哇！我已經更新了兩個禮拜了，為我自己鼓掌一下哈哈。
在先前的 13 篇，我們陸續完成了**「模型提供」、「工具調用」、「模型調度」、「system prompt 注入」、「輸入」、「渲染」、「ollama 管理」這七大項目**，今天這篇，我們終於要來把它們給組裝起來了，也就是要來做最重要的 main.py 啦！

初始化

初始化部分，首先我們先建立 Agent 物件，建立前我們先回顧一下 Agent 類別：

# src/meowgent/agent.py
...
class Agent():
    def __init__(self, provider: LLMProvider, max_turns: int = 20):
	    ...

要傳入的有 LLMProvider 物件，以及最大工具調用次數（這裡直接採用預設），接著回顧一下 OllamaProvider 物件：

# src/meowgent/providers/ollama_provider.py
...
class OllamaProvider(LLMProvider):
    def __init__(self, model_name: str):
        ...

這邊要傳入的則是模型名稱，由於我們還沒做模型選擇的邏輯，這裡直接指定一個就好，所以我們的 Agent 物件 - model 這樣建立：

#src/meowgent/cli/main.py
from agent import Agent
from providers import OllamaProvider
from cli import get_input, get_tool_approval, CLIRenderer, start_ollama, clean_ollama
import sys

if __name__ == "__main__":
    
    model = Agent(OllamaProvider(model_name="qwen-3.8"))

然後，要來建立渲染器物件，看一下 CLIRenderer 類別：

# src/meowgent/cli/renderers.py
...
class CLIRenderer:
	def __init__(self):
		...

太好啦！不需要傳入任何東西，建立好渲染器物件以後我們來用 initialization() 初始化介面：

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	cli = CLIRenderer() 

    cli.initialization() # 初始介面

再來要來處理 ollama 的進程：
這裡上一篇才說過，應該還蠻熟悉的，start_ollama() 回傳了是否有被啟用的布林值以及可選的 Popen 物件。

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	success, process = start_ollama() # 啟動 ollama 進程

    if not success:
        cli.console.print(cli.render_end("ollama 未被正常啟動"))

        sys.exit(1) # 異常退出

接收到的狀態，我們判斷如果進程未啟用，調用 render_end() 來顯示結束渲染，並用 sys.exit()，傳入的「 1 」指的是「異常結束」。

如果是 sys.exit(0) 則是「正常結束」，而其實，不是只有 1 代表異常，異常的代碼非常廣泛，從 1 ~ 255 都是，而其中 1 ~ 63 屬於我們開發者可以自行定義的，其他則是有對應的錯誤的，有興趣可以自己去查查，這裡就不細說了。

而這個結束代碼是在做什麼的呢？
這個代碼事實上不是給人看，而是給電腦看的，舉個例子，還記得上一篇我們有講到「終端語法」吧！
但我們說的是管道 - |，這裡來介紹另外兩個 - && 和 ||，前者是「前面的指令成功才執行後面的」，而後者則相反，是「前面的指令失敗才執行後面的」。
舉例來說：

uv run python -m cli.main && echo "任務圓滿完成！"

就是在返回代碼 0 時在終端輸出（echo 就相當於 print()）。

uv run python -m cli.main || echo "警告：意外終止！"

這個則是在輸出代碼 1 時輸出。

工具審核

看到 chat() 的定義：

# src/meowgent/agent.py
...
def chat(
	self,
	user_input: str,
	tool_approval: Callable[[str, dict], bool]
) -> Iterator[LLMResponse]:
	...

要求要傳入一個「函數」，函數中要傳入字串（工具名）和字典（參數）的，回傳布林值（審核結果），而這個函數就是用來呼叫審核渲染（get_tool_approval）並回傳審核結果的。
我們來實作這個函數吧！

首先，先把 Live 清空（分隔線的部分），接著需要暫停 Live 的渲染。

因為 Live 和 Questionary 在同一時間只能有一人接管螢幕，所以必須「暫時」讓出 Live 的控制權。

然後就可以呼叫 get_tool_approval() 獲取審核結果，最後重啟 Live 並回傳結果。

而為什麼這裡要用 try...finally 呢？
這裡先來說 finally 是什麼，它跟 try...except 語法是類似的，在功能上，它保證了在任何情況下一定會執行 finally 縮排內的代碼，也就是說，就算是程式崩潰了，也會把清理的部分給跑完。

這是因為，在 Questionary 問問題的過程中，可以 Ctrl - C 來終止問答（預設直接拒絕調用），而這樣會觸發 KeyboardInterrupt 例外，如果沒用 finally，而是直接把重啟 Live 放在下面，它就會被直接跳過，也就是 Live 沒有被重新打開，就無法繼續正常渲染了。

而關於 Ctrl - C 終止問答的部分，這邊也深入講一下，Ctrl - C 的捕捉是在 .ask() 內部的，而它會直接回傳 None，也就是 approval 收到的是 None，但沒關係，後面再判定時，會被當作 False 看。

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	    def ask_tool_approval(tool_name: str, tool_args: dict) -> bool:
        live.update("") # 清除分隔線，否則調用許可會出現在分隔線下方
        live.stop() # 停止 live 更新

        try:
            approval = get_tool_approval(tool_name, tool_args) # 呼叫取得輸入

        finally:

            live.start() # 重啟 live 更新

        return approval

進入對話迴圈

進程關閉

進入迴圈前還記得上一篇除了用來啟動進程的 start_ollama() 還做了 clean_ollama() 嗎？
想想看 clean_ollama() 要放在哪裡呢？沒錯，就是最後面！直覺上可能會想要這樣放：

...

