AI养猫助手揭秘：猫箱1.31养宠功能背后的Agent技术原理

 手动记录示例
- 喂食时间：2026-04-09 08:00（猫粮20g）
- 疫苗日期：2025-06-15 接种三联（下次2026-06-15）
- 体重记录：4.2kg（2026-04-01）

微信备注/备忘录 → 人工计算疫苗周期 → 自行上网查症状 → 凭经验判断

智能猫砂盆 → 收集排泄数据 → 手动导出到Excel → 自己对比参考值

用户输入（自然语言）：
“提醒我下周三带猫咪去打疫苗”

↓ 模型判断需要调用工具

调用 calendar.create_event 函数
参数：{ title: "带猫咪打疫苗", date: "2026-04-16", type: "reminder" }

↓ 执行器实际调用日历API

返回结果：事件创建成功（事件ID: 12345）

↓ 模型生成回复

“好的，已为您设置提醒：下周三（4月16日）带猫咪打疫苗。”

import openai

 传统方案：单次问答，无状态，无工具调用
def traditional_answer(user_question: str) -> str:
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[{"role": "user", "content": user_question}]
    )
    return response.choices[0].message.content

 用户问：“我的猫今天吐了，怎么办？”
 模型答：“猫咪呕吐可能由多种原因引起...”（通用回答，无针对性）

import json
from datetime import datetime, timedelta
from typing import Dict, List

 模拟宠物健康数据（可来自智能猫砂盆、喂食器、摄像头）
pet_health_data = {
    "cat_id": "MaoMao_001",
    "daily_food_intake": 30,   克，正常40-50g
    "daily_water_intake": 80,   毫升，正常150-200ml
    "activity_level": 0.3,      正常0.5-0.7
    "last_meal": "2026-04-09 19:30",
    "vomiting_count_24h": 2,
    "weight_kg": 4.2,
    "vaccine_due": "2026-06-15"
}

 定义工具函数（Tool）
tools = {
    "get_pet_health_summary": lambda pet_id: pet_health_data,
    "calculate_vaccine_days_left": lambda due_date: (datetime.strptime(due_date, "%Y-%m-%d") - datetime.now()).days,
    "send_reminder": lambda title, date: print(f"[提醒] {title} 已设置于 {date}"),
    "analyze_health_trend": lambda data: {
        "status": "warning" if data["food_intake"] < 35 and data["vomiting_count"] > 0 else "normal",
        "suggestion": "建议今日减少喂食量，观察呕吐情况。如持续超过24小时，请咨询兽医。"
    }
}

 AI智能体核心：感知 → 规划 → 调用工具 → 生成回复
class PetCareAgent:
    def __init__(self, llm, tools: Dict, pet_id: str):
        self.llm = llm           大脑
        self.tools = tools       手脚
        self.memory = []         短期记忆
        self.pet_id = pet_id     当前宠物
    
    def perceive(self, user_input: str) -> Dict:
        """感知层：结合用户输入+历史记忆+传感器数据"""
         获取实时宠物数据（模拟）
        current_status = self.tools["get_pet_health_summary"](self.pet_id)
        return {
            "user_input": user_input,
            "pet_status": current_status,
            "history": self.memory[-5:]   最近5轮对话
        }
    
    def plan_and_act(self, perception: Dict) -> str:
        """规划与执行：LLM判断需要调用哪些工具"""
         第一步：LLM推理（决定做什么）
        prompt = f"""
        宠物状态：{json.dumps(perception['pet_status'], ensure_ascii=False)}
        用户问题：{perception['user_input']}
        
        请判断需要调用以下哪些工具：
        1. get_pet_health_summary - 获取宠物健康数据
        2. calculate_vaccine_days_left - 计算疫苗剩余天数
        3. send_reminder - 设置提醒
        4. analyze_health_trend - 分析健康趋势
        
        返回JSON格式：{{"tool_calls": ["工具名1", ...], "reasoning": "推理过程"}}
        """
        
         模拟LLM推理结果（实际调用LLM API）
        decision = {
            "tool_calls": ["analyze_health_trend", "send_reminder"],
            "reasoning": "宠物呕吐2次且进食量偏低，需要分析健康趋势；同时建议设置提醒持续观察"
        }
        
         第二步：执行工具调用
        results = []
        for tool_name in decision["tool_calls"]:
            if tool_name in self.tools:
                result = self.tools[tool_name](perception["pet_status"])
                results.append({tool_name: result})
        
         第三步：更新记忆
        self.memory.append({
            "user_input": perception["user_input"],
            "decision": decision,
            "results": results
        })
        
         第四步：生成最终回复
        final_prompt = f"""
        工具调用结果：{json.dumps(results, ensure_ascii=False)}
        请基于以上信息，生成一段给宠物主人的友好回复，包含具体建议和下一步行动。
        """
         return self.llm.generate(final_prompt)
        return "🔍 检测到MaoMao过去24小时内呕吐2次，且今日进食量（30g）低于正常水平。建议：1）暂停喂食4小时观察；2）确保充足饮水；3）如呕吐持续或出现嗜睡，请及时就医。已为您设置明日10:00复诊提醒。"

 使用示例
agent = PetCareAgent(llm=None, tools=tools, pet_id="MaoMao_001")
response = agent.plan_and_act(agent.perceive("我的猫今天吐了两次，精神不太好"))
print(response)