LangGraph+BrightData+PaperSearch的研究助理

LangGraph+BrightData+PaperSearch的研究助理

摘要：使用LangGraph的ReAct-Agent范式集成了BrightData和PaperSearch的MCP工具，通过搜索和爬取领英和学术网站，实现论文搜索和读取，学者信息提取，邮箱查找等功能。

链接：github.com/16Miku/Agen...

🚀 前言：我的 AI 助理"精神分裂"了

大家好，我是你们的技术博主。最近在开发 AI Agent 的时候，我遇到了一个很头疼的问题：如何让一个 Agent 既能做"正经事"，又能"好好聊天"？

• 当我让它分析论文时，我希望它给我一个结构清晰、字段分明的 JSON 报告。
• 当我让它抓取个人主页时，我也希望得到一份规整的结构化数据。
• 但当我只是想跟它说句"干得不错"时，我希望它能像个正常"人"一样回复我，而不是冷冰冰地甩给我一个空的 JSON 对象。

传统的 Agent 开发模式，比如用 response_format 强行规定输出格式，虽然能解决前两个问题，但却让 Agent 丧失了灵活性，变成了一个只会"填表"的机器人。这显然不是我们想要的"智能助理"。

经过一番探索，我找到了一种极其优雅的解决方案：把结构化输出本身，也变成一种"工具"！ 让 Agent 自己来决定什么时候该"填表"，什么时候该"聊天"。

今天，我就将手把手带大家，使用 LangGraph 和 Google 最新的 gemini-2.5-flash 模型，构建一个能够无缝切换 于学术研究 、信息抓取 和日常对话三种模式的"全能AI研究助理"。

---

🔥 核心思路：让"格式"成为一种可选工具

我们这次优化的核心思想，简单来说就是：不强迫，只引导。

我们不再粗暴地告诉 LLM："你必须用这个格式回复我！" 而是换一种更聪明的方式：

1. 我们定义好想要的报告格式，比如 PaperAnalysis（论文分析报告）和 LinkedinProfile（领英主页报告）。
2. 但我们不把它们作为强制的 response_format，而是把它们伪装成两个特殊的"工具"交给 Agent。
3. 我们在 System Prompt 中明确告诉 Agent："你的工具箱里有搜索、抓取等普通工具，还有两个特殊的'报告生成'工具。当你需要产出正式报告时，请在收集完所有信息后，调用这两个工具来格式化你的最终答案。"

这样做的好处是显而易见的：

• 高度灵活：Agent 掌握了主动权，可以根据对话上下文自主判断是否需要结构化输出。
• 任务解耦：将"信息收集"和"格式化输出"两个步骤分开，Agent 的思考过程（Chain of Thought）更加清晰，有助于完成复杂任务。
• 自然交互：对于普通聊天，Agent 可以直接回复，交互体验大大提升。

理论说完了，让我们 show the code!

---

🛠️ 实战演练：三步构建全能助理

步骤 1: 环境准备与依赖安装

首先，我们需要在 Colab 环境中安装所有必需的库。这里我们用到了 langgraph 核心框架，langchain-google-genai 用于驱动 Gemini 模型，以及 beautifulsoup4 等辅助库。

⚠️ 注意： 每次安装或升级库之后，为了让新版本生效，请务必在 Colab 菜单栏点击 "代码执行程序" -> "重启会话"。

# --- 步骤 1: 安装与重启 ---
!pip install --upgrade --quiet langchain langchain-core langchain-mcp-adapters langchain-google-genai langgraph beautifulsoup4
print("✅ 库已升级。请务必从菜单栏点击 '代码执行程序' -> '重启会话'，然后再继续运行下面的代码！")

步骤 2: 编写"灵魂"代码

这是我们整个项目的核心代码。我会逐一拆解，让你看懂每一部分的功能。

2.1 导入与密钥配置

常规操作，导入所有需要的模块，并从 Colab 的 userdata 中加载我们的 API 密钥。这种方式比直接把密钥写在代码里更安全。

# 2.1: 导入
import asyncio
import os
from typing import List, Union
from dataclasses import dataclass
import nest_asyncio
nest_asyncio.apply() # 允许在Jupyter/Colab环境中嵌套运行asyncio事件循环