... = start_ollama() # 這裡啟動了程序

... # 中間的渲染部分

clean_ollama(process) # 清理

但這會出現一個問題，如果運行途中，程式突然被停止了呢（例如手動 ctrl-C 或者是意外崩潰）不就清不到了嗎，也就形成了之前說過的「孤兒進程」。
這時我們就又要用到 try...finally 了。

所以整個對話迴圈都會被包在 try 底下，而清理在 finally 下：

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	try:
		# 等等要實作的渲染部分
		
	finally:
		clean_ollama(process) # 清理

輸入對話及 Live 物件的建立

關於對話的迴圈，使用的是 while True: 這樣簡單的迴圈，並沒有在迴圈上做結束程式的控制。

結束的控制我們會在下一篇用「指令」的方式來實現。

進入迴圈後，第一件事就是「獲取用戶的輸入」，調用的是先前寫好的 get_input()，並用 strip() 把輸入清理乾淨，然後我們需要做一個邏輯判斷，防止空白的輸入也傳入到模型中浪費算力。

strip() 用於清除頭尾的空格、換行符號、製表符（做表格用的）。

接著還要建立 ResponseStreamer 物件，用的是 get_response_streamer()。

這裡建立的 ResponseStreamer 物件我們不在「初始化」的部分做，是因為 ResponseStreamer 類別中涉及到了 self.cache 及 self.last_len 的「重置」問題。
雖然每次對話結束後都會進行 clean() 來做重置，但是建立物件的耗時是非常短的，對效能也不影響，所以這裡我更偏向於每輪迴圈都重新建立一個物件，如果未來我們在這部分加入了其他功能（例如模型回覆中途 Ctrl-C 停止模型輸出）也不用對原有邏輯做太多改動，是「防禦性編程」的展現。

當然，如果你真的想放在初始化的部分建立物件，對於「現階段」來說是沒有問題的！

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	try:

		 while True: # 對話迴圈

            user_input = get_input().strip()

            if not user_input:
                continue # 空的 -> 跳過此輪
            
            response_streamer = cli.get_response_streamer()
    
    finally:
	    ...

建立 ResponseStreamer 物件的時機放在判斷空輸入後面，可以省得根本沒有輸入，白白建立了物件。

接下來，透過 with 來建立 Live 物件：

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	try:

		 while True:
			...
			
			with Live(
				console=cli.self.console,
				refresh_per_second=10,
				vertical_overflow="crop"
			) as live:
	
	finally:
		...

刷新率設定每秒 10 次（如果你的電腦非常強，每秒可以產出 10 個以上的 chunk 當然可以調高點），而之前有聊過，溢出時直接裁切，不用 Live 渲染，結束後用 Console。

分類做渲染

來回顧一下，Agent 物件的 chat() 回傳的資料類別 - LLMResponse：

# src/meowgent/providers/base.py
...
@dataclass
class LLMResponse:
    status: Literal[
	    "response",
	    "thinking",
	    "thinking_done",
	    "tool_calling",
	    "tool_executed",
	    "tool_rejected"
    ]
    ...

六種狀態分別對應到了 update_content()、render_single_line_streamer()、render_thinking_summary()、render_single_line_streamer()、render_tool_approval_result()（"tool_executed" 和 "tool_rejected" 共用）。

其中 update_content() 需透過 get_response_streamer() 建立的 ResponseStreamer 物件 - response_streamer 呼叫，也就是我們剛才上面做過的 response_streamer = cli.get_response_streamer()，其餘的都是直接透過 cli 物件呼叫。

調用 Agent 類別的 chat() 來獲取模型輸出的 chunk，依照以上六種狀態對應到的函數做分配，最後記得 clean()：

#src/meowgent/cli/main.py
...
if __name__ == "__main__":
	...
	
	try:
		 while True:
			...
			
			with Live ...:
			
				for stream_content in model.chat(
					user_input=user_input,
					tool_approval=ask_tool_approval
				):
                    # ask_tool_approval() 的執行權在 agent.py 上
					
					# 輸出模型回答內容
					if stream_content.status == "response":
                        response_streamer.update_content(
	                        full_text=stream_content.content,
	                        live=live
                        )
                        
                    # 輸出推理內容    
                    elif stream_content.status == "thinking":
                        live.update(
	                        cli.render_single_line_streamer(stream_content.content)
                        )
                        
					# 清除推理內容，輸出推理總結
                    elif stream_content.status == "thinking_done":
                        live.update("") # 清除推理內容及隔線
                        cli.console.print(
	                        cli.render_thinking_summary(stream_content.think_time)
                        )
                        
                    # 輸出工具參數生成跑馬燈    
                    elif stream_content.status == "tool_calling":
                        live.update(
	                        cli.render_single_line_streamer(stream_content.content)
                        )

                    elif stream_content.status == "tool_executed": # 輸出工具調用成功
                        response_streamer.reset(live=live) # 歸零長度記帳，文字不被吞掉
                        cli.console.print(
	                        cli.render_tool_approval_result(
		                        stream_content.tool_name,
		                        True
	                        )
                        )
                        
					# 輸出工具調用失敗
                    elif stream_content.status == "tool_rejected":
                        response_streamer.reset(live=live) # 歸零長度記帳，文字不被吞掉
                        cli.console.print(
	                        cli.render_tool_approval_result(
		                        stream_content.tool_name,
		                        False
	                        )
                        )

                response_streamer.clean(live=live)
	finally:
		...

看到比較特別的地方是 "thinking_done" 時，我們要先清除一下 Live 版面的內容（推理內容）。

還有是在 "tool_executed" 和 "tool_rejected" 要重置紀錄（因為輸出的工具內容會被算進 self.last_len 記進 self.cache）。

太棒啦！到這裡，我們終於可以正式地讓程式跑起來啦～
不過，這離一個真正好用的 Agent 還有一段距離，下一篇我們來做幾個簡單的「指令功能」。