jd-opensource · shiyudawei · Nov 4, 2025
diff --git a/examples/shortest_path/instruction.md b/examples/shortest_path/instruction.md
@@ -0,0 +1,236 @@
+# 概述
+shortest_path_demo.py是一个基于 OxyGent 框架的多代理系统并且专注于网络最短路径计算与优化的示例，结合Google OR-Tools的求解能力与JoyCode的编码能力共同构建。该系统能够高效地解决各种网络拓扑中的最短路径问题，特别适用于通信网络、交通路线规划等场景。系统支持从Excel/CSV文件导入网络拓扑数据，计算指定节点间的最短路径，并提供可视化展示功能。
+# 核心功能
+- **多智能体系统**：基于oxygent框架实现的多智能体协作系统
+- **最短路径计算**：基于Google OR-Tools的min_cost_flow算法实现高效的最短路径计算
+- **网络数据导入**：支持从Excel/CSV文件导入网络拓扑数据
+- **路径可视化**：使用matplotlib和networkx生成网络拓扑图和最短路径可视化
+# 核心组件
+1. 最短路径算法模块 (shortest_path.py)
+    - 基于Google OR-Tools的min_cost_flow实现
+    - 支持基本最短路径、城市间最短路径和带约束的最短路径计算
+    - 提供路径可视化功能
+2. 智能体配置 (shortest_path_demo.py)
+    - 配置多智能体系统
+    - 设置LLM模型连接
+    - 启动应用
+# 技术栈
+**Python**：核心编程语言
+**Google OR-Tools**：提供最短路径算法实现
+**Oxygent**：多智能体系统框架
+**Pandas**：数据处理和Excel文件读取
+**Matplotlib & NetworkX**：网络可视化
+
+# 数据模型
+系统处理的网络拓扑数据主要包含以下字段：
+cities：节点/城市名称列表
+start_cities：边的起始节点
+end_cities：边的终止节点
+distances：边的距离/权重
+costs：边的成本（可选）
+如表格图片所示，一个网络拓扑例子（NSFNET）
+![image.png](https://s3.cn-north-1.jdcloud-oss.com/shendengbucket1/2025-10-30-15-018nX1LG0YP410rXyC.png)
+# 实现细节
+## 最短路径算法与可视化
+目前，最短路径算法实现的方案较多，启发式、线性规划等，这里基于Google OR-Tools的min_cost_flow方法实现最短路径的精确求解。此外，shortest_path.py 是一个工具文件，目的是为了在OxyGent中注册为Agent可以随时调用的工具，因此，shortest_path.py主要包含以下功能：
+**数据导入功能**：info_update()函数从Excel文件读取网络拓扑数据
+```python
+@shortest_path_tools.tool(description="根据excel更新cityies和distances信息")
+async def info_update(file_path, sheet_name=0):
+    # 读取 Excel 文件
+    df = pd.read_excel(file_path, sheet_name=sheet_name)
+    print(df)
+
+    # 遍历数据框中的每一列
+    for column in df.columns:
+        # 将每一列的数据存储到列表中
+        column_data[column] = df[column].dropna().tolist()
+
+    print(column_data)
+```
+**最短路径计算**：shortest_path()函数计算指定起点和终点间的最短路径
+```python
+@shortest_path_tools.tool(description="A tool that can calculate the shortest path between different points")
+async def shortest_path(start_city: str, end_city):
+    # 城市列表
+    city_to_index = {city: i for i, city in enumerate(column_data['cities'])}
+    print(start_city, end_city)
+
+    cities = column_data['cities']
+    start_cities = column_data['start_cities']
+    end_cities = column_data['end_cities']
+    distances = column_data['distances']
+    # 转换城市名称为索引
+    start_nodes = [city_to_index[city] for city in start_cities]
+    end_nodes = [city_to_index[city] for city in end_cities]
+    # 创建有向图求解器
+    sp_func = min_cost_flow.SimpleMinCostFlow()
+
+    # 添加每条边到图中 (注意：我们需要添加双向边，因为城市之间的道路是双向的)
+    for i in range(len(start_nodes)):
+        sp_func.add_arc_with_capacity_and_unit_cost(
+            start_nodes[i], end_nodes[i], 1, distances[i])
+        sp_func.add_arc_with_capacity_and_unit_cost(
+            end_nodes[i], start_nodes[i], 1, distances[i])
+
+    # 设置起点和终点的供应/需求
+    sp_func.set_node_supply(city_to_index[start_city], 1)  # 起点
+    sp_func.set_node_supply(city_to_index[end_city], -1)  # 终点
+
+    # 求解最短路径
+    start_time = time.time()
+    status = sp_func.solve()
+    end_time = time.time()
+
+    # 构建结果
+    result = {}
+    if status == min_cost_flow.SimpleMinCostFlow.OPTIMAL:
+        result["status"] = "optimal"
+        result["distance"] = sp_func.optimal_cost()
+        result["solve_time"] = end_time - start_time
+
+        # 遍历所有边，找出流量为 1 的边（即最短路径上的边）
+        path = []
+        path_cities = []
+        for i in range(sp_func.num_arcs()):
+            if sp_func.flow(i) > 0:
+                tail = sp_func.tail(i)
+                head = sp_func.head(i)
+                path.append((tail, head))
+                path_cities.append(f"{cities[tail]} -> {cities[head]}")
+
+        result["path"] = path
+        result["path_cities"] = path_cities
+        # 可视化城市路径
