优化意图识别模块，新增文档相关性判断功能，更新DifyQueryRetrieval类以支持多线程检索，增强数据模型，改进日志记录，调整Excel数据验证逻辑，更新多个提示词模板以提升用户体验。
This commit is contained in:
@@ -308,4 +308,25 @@ class IntentAndSlotResult(BaseModel):
|
||||
InstallationDownloadSlots,
|
||||
ProblemDiagnosisSlots,
|
||||
OtherSlots
|
||||
]
|
||||
]
|
||||
|
||||
# 意图优化环节数据模型
|
||||
class StepBackPrompt(BaseModel):
|
||||
"""后退提示数据模型"""
|
||||
original_query: str = Field(description="原始查询")
|
||||
step_back_query: str = Field(description="后退提示生成的抽象查询")
|
||||
|
||||
class FollowUpQuestions(BaseModel):
|
||||
"""后续问题数据模型"""
|
||||
original_query: str = Field(description="原始查询")
|
||||
follow_up_query: str = Field(description="基于历史对话生成的独立问题")
|
||||
|
||||
class HypotheticalDocument(BaseModel):
|
||||
"""假设文档数据模型"""
|
||||
original_query: str = Field(description="原始查询")
|
||||
hypothetical_answer: str = Field(description="假设性回答")
|
||||
|
||||
class MultiQuestions(BaseModel):
|
||||
"""多问题查询数据模型"""
|
||||
original_query: str = Field(description="原始查询")
|
||||
sub_questions: List[str] = Field(description="从不同角度生成的子问题列表")
|
||||
@@ -9,6 +9,7 @@ Description: 意图分类、改写核心逻辑
|
||||
|
||||
import logging
|
||||
import os
|
||||
import threading
|
||||
from langchain.output_parsers import PydanticOutputParser
|
||||
import json
|
||||
from typing import List, Tuple, Dict, Any, Optional
|
||||
@@ -18,7 +19,8 @@ import time
|
||||
|
||||
from .PromptTemplates import (classification_prompt, query_rewrite_prompt,
|
||||
extract_nouns_prompt, classification_info,
|
||||
slot_filling_prompt)
|
||||
slot_filling_prompt, step_back_prompt,
|
||||
follow_up_questions_prompt, hyde_prompt, multi_questions_prompt)
|
||||
|
||||
from .Multi_PromptTemplates import (
|
||||
intent_and_slot_prompt, output_example,
|
||||
@@ -29,7 +31,8 @@ from .DataModels import (
|
||||
Classification, QueryRewrite, Term, TermList,
|
||||
SoftwareFunctionSlots, SoftwareTroubleShootingSlots, ProfessionalConsultingSlots,
|
||||
DataProblemSlots, FileExtensionConsultingSlots, SoftwareLockSlots,
|
||||
InstallationDownloadSlots, ProblemDiagnosisSlots, OtherSlots, IntentAndSlotResult
|
||||
InstallationDownloadSlots, ProblemDiagnosisSlots, OtherSlots, IntentAndSlotResult,
|
||||
StepBackPrompt, FollowUpQuestions, HypotheticalDocument, MultiQuestions
|
||||
)
|
||||
from .ProfessionalNounVector import ProfessionalNounRetriever
|
||||
from rag2_0.tool.ModelTool import XinferenceReRankerModel, OpenAiLLM, SiliconFlowReRankerModel
|
||||
@@ -166,34 +169,32 @@ class IntentRecognizer:
|
||||
Returns:
|
||||
提取的术语列表
|
||||
"""
|
||||
try:
|
||||
# 如果使用jieba分词
|
||||
if use_jieba:
|
||||
# 先使用jieba分词
|
||||
tokens = self._tokenize_with_jieba(query)
|
||||
|
||||
# 构建术语列表
|
||||
terms = []
|
||||
for token in tokens:
|
||||
if len(token) > 1: # 过滤掉单字词
|
||||
terms.append(Term(name=token, synonymous=[], description=""))
|
||||
|
||||
return terms
|
||||
else:
|
||||
# 使用LLM提取关键词
|
||||
# 准备提示词
|
||||
formatted_prompt = extract_nouns_prompt.replace("{content}", query)
|
||||
terms_list_parser = PydanticOutputParser(pydantic_object=TermList)
|
||||
formatted_prompt = formatted_prompt.replace("{output_format}", terms_list_parser.get_format_instructions())
