reasoning_content 示例

语言：中文 | English | 日本語 | 四川话

DeepSeek 等模型可在响应中返回 reasoning_content（思考过程）和 content（面向用户的答案）。pagent 通过 RunEnd 承载这两部分，流式场景下通过 ReasoningDelta / TextDelta 事件分别推送。

详见事件说明：事件流

用法

下面展示直接 API 写法。可运行示例统一放在 examples/README.md。

非流式：读取 RunEnd

end = await agent.run(question, reasoning_effort="medium")

print(end.reasoning_content)  # 思考过程（可能为空，视模型而定）
print(end.content)            # 最终答案

# session 里 assistant 消息也会带上 reasoning_content
assert agent.session.messages[-1].get("reasoning_content") == end.reasoning_content

注意：请打印 end.content，不要 print(end)，否则会看到整段 RunEnd(...) repr。

流式：arun_events

answer_started = False
async for event in agent.arun_events(question, reasoning_effort="medium"):
    match event:
        case ReasoningDelta(text=t):
            print(t, end="", flush=True)   # 推理流
        case TextDelta(text=t):
            if not answer_started:
                print("\nanswer: ", end="", flush=True)
                answer_started = True
            print(t, end="", flush=True)       # 正文流
        case RunEnd():
            print()

agent.arun() 仍只产出正文字符串（内部过滤 TextDelta），与 CLI 行为一致。

题目说明

英文（默认） — 三盒标签逻辑题，鼓励分步推理。

中文（--zh） — 鸡兔同笼：35 个头、94 只脚，求鸡兔各几只（标准解：鸡 23，兔 12）。

可在 reasoning_common.py 中修改 QUESTION_EN / QUESTION_ZH。

reasoning_effort

与 CLI 的 /effort 相同，通过 run_kwargs 传给模型，例如：

await agent.run("...", reasoning_effort="medium")
await agent.arun_events("...", reasoning_effort=0.5)

是否返回 reasoning_content 取决于 Provider 与模型，pagent 只负责透传与写入 session。