+        visualize_city_path(cities, start_cities, end_cities, distances, path)
+    else:
+        result["status"] = "not_optimal"
+
+    return result
+```
+**路径可视化**：visualize_city_path()函数生成网络拓扑和路径的可视化图像
+```python
+def visualize_city_path(cities, start_cities, end_cities, distances, path):
+    """
+    可视化城市图和最短路径
+    参数:
+        cities: 城市列表
+        start_cities: 起始城市列表
+        end_cities: 终止城市列表
+        distances: 距离列表
+        path: 最短路径上的边列表 (使用城市索引)
+    """
+    try:
+        # 创建图
+        G = nx.Graph()
+        # 添加节点
+        for city in cities:
+            G.add_node(city)
+        # 添加边和权重
+        for i in range(len(start_cities)):
+            G.add_edge(start_cities[i], end_cities[i], weight=distances[i])
+
+        # 创建位置字典
+        city_positions = nx.spring_layout(G, seed=42)
+        # 绘制图
+        plt.figure(figsize=(12, 10))
+        # 绘制所有边
+        nx.draw_networkx_edges(G, city_positions, alpha=0.3, width=1)
+        # 高亮显示最短路径上的边
+        path_edges = []
+        for u, v in path:
+            path_edges.append((cities[u], cities[v]))
+        nx.draw_networkx_edges(G, city_positions, edgelist=path_edges, width=3, edge_color='r')
+        # 绘制节点
+        nx.draw_networkx_nodes(G, city_positions, node_size=700, node_color='lightblue')
+        # 绘制节点标签
+        nx.draw_networkx_labels(G, city_positions, font_size=12, font_family='SimHei')
+        # 绘制边权重
+        edge_labels = nx.get_edge_attributes(G, 'weight')
+        nx.draw_networkx_edge_labels(G, city_positions, edge_labels=edge_labels, font_size=8)
+
+        plt.title("中国城市间最短路径", fontsize=16, fontfamily='SimHei')
+        plt.axis('off')
+        plt.tight_layout()
+        plt.savefig("city_shortest_path.png")
+        print("\n城市路径图已保存为 'city_shortest_path.png'")
+    except Exception as e:
+        print(f"可视化过程中出错: {e}")
+        print("跳过可视化步骤...")
+
+```
+
+## 智能体配置
+需要了解OxyGent如何使用的同学可以参考这篇神灯文章：[使用Ollama服务本地启动OxyGent演示案例](http://xingyun.jd.com/shendeng/article/detail/52491?forumId=0&jdme_router=jdme://web/202206081297?url%3Dhttp%3A%2F%2Fsd.jd.com%2Farticle%2F52491)。这里不再赘述OxyGent的配置方法。本示例使用了三个agent，分别为：
+- **shortest_path_agent**：负责最短路径计算。
+- **excel_agent**：负责excel文件读取操作，并且更新信息。
+- **master_agent**：作为主控智能体协调其他智能体。
+核心代码如下：
+```python
+import os
+from oxygent import MAS, Config, oxy, preset_tools
+from tools.shortest_path import shortest_path_tools
+
+## 注册LLM地址
+Config.set_agent_llm_model("default_llm")
+
+## 创建最短路径计算智能体
+def create_optimal_agent():
+    return oxy.ReActAgent(
+        name="shortest_path_agent",
+        desc="Agent for computing shortest path between different cities",
+        category="agent",
+        class_name="ReActAgent",
+        tools=["shortest_path_tools"],
+        llm_model="default_llm",
+        is_entrance=False,
+        is_permission_required=False,
+        is_save_data=True,
+        timeout=30,
+        retries=3,
+        delay=1,
+        is_multimodal_supported=False,
+        semaphore=2,
+    )
+## 注册智能体
+oxy_space = [
+    oxy.HttpLLM(
+        name="default_llm",
+        api_key=os.getenv("DEFAULT_LLM_API_KEY"),
+        base_url=os.getenv("DEFAULT_LLM_BASE_URL"),
+        model_name=os.getenv("DEFAULT_LLM_MODEL_NAME"),
+    ),
+    shortest_path_tools,
+    create_optimal_agent(),
+    oxy.ReActAgent(
+        name="excel_agent",
+        desc="A tool that can operate the file system",
+        tools=["shortest_path_tools"],
+    ),
+    oxy.ReActAgent(
+        is_master=True,
+        name="master_agent",
+        sub_agents=["excel_agent","shortest_path_agent"],
+    ),
+]
+## web启动
+async def main():
+    async with MAS(oxy_space=oxy_space) as mas:
+        await mas.start_web_service(first_query="What is the shortest path between N0 and N3 now?")