|
||||
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 尝试使用Pydantic解析器解析TermList
|
||||
parsed_output = terms_list_parser.parse(response.content)
|
||||
return parsed_output.terms
|
||||
except Exception as e:
|
||||
raise RuntimeError(f"无法解析LLM关键词提取响应: {e}") from e
|
||||
# 如果使用jieba分词
|
||||
if use_jieba:
|
||||
# 先使用jieba分词
|
||||
tokens = self._tokenize_with_jieba(query)
|
||||
|
||||
# 构建术语列表
|
||||
terms = []
|
||||
for token in tokens:
|
||||
if len(token) > 1: # 过滤掉单字词
|
||||
terms.append(Term(name=token, synonymous=[], description=""))
|
||||
|
||||
return terms
|
||||
else:
|
||||
# 使用LLM提取关键词
|
||||
# 准备提示词
|
||||
formatted_prompt = extract_nouns_prompt.replace("{content}", query)
|
||||
terms_list_parser = PydanticOutputParser(pydantic_object=TermList)
|
||||
formatted_prompt = formatted_prompt.replace("{output_format}", terms_list_parser.get_format_instructions())
|
||||
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 尝试使用Pydantic解析器解析TermList
|
||||
parsed_output = terms_list_parser.parse(response.content)
|
||||
return parsed_output.terms
|
||||
|
||||
|
||||
def _rerank_matched_terms(self, query_key: str, matched_terms: set, top_k: int = 2, rerank_score:float = 0.6) -> List[Term]:
|
||||
"""
|
||||
@@ -358,7 +359,8 @@ class IntentRecognizer:
|
||||
def process_query(self, query: str, conversation_context: str = "",
|
||||
chat_history: List[Dict[str, str]] = None,
|
||||
previous_slots: Dict[str, Any] = None,
|
||||
use_jieba: bool = False) -> Dict[str, Any]:
|
||||
use_jieba: bool = False,
|
||||
enable_query_expansion: bool = False) -> Dict[str, Any]:
|
||||
"""
|
||||
处理用户问题的完整流程
|
||||
|
||||
@@ -388,10 +390,29 @@ class IntentRecognizer:
|
||||
# suffix_terms.append(suffix_term)
|
||||
|
||||
# return Classification(vertical_classification="安装下载", sub_classification="查询"), TermList(terms=suffix_terms), QueryRewrite(rewrite=query), matched_suffixes
|
||||
|
||||
if chat_history is None:
|
||||
chat_history = []
|
||||
if previous_slots is None:
|
||||
previous_slots = {}
|
||||
|
||||
# 步骤: 并行执行提问扩展
|
||||
if enable_query_expansion:
|
||||
# 创建线程和结果容器
|
||||
threads_and_results = [
|
||||
# 5.1: 后退提示
|
||||
self._run_in_thread(self._generate_step_back_prompt, args=(query, chat_history, conversation_context)),
|
||||
|
||||
# 5.2: Follow Up Questions
|
||||
self._run_in_thread(self._generate_follow_up_questions, args=(query, chat_history, conversation_context)),
|
||||
|
||||
# 5.3: HyDE
|
||||
self._run_in_thread(self._generate_hypothetical_document, args=(query, chat_history, conversation_context)),
|
||||
|
||||
# 5.4: 多问题查询
|
||||
self._run_in_thread(self._generate_multi_questions, args=(query, chat_history, conversation_context))
|
||||
]
|
||||
|
||||
# 步骤1: 匹配关键词
|
||||
keywords_terms, query_keys = self._match_keywords(query, use_jieba)
|
||||
|
||||
@@ -419,12 +440,47 @@ class IntentRecognizer:
|
||||
if classification.vertical_classification not in ["其他", "闲聊"] and classification.sub_classification not in ["其他", "闲聊"]:
|
||||
slot_filling_result = self._fill_slots(rewrite.rewrite, classification, conversation_context, chat_history, previous_slots)