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
from pydantic import BaseModel, Field # 导入 Pydantic 用于定义我们的"伪工具"

# 2.2: 加载密钥
from google.colab import userdata
os.environ["GEMINI_API_KEY"] = userdata.get('GEMINI_API_KEY')
BrightData_API_KEY = userdata.get('BrightData_API_KEY')
Paper_Search_API_KEY = userdata.get('Paper_Search_API_KEY')

2.2 🔥 核心优化点：创建"伪工具"🔥

这里就是我们整个方案的"魔法"所在！我们使用 Pydantic 的 BaseModel 来定义两个类：PaperAnalysis 和 LinkedinProfile。

• BaseModel: Pydantic 的基础类，能让我们像定义一个普通的 Python 类一样来定义数据结构。
• Field : 用于为类的属性添加额外的描述信息。这一点至关重要 ，因为 LLM 正是通过读取这些 description 来理解每个字段的含义以及整个"工具"的作用。
• 类的文档字符串 (docstring) : 比如 """当用户要求...调用此工具来格式化最终报告。"""，这是对整个工具最直接的描述，Agent 会优先读取它来判断工具的用途。

# ================================================================= #
#  🔥🔥🔥 核心优化点 1: 创建专门用于结构化输出的"伪工具" 🔥🔥🔥
# ================================================================= #
# 我们不再将 dataclass 作为 response_format，而是将它们包装成 Pydantic 模型，
# 并作为"工具"提供给 Agent。这让 Agent 可以自己决定何时调用它们。

class PaperAnalysis(BaseModel):
    """当用户要求对一篇学术论文进行详细分析时，调用此工具来格式化最终报告。"""
    title: str = Field(description="论文的完整标题")
    authors: List[str] = Field(description="论文的核心作者列表")
    research_field: str = Field(description="根据内容总结出的研究方向")
    summary: str = Field(description="对论文核心贡献的详细总结")
    author_contact: str = Field(description="从抓取内容中找到的作者邮箱或个人主页，如果找不到则为 '联系方式未找到'")

class LinkedinProfile(BaseModel):
    """当用户要求提取领英个人主页信息时，调用此工具来格式化最终报告。"""
    full_name: str = Field(description="用户的全名")
    headline: str = Field(description="用户的头衔或当前职位")
    location: str = Field(description="用户所在的地理位置")
    summary: str = Field(description="个人简介部分的总结")
    experience: List[str] = Field(description="一个包含所有工作经历的列表")
    contact: str = Field(description="从抓取内容中找到的邮箱或个人主页，如果找不到则为 '联系方式未找到'")

2.3 设计"行动指南"：System Prompt

一个好的 System Prompt 是 Agent 的"灵魂"。在这里，我们明确地为 Agent 设定了角色、能力，以及最重要的------行动指南（ReAct 思考模式）。

请注意，我们特地强调了 PaperAnalysis 和 LinkedinProfile 是特殊的"报告生成"工具 ，并指导 Agent 在收集完信息后必须调用它们来生成报告。这种明确的指令对于引导 Agent 行为至关重要。

# --- 步骤 2.3: 设计一个更通用的 System Prompt ---
SYSTEM_PROMPT = """
你是一个全能的AI研究助理。你可以处理多种任务，包括分析学术论文和查询个人资料。

**你的能力 (工具箱):**
*   你拥有学术搜索、通用网页搜索和网页抓取等一系列工具。
*   **特别注意:** 你还拥有两个特殊的"报告生成"工具：`PaperAnalysis` 和 `LinkedinProfile`。

**你的行动指南 (ReAct 思考模式):**
1.  **分析与规划:** 理解用户的请求。如果用户的最终目的是生成一份结构化的报告（比如论文分析或个人资料总结），你的最终行动**必须**是调用 `PaperAnalysis` 或 `LinkedinProfile` 工具。
2.  **信息收集:** 使用你的其他工具（如 `search_arxiv`, `scrape_as_markdown`）来收集填充报告所需的所有信息。
3.  **生成报告:** 当你收集到足够的信息后，调用相应的报告生成工具 (`PaperAnalysis` 或 `LinkedinProfile`)，将收集到的信息作为参数传入。
4.  **普通对话:** 如果用户只是进行普通聊天或提出简单问题，直接用自然语言回答即可，无需调用报告工具。
"""

