format_class() API

Datei

toolboxv2/mods/isaa/module.py:1980

⚠️ WICHTIG: minitask() existiert NICHT

In ISAA V2 wurde minitask() entfernt. Die Funktionalität wurde durch format_class() ersetzt.

---

format_class()

Signatur: module.py:1980

async def format_class(
    self,
    format_schema: type[BaseModel] | None = None,
    task: str | None = None,
    agent_name: str = \"TaskCompletion\",
    auto_context: bool = False,
    request: RequestData | None = None,
    form_data: dict | None = None,
    data: dict | None = None,
    **kwargs,
) -> BaseModel

Parameter

Parameter	Typ	Default	Beschreibung
format_schema	type[BaseModel]	Pflicht	Pydantic-Model als Ausgabeformat
task	str	Pflicht	Prompt/Beschreibung für den Agent
agent_name	str	\"TaskCompletion\"	Welcher Agent soll formatieren
auto_context	bool	False	Automatisch Kontext hinzufügen
request	RequestData	None	HTTP Request Data
form_data	dict	None	Form-Daten
data	dict	None	Direkte Dict-Eingabe

Return

BaseModel Instance (Typ des übergebenen format_schema)

Logik (Code-Referenz)

# module.py:1982-1998
if request is not None or form_data is not None or data is not None:
    data_dict = (request.request.body if request else None) or form_data or data
    format_schema = format_schema or data_dict.get(\"format_schema\")
    task = task or data_dict.get(\"task\")
    agent_name = data_dict.get(\"agent_name\") or agent_name
    auto_context = auto_context or data_dict.get(\"auto_context\")

# Validierung
if format_schema is None or not task:
    return None

# Agent holen
agent = await self.get_agent(agent_name)

# An FlowAgent delegieren
return await agent.a_format_class(format_schema, task, auto_context=auto_context)

---

Beispiel: structuriertes JSON mit Pydantic

from pydantic import BaseModel
from typing import Optional

# 1. Output-Schema definieren
class UserProfile(BaseModel):
    name: str
    email: str
    age: Optional[int] = None
    tags: list[str] = []

# 2. Task formulieren
task = \"\"\"
Analysiere folgenden Text und extrahiere die Benutzerinformationen:

Input: \"Max Mustermann (max@example.com), 30 Jahre alt, interessiert an Python und AI.\"
\"\"\"

# 3. format_class aufrufen
isaa = app.get_mod(\"isaa\")
result: UserProfile = await isaa.format_class(
    format_schema=UserProfile,
    task=task,
    agent_name=\"TaskCompletion\"
)

# 4. Result nutzen
print(result.name)      # \"Max Mustermann\"
print(result.email)     # \"max@example.com\"
print(result.age)       # 30
print(result.tags)      # [\"Python\", \"AI\"]

---

API-Endpoint (HTTP)

format_class() ist auch als REST-API verfügbar:

POST /api/isaa/format_class
Content-Type: application/json

{
    \"format_schema\": \"UserProfile\",  // Schema-Name oder Definition
    \"task\": \"Extrahiere Daten aus...\",
    \"agent_name\": \"TaskCompletion\",
    \"auto_context\": false
}

Mit Request-Body

# Automatische Extraktion aus request.body
@app.post(\"/api/extract\")
async def extract_data(request: RequestData):
    return await isaa.format_class(request=request)

---

FlowAgent.a_format_class()

Datei: toolboxv2/mods/isaa/base/Agent/flow_agent.py

Die Methode wird an den FlowAgent delegiert:

async def a_format_class(
    self,
    format_schema: type[BaseModel],
    task: str,
    auto_context: bool = False
) -> BaseModel:
    # Generiert Prompt mit Schema-Beschreibung
    # Ruft LLM auf
    # Parst Response als format_schema
    ...

---

Vergleich: V1 minitask() → V2 format_class()

Feature	V1 minitask()	V2 format_class()
Input	Custom Object	Pydantic BaseModel
Output	String/Object	Pydantic Instance
Validation	Manuell	Automatisch via Pydantic
Type-Safety	Schwach	Stark (MyPy/Pyright)
API-Export	Nein	Ja (@export decorator)

---

Nächste Schritte

👉 Agent Management - Agents konfigurieren 👉 Chain System - Agents verketten