|
||||
|
||||
if not enable_query_expansion:
|
||||
return {
|
||||
"classification": classification.model_dump(),
|
||||
"keywords": keywords_terms.model_dump(),
|
||||
"rewrite": rewrite.model_dump(),
|
||||
"query_keys": query_keys,
|
||||
"slot_filling": slot_filling_result
|
||||
}
|
||||
|
||||
# 等待所有线程完成
|
||||
start_time = time.time()
|
||||
for thread, _ in threads_and_results:
|
||||
thread.join()
|
||||
end_time = time.time()
|
||||
logging.info(f"问题扩展环节耗时统计 - 总耗时: {end_time - start_time:.2f}秒")
|
||||
|
||||
# 收集结果
|
||||
step_back_result = threads_and_results[0][1][0] if threads_and_results[0][1] else StepBackPrompt(original_query=query, step_back_query=query)
|
||||
follow_up_result = threads_and_results[1][1][0] if threads_and_results[1][1] else FollowUpQuestions(original_query=query, follow_up_query=query)
|
||||
hyde_result = threads_and_results[2][1][0] if threads_and_results[2][1] else HypotheticalDocument(original_query=query, hypothetical_answer="")
|
||||
multi_questions_result = threads_and_results[3][1][0] if threads_and_results[3][1] else MultiQuestions(original_query=query, sub_questions=[query])
|
||||
all_questions=multi_questions_result.sub_questions
|
||||
all_questions.append(query)
|
||||
all_questions.append(step_back_result.step_back_query)
|
||||
all_questions.append(follow_up_result.follow_up_query)
|
||||
all_questions.append(hyde_result.hypothetical_answer)
|
||||
all_questions = list(set(all_questions))
|
||||
|
||||
query_expand={"all":all_questions,
|
||||
"step_back":step_back_result.model_dump(),
|
||||
"follow_up":follow_up_result.model_dump(),
|
||||
"hyde":hyde_result.model_dump(),
|
||||
"multi_questions":multi_questions_result.model_dump()}
|
||||
# 返回所有结果
|
||||
return {
|
||||
"classification": classification.model_dump(),
|
||||
"keywords": keywords_terms.model_dump(),
|
||||
"rewrite": rewrite.model_dump(),
|
||||
"query_keys": query_keys,
|
||||
"slot_filling": slot_filling_result
|
||||
"slot_filling": slot_filling_result,
|
||||
"query_expand": query_expand
|
||||
}
|
||||
|
||||
|
||||
@@ -544,7 +600,182 @@ class IntentRecognizer:
|
||||
# 如果解析失败，创建一个空的模型实例
|
||||
empty_instance = slot_model_class()
|
||||
return empty_instance
|
||||
|
||||
def _generate_step_back_prompt(self, query: str, chat_history: List[Dict[str, str]] = None, conversation_context: str = "") -> StepBackPrompt:
|
||||
"""
|
||||
生成后退提示
|
||||
|
||||
Args:
|
||||
query: 用户原始问题
|
||||
chat_history: 历史对话记录
|
||||
conversation_context: 会话背景信息
|
||||
|
||||
Returns:
|
||||
后退提示结果
|
||||
"""
|
||||
step_back_start_time = time.time()
|
||||
# 准备提示词
|
||||
step_back_parser = PydanticOutputParser(pydantic_object=StepBackPrompt)
|
||||
formatted_prompt = step_back_prompt.format(
|
||||
query=query,
|
||||
chat_history=json.dumps(chat_history, ensure_ascii=False) if chat_history else "[]",
|
||||
conversation_context=conversation_context,
|
||||
output_format=step_back_parser.get_format_instructions()
|
||||
)
|
||||
|
||||
try:
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 解析输出
|
||||
parsed_output = step_back_parser.parse(response.content)