2.4 Agent 的组装与测试

现在，万事俱备，我们来组装 Agent。

1. 初始化工具集 ：我们通过 MultiServerMCPClient 加载了来自 BrightData 和 Paper Search 的真实工具集。
2. 注入"伪工具" ：我们将刚才定义的 PaperAnalysis 和 LinkedinProfile 类，像普通工具一样，追加到 all_tools 列表中。
3. 创建 Agent ：调用 create_agent 函数。请注意，我们没有传递 response_format 参数！这就是我们赋予 Agent 自由的关键。
4. 多任务测试：我们设计了三个连续的测试用例，覆盖了论文分析、个人资料查询和普通聊天这三种场景。

# --- 步骤 2.4: 定义主异步函数 ---
async def main():
    print("🚀 开始配置通用 AI Agent...")

    # --- 初始化工具集 ---
    # MultiServerMCPClient 用于连接和管理多个外部工具服务
    mcp_client = MultiServerMCPClient({
        "bright_data": {
            "url": f"https://mcp.brightdata.com/mcp?token={BrightData_API_KEY}&pro=1",
            "transport": "streamable_http",
        },
        "Paper_Search": {
            "url": f"https://server.smithery.ai/@adamamer20/paper-search-mcp-openai/mcp?api_key={Paper_Search_API_KEY}",
            "transport": "streamable_http",
        }
    })

    # 异步获取所有可用的真实工具
    real_tools = await mcp_client.get_tools()

    # 将我们的"伪工具"（Pydantic模型）加入到工具列表中
    all_tools = real_tools + [PaperAnalysis, LinkedinProfile]
    print(f"✅ 成功加载 {len(all_tools)} 个工具。")

    # --- 配置 LLM ---
    # 使用 Google 的 gemini-2.5-flash 模型，性价比很高
    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", google_api_key=os.environ["GEMINI_API_KEY"])
    print("✅ LLM 配置完成: gemini-2.5-flash")

    # --- 配置内存 ---
    # 使用内存存储会话历史，方便进行多轮对话
    checkpointer = InMemorySaver()
    print("💾 内存已配置: InMemorySaver")

    # --- 步骤 2.5: 创建 Agent，注意这次不指定 response_format ---
    print("🤖 正在创建通用 Agent...")
    agent_executor = create_agent(
        model=llm,
        tools=all_tools, # 传入包含真实工具和"伪工具"的完整列表
        system_prompt=SYSTEM_PROMPT,
        checkpointer=checkpointer
        # 我们移除了 response_format，给予 Agent 更大的自由度
    )
    print("✅ Agent 创建成功！")

    # --- 步骤 2.6: 进行多任务测试 ---
    print("\n" + "="*50)
    print("🚀 开始多任务对话测试！")
    print("="*50)

    # 为本次对话创建一个唯一的线程ID，以保持上下文
    conversation_config = {"configurable": {"thread_id": "multi-task-thread-1"}}

    # --- 任务1: 论文分析 ---
    user_input_1 = "请使用 'search_arxiv' 工具搜索 'https://arxiv.org/abs/2409.09046'里的这篇论文，并用 'read_arxiv_paper' 工具读取论文内容。帮我提取论文主要内容和提取作者信息，尤其是作者们的邮箱。"
    print(f"👤 用户 (任务1): {user_input_1}\n")
    response_1 = await agent_executor.ainvoke({"messages": [("user", user_input_1)]}, config=conversation_config)
    final_answer_1 = response_1['messages'][-1].content
    # ... (打印部分省略) ...

    # --- 任务2: 个人资料查询 ---
    user_input_2 = "干得好！现在，请帮我查找吴恩达的领英主页信息，并以结构化形式返回。"
    print(f"👤 用户 (任务2): {user_input_2}\n")
    response_2 = await agent_executor.ainvoke({"messages": [("user", user_input_2)]}, config=conversation_config)
    final_answer_2 = response_2['messages'][-1].content
    # ... (打印部分省略) ...

    # --- 任务3: 普通聊天 ---
    user_input_3 = "谢谢你，你真是个好帮手。"
    print(f"👤 用户 (任务3): {user_input_3}\n")
    response_3 = await agent_executor.ainvoke({"messages": [("user", user_input_3)]}, config=conversation_config)
    final_answer_3 = response_3['messages'][-1].content
    # ... (打印部分省略) ...

