增加图QA问答
This commit is contained in:
+23
@@ -34,6 +34,29 @@ openai:
|
||||
#model_name: Qwen/Qwen3-8B
|
||||
#model_name: deepseek-ai/DeepSeek-V3
|
||||
|
||||
openai_qa:
|
||||
temperature: 0
|
||||
api_keys:
|
||||
- sk-gycpzfjfxldpmqmqvrtgtvtpusnsrscowhscqfbppmjdlzoi
|
||||
- sk-lhvfliriyohnaspzuoddgulmdiovpbjcdmfdfdvghapprfru
|
||||
- sk-tzxcxzberpdpvszhjfyikepjlgslbtgssypxpmwllgithtwz
|
||||
- sk-ybhbyjkzdydsllxredzntqdyrderxighdieiayudcubvhxsw
|
||||
- sk-xtjzktvgrkzikkvetzygzozfyjxzgasednowyjqjeudfqiha
|
||||
- sk-ufjdohciujtmpfwrrqhiocufexdzqpiotnjwzhbumcpvkpcw
|
||||
- sk-nvnuzkdgxwzvibtuymwhatfajnerekgsbieqmqadjaqyhkob
|
||||
- sk-erdnqkazveyiaojrpojawtwlxpnrikhedurlphmyviaixyrg
|
||||
- sk-xhddshwxrhejbzitozgieightaecdeozqzdgypmedzdydthr
|
||||
- sk-czilnjaxqwicwoyvfaxgzvqcjhmdzpwvzhbxvnqnvaeocojk
|
||||
|
||||
api_key: sk-xlrnesfcuwrpevdwbuhthivpygwyzwbxxsyvhzzwrkpzjduk
|
||||
api_base: https://api.siliconflow.cn/v1
|
||||
#api_version: "" # 可选，某些API版本需要指定
|
||||
#organization: your_organization_id # 可选
|
||||
api_type: openai # 可选，默认为 openai；如果用 Azure 则为 azure
|
||||
#model_name: Qwen/Qwen2.5-72B-Instruct
|
||||
#model_name: Qwen/Qwen3-8B
|
||||
model_name: deepseek-ai/DeepSeek-V3
|
||||
|
||||
openai_coder:
|
||||
temperature: 0
|
||||
api_keys:
|
||||
|
||||
+22
-1
@@ -1,3 +1,24 @@
|
||||
import os
|
||||
|
||||
#os.environ["OTEL_EXPORTER_OTLP_ENDPOINT"] = 'http://10.1.6.34:4318'
|
||||
#os.environ["OTEL_SERVICE_NAME"] = 'web/worker'
|
||||
#os.environ["OTEL_TRACE_SAMPLING_RATIO"] = '1'
|
||||
|
||||
import phoenix as px
|
||||
from phoenix.otel import register
|
||||
from openinference.instrumentation.langchain import LangChainInstrumentor
|
||||
|
||||
# configure the Phoenix tracer
|
||||
tracer_provider = register(
|
||||
endpoint="http://10.1.6.34:6006/v1/traces",
|
||||
project_name="streamlt-app", # Default is 'default'
|
||||
auto_instrument=True, # See 'Trace all calls made to a library' below
|
||||
verbose=True
|
||||
)
|
||||
#tracer = tracer_provider.get_tracer(__name__)
|
||||
LangChainInstrumentor(tracer_provider=tracer_provider).instrument(skip_dep_check=False)
|
||||
|
||||
|
||||
import streamlit as st
|
||||
import json
|
||||
import os
|
||||
@@ -230,7 +251,7 @@ def load_session_state():
|
||||
|
||||
|
||||
# 测试指标查询
|
||||
@st.cache_data(ttl=60) # 缓存结果1分钟
|
||||
@st.cache_data(ttl=5) # 缓存结果5分钟
|
||||
def generate_indicator_code(query: str) -> str:
|
||||
"""生成指标代码"""
|
||||
if not query.strip():
|
||||
|
||||
+62
-36
@@ -45,9 +45,40 @@ logger_names = ["httpx", "openai", "langsmith.client", "neo4j", "urllib3", "http
|
||||
for name in logger_names:
|
||||
setup_logger(name)
|
||||
|
||||
#from langfuse import Langfuse
|
||||
#from langfuse.langchain import CallbackHandler
|
||||
|
||||
|
||||
from src.code_executor import CodeExecutor
|
||||
from src.config import Config
|
||||
|
||||