|
||||
step_back_end_time = time.time()
|
||||
step_back_time = step_back_end_time - step_back_start_time
|
||||
logging.debug(f"后退提示生成耗时统计 - 总耗时: {step_back_time:.2f}秒")
|
||||
return parsed_output
|
||||
except Exception as e:
|
||||
# 如果解析失败，返回原始查询作为后退提示
|
||||
logging.error(f"后退提示生成失败: {e}")
|
||||
return StepBackPrompt(original_query=query, step_back_query=query)
|
||||
|
||||
def _generate_follow_up_questions(self, query: str, chat_history: List[Dict[str, str]] = None, conversation_context: str = "") -> FollowUpQuestions:
|
||||
"""
|
||||
生成后续问题
|
||||
|
||||
Args:
|
||||
query: 用户原始问题
|
||||
chat_history: 历史对话记录
|
||||
conversation_context: 会话背景信息
|
||||
|
||||
Returns:
|
||||
后续问题结果
|
||||
"""
|
||||
follow_up_start_time = time.time()
|
||||
# 准备提示词
|
||||
follow_up_parser = PydanticOutputParser(pydantic_object=FollowUpQuestions)
|
||||
formatted_prompt = follow_up_questions_prompt.format(
|
||||
query=query,
|
||||
chat_history=json.dumps(chat_history, ensure_ascii=False) if chat_history else "[]",
|
||||
conversation_context=conversation_context,
|
||||
output_format=follow_up_parser.get_format_instructions()
|
||||
)
|
||||
|
||||
try:
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 解析输出
|
||||
parsed_output = follow_up_parser.parse(response.content)
|
||||
follow_up_end_time = time.time()
|
||||
follow_up_time = follow_up_end_time - follow_up_start_time
|
||||
logging.debug(f"后续问题生成耗时统计 - 总耗时: {follow_up_time:.2f}秒")
|
||||
return parsed_output
|
||||
except Exception as e:
|
||||
# 如果解析失败，返回原始查询作为后续问题
|
||||
logging.error(f"后续问题生成失败: {e}")
|
||||
return FollowUpQuestions(original_query=query, follow_up_query=query)
|
||||
|
||||
def _generate_hypothetical_document(self, query: str, chat_history: List[Dict[str, str]] = None, conversation_context: str = "") -> HypotheticalDocument:
|
||||
"""
|
||||
生成假设性文档
|
||||
|
||||
Args:
|
||||
query: 用户原始问题
|
||||
chat_history: 历史对话记录
|
||||
conversation_context: 会话背景信息
|
||||
|
||||
Returns:
|
||||
假设性文档结果
|
||||
"""
|
||||
hyde_start_time = time.time()
|
||||
# 准备提示词
|
||||
hyde_parser = PydanticOutputParser(pydantic_object=HypotheticalDocument)
|
||||
formatted_prompt = hyde_prompt.format(
|
||||
query=query,
|
||||
chat_history=json.dumps(chat_history, ensure_ascii=False) if chat_history else "[]",
|
||||
conversation_context=conversation_context,
|
||||
output_format=hyde_parser.get_format_instructions()
|
||||
)
|
||||
|
||||
try:
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 解析输出
|
||||
parsed_output = hyde_parser.parse(response.content)
|
||||
hyde_end_time = time.time()
|
||||
hyde_time = hyde_end_time - hyde_start_time
|
||||
logging.debug(f"假设性文档生成耗时统计 - 总耗时: {hyde_time:.2f}秒")
|
||||
return parsed_output
|
||||
except Exception as e:
|
||||
# 如果解析失败，返回空的假设性回答
|
||||
logging.error(f"假设性文档生成失败: {e}")
|
||||
return HypotheticalDocument(original_query=query, hypothetical_answer="")
|
||||
|
||||
def _generate_multi_questions(self, query: str, chat_history: List[Dict[str, str]] = None, conversation_context: str = "") -> MultiQuestions:
|
||||
"""
|
||||
生成多角度问题
|
||||
|
||||
Args:
|
||||