+
+if __name__ == "__main__":
+    import asyncio
+    asyncio.run(main())
+```
+# 示例
+启动应用：**python shortest_path_demo.py**
+使用的网络是是美国骨干网络拓扑USnet，包含24个节点（N0-N23），43条边连接。如下图所示，excel_agent读取在usnet.xlsx文件并且更新节点和网络路径信息。
+![image.png](https://s3.cn-north-1.jdcloud-oss.com/shendengbucket1/2025-10-30-15-28fjB22ccS6BOT28uWE.png)
+获取网络信息后，可以通过人为询问的方式获取两个节点之间的最短路径。
+![image.png](https://s3.cn-north-1.jdcloud-oss.com/shendengbucket1/2025-10-30-15-30kyChkV0zeL6jwnL.png)
+同时，在项目的文件夹下，也会生成对应的最短路径图。
+![image.png](https://s3.cn-north-1.jdcloud-oss.com/shendengbucket1/2025-10-30-15-33xnCpUXqpD33jesp15.png)
+
+
+# 总结
+OxyGent结合JoyCode的高效开发为大模型的应用提供了更多可能性。基于不同能力需求，用户可以随时打造出自己的千军万马！**shortest_path_demo**提供一个简单的应用场景示例，现实优化场景可能会面临较多限制与不确定因素，在大模型的辅助下，可最大化帮助开发人员简化问题难度，并降低操作学习成本。
diff --git a/examples/shortest_path/shortest_path_demo.py b/examples/shortest_path/shortest_path_demo.py
@@ -0,0 +1,51 @@
+import os
+from oxygent import MAS, Config, oxy
+from oxygent.shortest_path.shortest_path import shortest_path_tools
+
+Config.set_agent_llm_model("default_llm")
+
+def create_optimal_agent():
+    return oxy.ReActAgent(
+        name="shortest_path_agent",
+        desc="Agent for computing shortest path between different cities",
+        category="agent",
+        class_name="ReActAgent",
+        tools=["shortest_path_tools"],
+        llm_model="default_llm",
+        is_entrance=False,
+        is_permission_required=False,
+        is_save_data=True,
+        timeout=30,
+        retries=3,
+        delay=1,
+        is_multimodal_supported=False,
+        semaphore=2,
+    )
+oxy_space = [
+    oxy.HttpLLM(
+        name="default_llm",
+        api_key=os.getenv("DEFAULT_LLM_API_KEY"),
+        base_url=os.getenv("DEFAULT_LLM_BASE_URL"),
+        model_name=os.getenv("DEFAULT_LLM_MODEL_NAME"),
+    ),
+    shortest_path_tools,
+    create_optimal_agent(),
+    oxy.ReActAgent(
+        name="excel_agent",
+        desc="A tool that can read file information based on the Excel file path.",
+        tools=["shortest_path_tools"],
+    ),
+    oxy.ReActAgent(
+        is_master=True,
+        name="master_agent",
+        sub_agents=["excel_agent","shortest_path_agent"],
+    ),
+]
+
+async def main():
+    async with MAS(oxy_space=oxy_space) as mas:
+        await mas.start_web_service(first_query="")
+
+if __name__ == "__main__":
+    import asyncio
+    asyncio.run(main())
diff --git a/examples/shortest_path/usnet.xlsx b/examples/shortest_path/usnet.xlsx