result = await agent.execute(
    task="Check all transactions over $100K today and flag suspicious ones",
    context={"date": "2026-03-24"},
)

# LangChain RAG: 将数据向量化存储，通过相似度检索
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

# 需要额外的向量化和索引步骤
vectorstore = Chroma.from_documents(documents, OpenAIEmbeddings())
retriever = vectorstore.as_retriever()
# 问题：向量检索可能不精确
# 问题：数据更新需要重新索引
# 问题：无法执行精确的结构化查询

# coomia-dip: 结构化 Ontology 查询 + RAG 增强
# Agent 可以同时使用结构化查询和语义检索
result = await agent.query(
    "Transaction",
    filters={"amount": {"$gt": 100000}, "date": "2026-03-24"},
    # 精确的结构化查询——不依赖向量相似度
)

# 当需要非结构化数据时，也支持 RAG
context = await agent.semantic_search(
    "recent policy changes about large transaction reporting",
    knowledge_base="compliance_docs",
)

LangChain/AutoGen 从 PoC 到生产需要补齐的能力：
□ 持久化和崩溃恢复
□ 分布式事务
□ 权限控制
□ 审计日志
□ 监控告警
□ 多租户隔离
□ 资源限制
□ 灰度发布
□ 回滚机制

coomia-dip Agent Runtime 开箱即用：
✓ 所有以上能力原生支持

# LangChain: 无内置安全模型
# Agent 可以调用任何工具，没有权限边界
agent.run("Delete all customer records")  # 没有阻止机制

# coomia-dip: 多层安全
agent = OntologyAgent(
    permissions=["Customer.read"],     # 只读权限
    sandbox_id="sandbox-001",          # 沙箱隔离
    max_steps=50,                      # 步数限制
    max_cost=5.0,                      # 成本限制
    blocked_actions=["delete", "drop"], # 禁止的操作
)
# 尝试删除会被自动拦截

# AutoGen: 对话式多 Agent 协作
import autogen

assistant = autogen.AssistantAgent("assistant", llm_config=config)
critic = autogen.AssistantAgent("critic", llm_config=config)
user = autogen.UserProxyAgent("user")

user.initiate_chat(assistant, message="Analyze risk for portfolio X")
# 问题：Agent 之间通过自然语言对话，效率低
# 问题：没有结构化的任务分解和结果聚合

# coomia-dip: 结构化多 Agent 协作
from ontology_sdk.agent import AgentTeam

team = AgentTeam(
    name="risk_analysis_team",
    agents=[
        OntologyAgent(name="data_collector", permissions=["*.read"]),
        OntologyAgent(name="risk_analyzer", permissions=["Risk.read", "Risk.create"]),
        OntologyAgent(name="report_writer", permissions=["Report.create"]),
    ],
    workflow="sequential",  # sequential | parallel | dag
    coordination="orchestrated",
)

# 结构化的任务分解 + 结果聚合
result = await team.execute(
    task="Analyze risk for portfolio X and generate report",
    subtasks=[
        {"agent": "data_collector", "task": "Collect portfolio data"},
        {"agent": "risk_analyzer", "task": "Calculate risk metrics",
         "depends_on": ["data_collector"]},
        {"agent": "report_writer", "task": "Generate risk report",
         "depends_on": ["risk_analyzer"]},
    ],
)

# coomia-dip Agent 可以内部使用 LangChain 组件
class HybridAgent(OntologyAgent):
    async def execute_step(self, step):
        if step.requires_llm:
            # 使用 LangChain 的 LLM 编排能力
            chain = LangChainChain(llm=self._llm, tools=step.tools)
            llm_result = await chain.arun(step.prompt)

        # 使用 coomia-dip 的 Ontology 操作
        await self.ontology.update(step.object_type, step.object_id, llm_result)