#langfuse = Langfuse(
|
||||
# public_key="pk-lf-4c2b8e97-dd44-41be-bd35-a643cdc8d778",
|
||||
# secret_key="sk-lf-d00b0882-cd91-4df7-b3a7-658d9d394568",
|
||||
# host="http://10.1.6.34:3000"
|
||||
#)
|
||||
|
||||
#langfuse_handler = CallbackHandler()
|
||||
langfuse_handler = None
|
||||
|
||||
import os
|
||||
|
||||
# Update this with your self-hosted endpoint
|
||||
os.environ["PHOENIX_COLLECTOR_ENDPOINT"] = "http://10.1.6.34:6006/v1/traces"
|
||||
import phoenix as px
|
||||
from phoenix.otel import register
|
||||
from openinference.instrumentation.langchain import LangChainInstrumentor
|
||||
|
||||
# configure the Phoenix tracer
|
||||
tracer_provider = register(
|
||||
endpoint="http://10.1.6.34:6006/v1/traces",
|
||||
project_name="my-llm-app", # Default is 'default'
|
||||
auto_instrument=True, # See 'Trace all calls made to a library' below
|
||||
verbose=True
|
||||
)
|
||||
#tracer = tracer_provider.get_tracer(__name__)
|
||||
LangChainInstrumentor(tracer_provider=tracer_provider).instrument(skip_dep_check=False)
|
||||
|
||||
# 页面配置
|
||||
st.set_page_config(
|
||||
page_title="博微造价工程数据问答系统",
|
||||
@@ -74,10 +105,13 @@ def initialize_components():
|
||||
from src.document_loader import load_file
|
||||
from src.neo4j_raw_retriever import Neo4jRawRetriever
|
||||
from src.embedding_client import EmbeddingClient
|
||||
from langchain_neo4j import Neo4jGraph
|
||||
from src.engineeringqaagent import EngineeringQAAgent
|
||||
|
||||
# 初始化LLM客户端
|
||||
llm_client = MultiAPIKeyChatOpenAI(config.openai)
|
||||
llm_client_coder = MultiAPIKeyChatOpenAI(config.openai_coder)
|
||||
llm_client_qa = MultiAPIKeyChatOpenAI(config.openai_qa)
|
||||
|
||||
# 初始化提示词管理器
|
||||
prompt_manager = PromptManager()
|
||||
@@ -99,6 +133,16 @@ def initialize_components():
|
||||
# 初始化知识检索器
|
||||
knowledge_retriever = Neo4jRawRetriever(config.neo4j_conf)
|
||||
|
||||
# 初始化Neo4jGraph
|
||||
graph = Neo4jGraph(
|
||||
url=config.neo4j_conf.get("uri"),
|
||||
username=config.neo4j_conf.get("username"),
|
||||
password=config.neo4j_conf.get("password")
|
||||
)
|
||||
|
||||
# 初始化EngineeringQAAgent
|
||||
qa_agent = EngineeringQAAgent(llm_client_qa, embedding_client, graph, None, callbacks=[langfuse_handler] if langfuse_handler else None)
|
||||
|
||||
# 初始化对话管理器
|
||||
dialog_manager = DialogManager(
|
||||
llm_client,
|
||||
@@ -108,8 +152,10 @@ def initialize_components():
|
||||
knowledge_retriever,
|
||||
prompt_manager,
|
||||
)
|
||||
st.session_state.dialog_manager = dialog_manager
|
||||
|
||||
st.session_state.dialog_manager = dialog_manager
|
||||
st.session_state.qa_agent = qa_agent
|
||||
print('初始化组件完成')
|
||||
return code_executor, config
|
||||
|
||||
# 初始化组件
|
||||
@@ -161,45 +207,25 @@ async def process_user_question(user_question):
|
||||
thinking_placeholder = st.empty()
|
||||
thinking_placeholder.markdown("🤔 思考中...")
