Upsonic ai agent项目学习心得

   流程说明：
    - 创建Graph，一个Graph由TaskChain、TaskNode、决策节点DecisionLLM/DecisionFunc、运行状态State组成
    - 顺序执行Graph，将待执行节点放到execution_queue中
    - 每次执行时POP出队节点node，针对node节点类型进行不同的处理
    - 如果是TaskNode则直接_execute_task，并将执行结果输出存在运行状态state中
    - 如果是DecisionLLM，则生成decision prompt并调用llm，大模型决定执行哪个分支；如果是DecisionFunc则本地执行func，由执行结果决定执行哪个分支。根据分支类型将分支对应的TaskNode、TaskChain中的TaskNode、另外一个DecisionLLM、DecisionFunc 添加到队列头

   流程说明：
	- 根据task配置agent、或graph默认agent、或已运行节点的agent获取runner
	- runner可以分为Direct和AgentConfiguration两种，都需要get_or_create_client获取UpsonicClient. Direct获取的是level one的Call client，而AgentConfiguration获取的是Agent client或MultiAgent client
	- 获取到UpsonicClient后直接调用call就可以拿到返回结果response
	- 基于ReliabilityProcessor再对response进行处理，提高结果的准确性

   流程说明：
	- client 发起http call请求level one server 或 level two server
	- Upsonic server根据请求参数，llm_model、tools、prompt、system_prompt等统一调用agent_creator创建Pydantic Agent. 创建Pydantic Agent时会根据llm_model选择对应的Model类型如OpenAiModel、AnthropicModel、AsyncAnthropicBedrock。如果传了tools参数，则会发起http请求tool server，拿到tools列表，并进行名称匹配。对匹配的tool创建动态函数，并进行wrap形成Callable，最后通过Pydantic tool plain传入Agent. Pydantic ai执行调用tool时，会调用此Callable函数，并间接通过http call_tool调用tool server.
	- 获取到Pydantic Agent后直接调用run就可以得到结果result，对result进行拆封装成UpsonicClient需要的格式