    # --- 统一输出最终结果 ---
    print("\n" + "---" * 20)
    print("最终成果展示:")
    print("---" * 20)
    print("\n[任务一：论文分析结果]\n")
    print(final_answer_1)
    print("\n[任务二：个人资料查询结果]\n")
    print(final_answer_2)
    print("\n[任务三：普通聊天结果]\n")
    print(final_answer_3)


# --- 步骤 2.7: 运行主函数 ---
if __name__ == "__main__":
    asyncio.run(main())

步骤 3: 见证奇迹！分析运行结果

让我们看看这个聪明的 Agent 是如何处理我们抛给它的三个不同任务的。

任务 1: 论文分析 📖

用户输入 : 请使用 'search_arxiv' 工具搜索 'https://arxiv.org/abs/2409.09046'里的这篇论文...帮我提取论文主要内容和提取作者信息...

Agent 回答:

好的，我已经读取了这篇论文。

**论文主要内容摘要：**

大型语言模型（LLMs）在人工智能法律和政策应用中面临知识过时、幻觉和复杂语境中推理能力差的局限性。检索增强生成（RAG）系统通过整合外部知识来解决这些问题...为高风险法律和政策应用提供了一个强大且适应性强的解决方案。

**作者信息：**

*   **作者：** Rishi Kalra, Zekun Wu, Ayesha Gulley, Airlie Hilliard, Xin Guan, Adriano Koshiyama, Philip Treleaven
*   **所属机构：** Holistic AI 和 University College London

论文中并未直接提供作者的邮箱地址...为了获取作者的邮箱，我需要进行一次网页搜索。请问您是否希望我尝试搜索作者的邮箱？

结果分析 : Agent 准确地执行了 search_arxiv 和 read_arxiv_paper 工具，并用 Markdown 格式清晰地总结了论文内容和作者信息。有趣的是，它没有 调用我们预设的 PaperAnalysis 工具。这恰恰证明了它的智能和灵活性！它判断当前场景下，一个格式化的文本回复已经足够清晰，并且在发现信息不完整（找不到邮箱）时，它没有强行填表，而是主动与用户沟通，请求下一步指令。非常棒！

任务 2: 个人资料查询 🧑‍💼

用户输入 : 干得好！现在，请帮我查找吴恩达的领英主页信息，并以结构化形式返回。

Agent 回答:

好的，这是吴恩达（Andrew Ng）的领英主页信息：

**全名:** Andrew Ng
**头衔:** DeepLearning.AI 创始人；AI Fund 管理合伙人；LandingAI 执行主席
**地点:** 美国加利福尼亚州帕洛阿尔托
**个人简介:** Andrew Ng 是人工智能领域的杰出人物...他的个人主页是 http://andrewng.org。
**经历:**
*   DeepLearning.AI 创始人 (2017 年 6 月 - 至今)
*   AI Fund 管理合伙人 (2018 年 1 月 - 至今)
*   ...
**联系方式:** https://www.linkedin.com/in/andrewyng

结果分析 : 完美！ 这次 Agent 的表现堪称典范。

1. 它理解了"吴恩达"和"领英主页"。
2. 调用 search_engine 工具找到了正确的 URL。
3. 调用 web_data_linkedin_person_profile 工具抓取了页面信息。
4. 最关键的一步 ：它调用了我们定义的 LinkedinProfile 这个"伪工具"，将抓取到的非结构化信息，自动填充到了我们预设的字段中。
5. 最后，它将这个结构化的结果以用户友好的格式呈现出来。

这完美地展示了我们的核心策略是多么成功！

任务 3: 普通聊天 😊

用户输入 : 谢谢你，你真是个好帮手。

Agent 回答:

不客气！很高兴能帮到您。如果您还有其他问题或需要进一步的帮助，请随时告诉我。

结果分析 : 正如我们所期望的，Agent 在面对简单的感谢时，给出了一个自然、礼貌的回复。它没有调用任何工具，更没有去尝试匹配 PaperAnalysis 或 LinkedinProfile，因为它清楚地知道，这只是一个简单的对话。这证明了我们的 Agent 真正实现了"能屈能伸"，在不同场景下游刃有余。