|
||||
|
||||
# 理解用户问题并获取重写结果
|
||||
# 使用EngineeringQAAgent处理用户问题
|
||||
try:
|
||||
# 获取对话管理器
|
||||
dialog_manager = st.session_state.get('dialog_manager')
|
||||
if not dialog_manager:
|
||||
raise Exception("对话管理器未初始化")
|
||||
# 获取QA代理
|
||||
qa_agent = st.session_state.get('qa_agent')
|
||||
if not qa_agent:
|
||||
raise Exception("问答代理未初始化")
|
||||
|
||||
rewritten_results = await dialog_manager.understand_user_question_stream(user_question)
|
||||
if not rewritten_results:
|
||||
thinking_placeholder.markdown("抱歉，没有找到符合要求的数据，请尝试其他问题。")
|
||||
st.session_state.messages.append({"role": "assistant", "content": "抱歉，没有找到符合要求的数据，请尝试其他问题。"})
|
||||
st.session_state.processing = False
|
||||
return
|
||||
# 使用EngineeringQAAgent处理问题
|
||||
answer = qa_agent.ask(user_question)
|
||||
|
||||
# 保存重写结果到会话状态
|
||||
st.session_state.rewritten_results = rewritten_results
|
||||
import re
|
||||
|
||||
cleaned_answer = re.sub(r'`{3}', '', answer, flags=re.DOTALL) # 跨行匹配
|
||||
|
||||
# 显示回答
|
||||
thinking_placeholder.markdown(cleaned_answer)
|
||||
|
||||
# 显示选择项
|
||||
thinking_placeholder.empty()
|
||||
result_container = st.container()
|
||||
with result_container:
|
||||
st.markdown("**系统为您理解并改写了以下访问请求，请选择：**")
|
||||
|
||||
# 为每个重写结果创建按钮
|
||||
cols = st.columns(min(len(rewritten_results), 3))
|
||||
for idx, (rewritten, knowledge) in enumerate(rewritten_results):
|
||||
col_idx = idx % 3
|
||||
with cols[col_idx]:
|
||||
if st.button(f"选项 {idx+1}: {rewritten[:50]}...", key=f"option_{idx}"):
|
||||
st.session_state.selected_rewritten = rewritten
|
||||
st.session_state.selected_knowledge = knowledge
|
||||
st.rerun()
|
||||
|
||||
# 将选择提示添加到会话历史
|
||||
options_text = "**系统为您理解并改写了以下访问请求，请选择：**\n\n"
|
||||
for idx, (rewritten, _) in enumerate(rewritten_results):
|
||||
options_text += f"{idx+1}. {rewritten}\n"
|
||||
|
||||
st.session_state.messages.append({"role": "assistant", "content": options_text})
|
||||
# 将回答添加到会话历史
|
||||
st.session_state.messages.append({"role": "assistant", "content": answer})
|
||||
|
||||
except Exception as e:
|
||||
thinking_placeholder.markdown(f"处理问题时出错: {str(e)}")
|
||||
|
||||
@@ -21,6 +21,10 @@ class Config:
|
||||
def openai_coder(self):
|
||||
return self._config.get("openai_coder", {})
|
||||
|
||||
@property
|
||||
def openai_qa(self):
|
||||
return self._config.get("openai_qa", {})
|
||||
|
||||
@property
|
||||
def bowei_api_docs_path(self):
|
||||
return self._config.get("bowei_api_docs_path", "./data/bowei_api_docs.md")
|
||||
|
||||
@@ -0,0 +1,169 @@
|
||||
from langchain_neo4j import GraphCypherQAChain, Neo4jGraph
