优化意图识别示例，更新文档相关性判断逻辑，增强Excel数据验证功能，改进日志记录，调整参数以提升代码可读性和灵活性。

rag2_0/demo/intent_recognition_example.py

@@ -28,7 +28,7 @@ from rag2_0.tool.ModelTool import OpenAiLLM
 load_dotenv()
 
 # 示例查询
-examples_query = """主网电力建设计价通软件, 35kV的软件   土质比例不能一起设置吗"""
+examples_query = """ PE2211PK0801是什么软件"""
 conversation_context=""
 chat_history=[
         {
@@ -100,27 +100,23 @@ class QueryRewriteProcessor:
                 "relevance_score": 0.0
             }
         
-        # 构建文档内容
-        doc_contents = []
-        for i, doc in enumerate(retrieved_doc[:3]):  # 只取前3个文档进行判断
-            content = doc.get("content", "")
-            title = doc.get("title", "")
-            doc_contents.append(f"文档{i+1}标题: {title}\n文档{i+1}内容: {content}")
-        
-        doc_text = "\n\n".join(doc_contents)
+        doc_text_list = json.dumps(retrieved_doc, ensure_ascii=False, indent=2)
         class TempModel(BaseModel):
-            is_relevant: bool = Field(description="是否与用户提问相关")
+            can_solve_problem: bool = Field(description="是否能解决用户问题")
             relevance_score: int = Field(description="相关性评分，0-100分")
-            explanation: str = Field(description="解释各个文档与提问的相关性或不相关性")
+            explanation: str = Field(description="解释文档是否能解决(回答)提问")
 
-        parser = PydanticOutputParser(pydantic_object=TempModel)
+        class most_relevant_document(BaseModel):
+            most_relevant_document: TempModel = Field(description="最相关的文档的判断结果")
+
+        parser = PydanticOutputParser(pydantic_object=most_relevant_document)
         # 构建提示词
-        prompt = f"""请判断以下检索文档是否与用户提问相关，并给出相关性评分（0-100分）。
+        prompt = f"""请判断以下检索文档列表中是否与用户提问相关,能够解决用户的问题，并给出相关性评分（0-100分）。输出最相关的文档的判断结果。
 
 用户提问: {query}
 
-检索文档:
-{doc_text}
+检索文档列表:
+{doc_text_list}
 
 请按照以下JSON格式返回结果:
 {parser.get_format_instructions()}
@@ -131,10 +127,10 @@ class QueryRewriteProcessor:
             llm = OpenAiLLM(api_key=self.api_key, base_url=self.base_url, model="deepseek-ai/DeepSeek-R1", response_format={"type": "json_object"})
             response = llm.invoke(prompt)
             
-            result = parser.parse(response.content)
+            result = parser.parse(response.content).most_relevant_document
                 
             return {
-                "is_relevant": result.is_relevant,
+                "is_relevant": result.can_solve_problem,
                 "relevance_score": result.relevance_score,
                 "explanation": result.explanation
             }
@@ -418,9 +414,6 @@ def main():
             # 在调试模式下使用完整的参数
             print(json.dumps(processor.process_query(
                 query, 
-                conversation_context=conversation_context, 
-                chat_history=chat_history, 
-                previous_slots=previous_slots,
                 enable_retrieval=enable_retrieval
             ), ensure_ascii=False, indent=2))