---

总结与展望

通过这次实践，我们成功使用LangGraph的ReAct-Agent范式集成了BrightData和PaperSearch的MCP工具，通过搜索和爬取领英和学术网站，实现了具备论文搜索和读取，学者信息提取，邮箱查找等功能的 AI 助理。其成功的关键，就在于我们转变了思路：

将"强制的输出格式"转变为"可选的格式化工具"，把最终决策权交还给 Agent。

这种基于 Pydantic 模型和 ReAct 模式的"伪工具"方法，不仅让我们的 Agent 更加智能和灵活，也为我们未来构建更复杂的、多功能的 Agent 系统提供了一个极具价值的设计范式。

希望今天的分享能对你有所启发。如果你对这个项目有任何疑问或者更好的想法，欢迎在评论区留言讨论！

---

附：完整项目源码

（为了方便大家复制代码，这里再次贴出完整的、可直接运行的代码）

# --- 步骤 1: 安装与重启 (同前) ---
!pip install --upgrade --quiet langchain langchain-core langchain-mcp-adapters langchain-google-genai langgraph beautifulsoup4
print("✅ 库已升级。请务必从菜单栏点击 '代码执行程序' -> '重启会话'，然后再继续运行下面的代码！")



# --- 步骤 2: 完整代码 ---

# 2.1: 导入
import asyncio
import os
from typing import List, Union
from dataclasses import dataclass
import nest_asyncio
nest_asyncio.apply()

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
# from langchain_core.pydantic_v1 import BaseModel, Field # 导入 Pydantic 用于动态工具
from pydantic import BaseModel, Field


# 2.2: 加载密钥
from google.colab import userdata
os.environ["GEMINI_API_KEY"] = userdata.get('GEMINI_API_KEY')
BrightData_API_KEY = userdata.get('BrightData_API_KEY')
Paper_Search_API_KEY = userdata.get('Paper_Search_API_KEY')

# ================================================================= #
#  🔥🔥🔥 核心优化点 1: 创建专门用于结构化输出的"伪工具" 🔥🔥🔥
# ================================================================= #
# 我们不再将 dataclass 作为 response_format，而是将它们包装成 Pydantic 模型，
# 并作为"工具"提供给 Agent。这让 Agent 可以自己决定何时调用它们。

class PaperAnalysis(BaseModel):
    """当用户要求对一篇学术论文进行详细分析时，调用此工具来格式化最终报告。"""
    title: str = Field(description="论文的完整标题")
    authors: List[str] = Field(description="论文的核心作者列表")
    research_field: str = Field(description="根据内容总结出的研究方向")
    summary: str = Field(description="对论文核心贡献的详细总结")
    author_contact: str = Field(description="从抓取内容中找到的作者邮箱或个人主页，如果找不到则为 '联系方式未找到'")

class LinkedinProfile(BaseModel):
    """当用户要求提取领英个人主页信息时，调用此工具来格式化最终报告。"""
    full_name: str = Field(description="用户的全名")
    headline: str = Field(description="用户的头衔或当前职位")
    location: str = Field(description="用户所在的地理位置")
    summary: str = Field(description="个人简介部分的总结")
    experience: List[str] = Field(description="一个包含所有工作经历的列表")
    contact: str = Field(description="从抓取内容中找到的邮箱或个人主页，如果找不到则为 '联系方式未找到'")

# --- 步骤 2.3: 设计一个更通用的 System Prompt ---
SYSTEM_PROMPT = """
你是一个全能的AI研究助理。你可以处理多种任务，包括分析学术论文和查询个人资料。

**你的能力 (工具箱):**
*   你拥有学术搜索、通用网页搜索和网页抓取等一系列工具。
*   **特别注意:** 你还拥有两个特殊的"报告生成"工具：`PaperAnalysis` 和 `LinkedinProfile`。

**你的行动指南 (ReAct 思考模式):**
1.  **分析与规划:** 理解用户的请求。如果用户的最终目的是生成一份结构化的报告（比如论文分析或个人资料总结），你的最终行动**必须**是调用 `PaperAnalysis` 或 `LinkedinProfile` 工具。
2.  **信息收集:** 使用你的其他工具（如 `search_arxiv`, `scrape_as_markdown`）来收集填充报告所需的所有信息。
3.  **生成报告:** 当你收集到足够的信息后，调用相应的报告生成工具 (`PaperAnalysis` 或 `LinkedinProfile`)，将收集到的信息作为参数传入。
4.  **普通对话:** 如果用户只是进行普通聊天或提出简单问题，直接用自然语言回答即可，无需调用报告工具。
"""