|
||||
from langchain.chains import RetrievalQA, LLMChain
|
||||
from langchain_core.runnables import RunnableSequence
|
||||
from langchain.agents import initialize_agent, Tool
|
||||
from langchain.agents import AgentType
|
||||
from langchain.memory import ConversationBufferMemory
|
||||
from langchain_community.chat_message_histories import ChatMessageHistory
|
||||
from langchain_community.chat_models import ChatOpenAI
|
||||
from langchain.prompts import PromptTemplate
|
||||
from typing import Any
|
||||
|
||||
class EngineeringQAAgent:
|
||||
def __init__(self, llm_client, embedding_client, graph: Neo4jGraph, business_retriever, callbacks=None):
|
||||
"""
|
||||
:param llm_client: 聊天大模型实例，如 ChatOpenAI
|
||||
:param embedding_client: 嵌入模型实例，如 OpenAIEmbeddings（本类未直接使用，但保留）
|
||||
:param graph: Neo4jGraph实例，连接工程知识图谱
|
||||
:param business_retriever: 通用业务知识库的Retriever对象
|
||||
"""
|
||||
self.llm = llm_client.llm
|
||||
self.embedding = embedding_client
|
||||
self.business_retriever = business_retriever
|
||||
self.callbacks = callbacks
|
||||
self.kwargs = {}
|
||||
|
||||
if self.callbacks:
|
||||
self.kwargs = {"callbacks": self.callbacks }
|
||||
|
||||
CYPHER_GENERATION_TEMPLATE = """Task:Generate Cypher statement to query a graph database.
|
||||
Instructions:
|
||||
Use only the provided relationship types and properties in the schema.
|
||||
Do not use any other relationship types or properties that are not provided.
|
||||
Schema:
|
||||
{schema}
|
||||
Note: Do not include any explanations or apologies in your responses.
|
||||
Do not respond to any questions that might ask anything else than for you to construct a Cypher statement.
|
||||
Do not include any text except the generated Cypher statement.
|
||||
|
||||
The question is:
|
||||
{question}"""
|
||||
|
||||
CYPHER_GENERATION_PROMPT = PromptTemplate(
|
||||
input_variables=["schema", "question"], template=CYPHER_GENERATION_TEMPLATE
|
||||
)
|
||||
|
||||
# 工程知识图谱查询链
|
||||
self.engineering_qa = GraphCypherQAChain.from_llm(
|
||||
llm=self.llm,
|
||||
graph=graph,
|
||||
verbose=True,
|
||||
allow_dangerous_requests=True,
|
||||
cypher_prompt=CYPHER_GENERATION_PROMPT,
|
||||
**self.kwargs
|
||||
)
|
||||
|
||||
# Chain of Thought提示模板和链
|
||||
cot_prompt = PromptTemplate(
|
||||
input_variables=["question"],
|
||||
template=(
|
||||
"你是一个专业的电力造价工程助理。请先将用户的问题拆分成多个子问题，"
|
||||
"分别检索相关的通用业务知识和工程数据知识库，最后综合回答用户。\n\n"
|
||||
"用户问题：{question}\n\n"
|
||||
"请给出拆分的子问题列表和每个子问题的检索计划，"
|
||||
"然后给出最终综合回答。\n\n"
|
||||
"思考过程："
|
||||
)
|
||||
)
|
||||
self.cot_chain = RunnableSequence(
|
||||
cot_prompt | self.llm
|
||||
).with_config(
|
||||
verbose=True,
|
||||
**self.kwargs
|
||||
)
|
||||
|
||||
# 定义Agent工具
|
||||
self.tools = [
|
||||
Tool(
|
||||
name="EngineeringData",
|
||||
func=self.engineering_qa.invoke,
|
||||
description="用于查询具体工程数据相关问题"
|
||||
),
|
||||
Tool(
|
||||
name="BusinessKnowledge",
|
||||
func=self._business_qa,
|
||||
description="用于查询电力造价行业通用业务知识"
|
||||
),
|
||||
]
|
||||
|
||||
# 多轮对话记忆
|
||||
message_history = ChatMessageHistory()
|
||||
self.memory = ConversationBufferMemory(
|
||||
chat_memory=message_history, memory_key="chat_history", return_messages=True)
|
||||
|
||||
# 初始化Agent，支持多轮对话和工具调用
|
||||
self.agent = initialize_agent(
|
||||
self.tools,
|
||||
self.llm,
|
||||
agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
|
||||
memory=self.memory,
|
||||
verbose=True,
|
||||
**self.kwargs
|
||||
)
|
||||
|
||||
def _business_qa(self, query: str) -> str:
|
||||
if not self.business_retriever:
|
||||
return "通用业务知识库未配置。"
|
||||
business_qa = RetrievalQA(
|
||||
llm=self.llm,
|
||||
retriever=self.business_retriever,
|
||||
return_source_documents=False,
|
||||
**self.kwargs
|
||||
)
|
||||
return business_qa.invoke(query)
|
||||
|
||||
def ask(self, question: str) -> str:
|
||||
# 1. 使用CoT链拆分问题和规划检索
|
||||
cot_output = self.cot_chain.invoke(question)
|
||||
|
||||
# 2. 简单示例：先调用业务知识库，再调用工程数据知识库
|
||||
business_answer = self._business_qa(question)
|
||||
engineering_answer = self.engineering_qa.run(question)
|
||||
|
||||
# 3. 综合回答
|
||||
final_answer = (
|
||||
"根据通用业务知识库，得到的信息是：\n"
|
||||
f"{business_answer}\n\n"
|
||||
"根据工程数据知识库，得到的信息是：\n"
|
||||
f"{engineering_answer}\n\n"
|
||||
"综合以上信息，回答用户问题如下：\n"
|
||||
f"{cot_output}"
|
||||
)
|
||||
return final_answer
|
||||
|
||||
|
||||
# ------------------ 使用示例 ------------------
|
||||
|
||||
if __name__ == "__main__":
|
||||
import os
|
||||
import sys
|
||||
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
|
||||
|
||||
from src.config import Config
|
||||
from src.multi_llm_client import MultiAPIKeyChatOpenAI
|
||||
from src.embedding_client import EmbeddingClient
|
||||
|
||||
config = Config()
|
||||
|
||||
# 初始化图数据库连接
|
||||
graph = Neo4jGraph(
|
||||
url=config.neo4j_conf.get("uri"),
|
||||
username=config.neo4j_conf.get("username"),
|
||||
password=config.neo4j_conf.get("password")
|
||||
)
|
||||
|
||||
# 初始化LLM和Embedding
|
||||
llm = MultiAPIKeyChatOpenAI(config.openai_qa)
|
||||
embedding = EmbeddingClient(config.embedding)
|
||||
|
||||
# 初始化通用业务知识向量库Retriever（示例中未配置）
|
||||