# --- 步骤 2.4: 定义主异步函数 ---
async def main():
    print("🚀 开始配置通用 AI Agent...")

    # --- 初始化工具集 ---
    mcp_client = MultiServerMCPClient({
    "bright_data": {
        "url": f"https://mcp.brightdata.com/mcp?token={BrightData_API_KEY}&pro=1",
        "transport": "streamable_http",
    },
    "Paper_Search": {
        "url": f"https://server.smithery.ai/@adamamer20/paper-search-mcp-openai/mcp?api_key={Paper_Search_API_KEY}",
        "transport": "streamable_http",
    }
    })


    real_tools = await mcp_client.get_tools()

    # 将我们的"伪工具"加入工具列表
    all_tools = real_tools + [PaperAnalysis, LinkedinProfile]
    print(f"✅ 成功加载 {len(all_tools)} 个工具。")

    # --- 配置 LLM ---
    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", google_api_key=os.environ["GEMINI_API_KEY"])
    print("✅ LLM 配置完成: gemini-2.5-flash")

    # --- 配置内存 ---
    checkpointer = InMemorySaver()
    print("💾 内存已配置: InMemorySaver")

    # --- 步骤 2.5: 创建 Agent，注意这次不指定 response_format ---
    print("🤖 正在创建通用 Agent...")
    agent_executor = create_agent(
        model=llm,
        tools=all_tools,
        system_prompt=SYSTEM_PROMPT,
        checkpointer=checkpointer
        # 我们移除了 response_format，给予 Agent 更大的自由度
    )
    print("✅ Agent 创建成功！")

    # --- 步骤 2.6: 进行多任务测试 ---
    print("\n" + "="*50)
    print("🚀 开始多任务对话测试！")
    print("="*50)

    conversation_config = {"configurable": {"thread_id": "multi-task-thread-1"}}

    # --- 任务1: 论文分析 ---
    user_input_1 = "请使用 'search_arxiv' 工具搜索 'https://arxiv.org/abs/2409.09046'里的这篇论文，并用 'read_arxiv_paper' 工具读取论文内容。帮我提取论文主要内容和提取作者信息，尤其是作者们的邮箱。"
    print(f"👤 用户 (任务1): {user_input_1}\n")
    response_1 = await agent_executor.ainvoke({"messages": [("user", user_input_1)]}, config=conversation_config)
    final_answer_1 = response_1['messages'][-1].content
    print("\n" + "🤖" * 25)
    print("🤖 Agent 的回答 (任务1):")
    print(final_answer_1)
    print("🤖" * 25 + "\n")

    # --- 任务2: 个人资料查询 ---
    user_input_2 = "干得好！现在，请帮我查找吴恩达的领英主页信息，并以结构化形式返回。"
    print(f"👤 用户 (任务2): {user_input_2}\n")
    response_2 = await agent_executor.ainvoke({"messages": [("user", user_input_2)]}, config=conversation_config)
    final_answer_2 = response_2['messages'][-1].content
    print("\n" + "🤖" * 25)
    print("🤖 Agent 的回答 (任务2):")
    print(final_answer_2)
    print("🤖" * 25 + "\n")

    # --- 任务3: 普通聊天 ---
    user_input_3 = "谢谢你，你真是个好帮手。"
    print(f"👤 用户 (任务3): {user_input_3}\n")
    response_3 = await agent_executor.ainvoke({"messages": [("user", user_input_3)]}, config=conversation_config)
    final_answer_3 = response_3['messages'][-1].content
    print("\n" + "🤖" * 25)
    print("🤖 Agent 的回答 (任务3):")
    print(final_answer_3)
    print("🤖" * 25)

# --- 步骤 2.7: 运行主函数 ---
if __name__ == "__main__":
    asyncio.run(main())