business_vectorstore = None # 例如 Chroma(collection_name="business_knowledge")
|
||||
business_retriever = None # business_vectorstore.as_retriever() if business_vectorstore else None
|
||||
|
||||
# 创建Agent实例
|
||||
agent = EngineeringQAAgent(llm, embedding, graph, business_retriever)
|
||||
|
||||
# 交互示例
|
||||
question = "工程里有几个项目划分，每个项目划分的名字分别是什么"
|
||||
answer = agent.ask(question)
|
||||
print("回答：", answer)
|
||||
+3
-178
@@ -71,23 +71,13 @@ def project_get_calculate_function():
|
||||
quantity = result_dict['数量']
|
||||
|
||||
if status:
|
||||
return {
|
||||
"code": 200,
|
||||
"message": 'ok',
|
||||
"status": True,
|
||||
"data": quantity
|
||||
}
|
||||
return result_dict
|
||||
else:
|
||||
return {
|
||||
"code": 500,
|
||||
"message": message,
|
||||
"status": False,
|
||||
"data": quantity
|
||||
}
|
||||
return result_dict
|
||||
|
||||
# 执行规则
|
||||
- 参数必须从用户问题或上下文信息中提取。
|
||||
- 在代码函数内部生成功能说明，在函数外禁止生成任何注释或解释或非代码内容。
|
||||
- 为函数内部代码生成流程注释，并使用logger进行日志输出，在函数外禁止生成任何注释或解释或非代码内容。
|
||||
- 输出代码中必须以def project_get_calculate_function() -> dict函数作为入口函数,该函数返回字典包含：'code'、'status'、'message'、'data'四个字段。
|
||||
- 必须确保生成的代码可以直接执行，代码要注意进行各类容错检查。
|
||||
- 'data'字段通常要求是浮点或整型值，除非用户要求返回其他类型，同时函数执行过程中发生错误，'data'字段也必须为0，并在message说明错误原因。
|
||||
@@ -184,168 +174,3 @@ Cypher查询语句：MATCH (item:ProjectDivisionItem)\nWHERE item.name CONTAINS
|
||||
rewrite_prompt_template=rewrite_prompt_template,
|
||||
cypher_conversion_prompt=cypher_conversion_prompt,
|
||||
)
|
||||
|
||||
@dataclass
|
||||
class CodeExecutorPrompts:
|
||||
understand_prompt: ChatPromptTemplate
|
||||
code_gen_prompt: ChatPromptTemplate
|
||||
code_fix_prompt: ChatPromptTemplate
|
||||
rewrite_prompt_template: ChatPromptTemplate
|
||||
cypher_conversion_prompt: ChatPromptTemplate # 新增Cypher转换提示模板
|
||||
|
||||
|
||||
class PromptManager:
|
||||
def __init__(self):
|
||||
self.prompts = self._init_prompts()
|
||||
|
||||
def _init_prompts(self) -> CodeExecutorPrompts:
|
||||
understand_prompt = ChatPromptTemplate.from_template(
|
||||
"""
|
||||
你是一名电力造价业务专家，请基于以下示意工程文件业务结构，将用户自然语言问题改写成专业查询语句：
|
||||
|
||||
**示意工程文件业务结构**：
|
||||
{business_structure}
|
||||
|
||||
**改写规则**：
|
||||
1. **定位目标对象**：仅从示意工程文件业务结构中识别核心对象（如 `ProjectDivisionTree`→项目划分树、`FeeScheduleItem`→费用表）。
|
||||
2. **提取条件**：从用户输入中解析关键条件（如名称、量、类型），用【】标注变量。
|
||||
3. **构建专业语句**：格式为：`在[目标对象]中查找【条件】的项。`
|
||||
- 使用业务术语（如“项目划分项”而非“项目”）。
|
||||
- 条件需明确属性（如【名称】、【量】、【类型】）。
|
||||
4. **精确映射结构**：若用户查询层级（如“叶节点”），需在条件中体现。
|
||||
|
||||
**用户输入**：{user_input}
|
||||
**改写输出**：（仅输出改写后的语句）
|
||||
"""
|
||||
)
|
||||
|
||||
code_gen_prompt = ChatPromptTemplate.from_template(
|
||||
"""
|
||||
你是一个专业的Python工程师。我会给你一个用户问题，你需要将其转换为对应的Python代码
|
||||
|
||||
用户问题:
|
||||
{user_request}
|
||||
|
||||
上下文信息:
|
||||
{context}
|
||||
|
||||
工程数据访问库:
|
||||
{bowei_api_docs}
|
||||
|
||||
# 工作流程
|
||||
1. 从用户问题中提取关键信息（节点路径、节点类型、节点名称等）
|
||||
2. 根据"用户问题"和"上下文信息"选择最匹配的"工程数据访问库"中的函数和对象属性
|
||||
3. 生成可直接执行的完全满足用户输入问题要求功能效果的Python函数代码
|
||||
|
||||
# 输出格式（必须严格遵循）
|
||||
def project_get_calculate_function():
|
||||
project = ProjectBuilder.build()
|
||||
result_dict = project.[SELECTED_METHOD]([PARAMETERS])
|
||||
status = result_dict.get('status', False)
|
||||
message = result_dict.get('message', '')
|
||||
code = result_dict.get('data', '')
|
||||
data = result_dict.get('data', [])
|
||||
logger.info(f"status {{status}} message: {{message}}")
|
||||
if status:
|
||||
return result_dict
|
||||
else:
|
||||
return result_dict
|
||||
|
||||
# 执行规则
|
||||
- 参数必须从用户问题或上下文信息中提取
|
||||
- 输出代码中必须以def project_get_calculate_function() -> dict函数作为入口函数
|
||||
- 必须确保生成的代码可以直接执行，代码要注意进行各类错误检查，出错采用抛出异常方式，说明详细信息
|
||||
- 为函数内部代码生成流程注释，并使用logger进行日志输出
|
||||
- ProjectToolkit 类中涉及项目划分的函数已考虑在其及其子孙项目划分下查找，所以无需生成递归子项目划分的代码
|
||||
- 如果文本中包含范围编码格式则需要进行编码展开，如'YX2-1~7'展开为‘YX2-1/YX2-2/YX2-3/YX2-4/YX2-5/YX2-6/YX2-7’
|
||||
"""
|
||||
)
|
||||
|
||||
code_fix_prompt = ChatPromptTemplate.from_template(
|
||||
"""
|
||||
|
||||
你是一个专业的Python工程师。我会给你一段错误python代码和错误信息，你需要帮我修复这段出错的代码
|
||||
|
||||
已执行代码:
|
||||
{code}
|
||||
|
||||
代码执行报错信息:
|
||||
{error}
|
||||
|
||||
你的任务是：
|
||||
1. 根据"已执行代码"和"代码执行报错信息"来对“已执行代码”和函数调用参数进行修改，修复执行错误
|
||||
2. 如果错误信息中是代码的逻辑出现错误，那么就需要对代码本身整体结构进行修改
|
||||
3. 如果是代码中参数出现问题了，那么就需要结合错误信息中的帮助信息（helper_info）来对代码总的参数进行修改
|
||||
4. 修复后的代码应该完整，可以直接执行，并且能够返回查询结果
|
||||
|
||||
注意：
|
||||
- 如果文本中包含范围编码格式则需要进行编码展开，如'YX2-1~7'展开为‘YX2-1/YX2-2/YX2-3/YX2-4/YX2-5/YX2-6/YX2-7’
|
||||
- 必须只输出最终的Python代码，不要添加任何解释、注释、推理过程或自然语言描述。
|
||||
- 不要以“以下是修正后的代码”、“修改如下”等语句开头。
|
||||
- 不要输出任何其他无关的内容。
|
||||
- 输出格式必须完全符合指定的函数模板。
|
||||
- 如果无法根据已有信息进行修改，请原样返回原始代码。
|
||||
- 禁止在代码前加上```python字样
|
||||
- 禁止在代码后加上```字样
|
||||
|
||||
请输出你修补后的代码：
|
||||
""")
|
||||
|
||||
rewrite_prompt_template = ChatPromptTemplate.from_template(
|
||||
"""
|
||||
您是一个AI查询改写助手。基于给定的原始查询和上下文知识，生成一个精确的改写查询。步骤：
|
||||
1. 从上下文知识的`labels`提取对象类型，翻译为中文。
|
||||
2. 从`properties`选择对象标识：优先用`path`值，若无则用`name`值。
|
||||
3. 智能映射原始查询的属性名称：
|
||||
- 如果属性名称是上下文属性的缩写、省略或同义词，映射到实际属性名称（如“人工费”可能映射到“费率”或“合价含税”）。
|
||||
- 如果无法映射，保留原始名称。
|
||||
4. 保留原始查询的额外操作（如计算指令）。
|
||||
5. 输出格式：“获取[对象标识][对象类型]的[属性]属性，[额外操作]”。
|
||||
|
||||
示例参考：
|
||||
- 输入：原始问题="查找名称中包含“工程”的项目划分项，并返回其人工费乘以1000的值。", 上下文知识=...
|
||||
- 输出="获取[安装/架空输电线路本体工程/基础工程/基础工程材料工地运输]项目划分项的人工费，并乘以1000的值"
|
||||
|
||||
现在，处理以下输入：
|
||||
- 原始问题：{user_input}
|
||||
- 上下文知识：{context}
|
||||
""")
|
||||
|
||||
cypher_conversion_prompt = ChatPromptTemplate.from_template(
|
||||
"""
|
||||
你是一名电力造价业务专家，负责将用户自然语言问题中需要访问的对象识别出来，并生成针对该对象的NEO4J知识图谱的Cypher查询语句，获取该对象的全部信息。知识图谱基于从文件“获取[安装/架空输电线路本体工程]项目划分项的单位.”中读取的层级关联结构构建。该文件包含用反斜杠分割的多个字符串（如“安装/架空输电线路本体工程”），每个字符串表示一个完整的层级路径，路径部分用斜杠分隔，对应于知识图谱中ProjectDivisionItem节点的层级关系。路径映射规则：每个路径部分（如“安装”）是一个ProjectDivisionItem节点，父子关系通过关系类型`:CHILD_OF`连接，形成从根节点到叶节点的层级结构。
|
||||
|
||||
示例业务结构：
|
||||
{business_structure}
|
||||
|
||||
用户问题：
|
||||
{user_input}
|
||||
|
||||
改写规则：
|
||||
识别目标层级: 从用户输入中解析层级路径，例如字符串“安装/架空输电线路本体工程”映射为：根节点(name: '安装') -[:CHILD_OF]-> 子节点(name: '架空输电线路本体工程')。
|
||||
识别目标对象：仅从业务结构中识别如下类型：ProjectDivisionItem、ProjectAttributeSet、FeeSchedule、FeeItem的核心对象。对象类型必须精确映射到结构中的节点标签（例如，使用 ProjectDivisionItem 而非“项目划分项”）。
|
||||
提取查询条件：从用户输入中解析关键条件（如名称、量、类型、值、层级等），条件应基于对象属性（如 name、quantity、type），注意区分查找子串和相等的区别。如果条件涉及层级路径（如路径中包含特定部分），需提取路径部分作为条件（例如，用户提到“架空输电线路”时，解析为路径匹配）。
|
||||
如果用户指定层级（如“叶节点”），需在条件中体现（例如，添加 WHERE item.isLeaf = true）。
|
||||
忽略任何计算、转换或后处理要求（如“乘以1000”），只关注获取原始数据对象或属性。
|
||||
构建Cypher查询：生成一个Cypher查询语句，格式为：
|
||||
|
||||
MATCH 子句：匹配目标对象节点，并应用条件。如果涉及层级路径，使用路径匹配（如 MATCH path = (item1:ProjectDivisionItem)-[:CHILD_OF*]->(item2:ProjectDivisionItem) WHERE item1.name = '安装' AND item2.name = '架空输电线路本体工程'）。变量仅用于目标节点和必要路径节点。
|
||||
WHERE 子句：包含提取的条件（使用变量或具体值）。
|
||||
RETURN 子句：必须返回对象（如 RETURN item），不能包含对象属性、函数（如乘法、SUM）。
|
||||
LIMIT 子句： 最多返回5条。
|
||||
使用业务术语在节点标签和属性中（例如，ProjectDivisionItem 而不是“项目”）。
|
||||
查询应简洁，只获取数据，不执行计算。
|
||||
输出格式：直接输出最终Cypher查询语句，不添加解释或额外文本。
|
||||
|
||||
**示例**:
|
||||
用户问题：查找一下名称中包含工程的项目划分
|
||||
Cypher查询语句：MATCH (item:ProjectDivisionItem)\nWHERE item.name CONTAINS '工程'\nRETURN item\nLIMIT 5
|
||||
""")
|
||||
|
||||
return CodeExecutorPrompts(
|
||||
understand_prompt=understand_prompt,
|
||||
code_gen_prompt=code_gen_prompt,
|
||||
code_fix_prompt=code_fix_prompt,
|
||||
rewrite_prompt_template=rewrite_prompt_template,
|
||||
cypher_conversion_prompt=cypher_conversion_prompt,
|
||||
)
|
||||
|
||||
Reference in New Issue
Block a user