query: 用户原始问题
|
||||
chat_history: 历史对话记录
|
||||
conversation_context: 会话背景信息
|
||||
|
||||
Returns:
|
||||
多角度问题结果
|
||||
"""
|
||||
multi_questions_start_time = time.time()
|
||||
# 准备提示词
|
||||
multi_questions_parser = PydanticOutputParser(pydantic_object=MultiQuestions)
|
||||
formatted_prompt = multi_questions_prompt.format(
|
||||
query=query,
|
||||
chat_history=json.dumps(chat_history, ensure_ascii=False) if chat_history else "[]",
|
||||
conversation_context=conversation_context,
|
||||
output_format=multi_questions_parser.get_format_instructions()
|
||||
)
|
||||
|
||||
try:
|
||||
# 调用LLM
|
||||
response = self._llm.invoke(formatted_prompt, False)
|
||||
|
||||
# 解析输出
|
||||
parsed_output = multi_questions_parser.parse(response.content)
|
||||
multi_questions_end_time = time.time()
|
||||
multi_questions_time = multi_questions_end_time - multi_questions_start_time
|
||||
logging.debug(f"多角度问题生成耗时统计 - 总耗时: {multi_questions_time:.2f}秒")
|
||||
return parsed_output
|
||||
except Exception as e:
|
||||
# 如果解析失败，返回原始查询作为唯一子问题
|
||||
logging.error(f"多角度问题生成失败: {e}，LLM返回内容：{response.content}")
|
||||
return MultiQuestions(original_query=query, sub_questions=[query])
|
||||
|
||||
def _run_in_thread(self, func, args=(), kwargs={}):
|
||||
"""
|
||||
在线程中执行函数并返回结果
|
||||
|
||||
Args:
|
||||
func: 要执行的函数
|
||||
args: 函数的位置参数
|
||||
kwargs: 函数的关键字参数
|
||||
|
||||
Returns:
|
||||
(thread, result_container): 线程对象和存放结果的容器
|
||||
"""
|
||||
result_container = []
|
||||
|
||||
def thread_target():
|
||||
try:
|
||||
result = func(*args, **kwargs)
|
||||
result_container.append(result)
|
||||
except Exception as e:
|
||||
logging.error(f"线程执行函数 {func.__name__} 时出错: {e}")
|
||||
result_container.append(None)
|
||||
|
||||
thread = threading.Thread(target=thread_target)
|
||||
thread.start()
|
||||
return thread, result_container
|
||||
|
||||
|
||||
def _process_intent_and_slot(self, user_input: str, conversation_context: str = "",
|
||||
chat_history: List[Dict[str, str]] = None,
|
||||
previous_slots: Dict[str, Any] = None) -> Dict[str, Any]:
|
||||
|
||||
@@ -7,123 +7,6 @@ Date: 2025-06-13
|
||||
Description: 多轮对话下意图分类、改写核心提示词
|
||||
"""
|
||||
|
||||
|
||||
# 首版重构提示词
|
||||
query_rewrite_prompt_pro_old="""
|
||||
# 电力造价专业问答优化工程师（升级版）
|
||||
|
||||
你是一名电力造价专业问答优化工程师，负责结合历史对话背景和专业术语库，将用户的原始问题进行规范化重构，以提升知识库检索准确率。
|
||||
|
||||
## 核心任务
|
||||
基于历史对话上下文和专业术语库，将用户的原始问题进行规范化重构，提高知识库检索的准确性和专业性，同时保持对话的连贯性和语境相关性。
|
||||
|
||||
## 处理流程
|
||||
### 第一阶段：输入解析
|
||||
1. 解析基础信息
|
||||
- 原始问题(需保留核心语义)：{query}
|
||||
- 关键词集合：{keywords}
|
||||
- 历史对话记录：{chat_history}
|
||||
- 当前聊天背景：{context}
|
||||
|
||||
2. 背景分析
|
||||
- 识别历史对话中的关键主题和专业领域
|
||||
- 提取上下文中的隐含信息（如软件版本、地区、具体场景等）
|
||||
- 分析用户的提问模式和专业水平
|
||||
|
||||
### 第二阶段：上下文匹配分析
|
||||
**背景匹配规则：**
|
||||
1. 检查当前问题是否与历史对话存在关联性
|
||||
2. 识别历史对话中提到的关键信息：
|
||||
- 软件版本/系统（如Z1、D3等）
|
||||
- 地区定额（如西藏、山东等）
|
||||
- 具体功能模块
|
||||
- 用户操作习惯
|
||||
|
||||
**术语匹配规则：**
|
||||
1. 检查原始问题中是否包含关键词集合中的`name`字段或`synonymous`字段中的任何词汇
|
||||
2. 结合历史对话，识别可能的隐含专业术语
|
||||
3. 统计匹配的术语数量
|
||||
4. 判断执行路径：
|
||||
- 匹配术语 ≥ 1个 或 存在明显上下文关联 → 执行重构流程
|
||||
- 匹配术语 = 0个 且 无明显上下文关联 → 直接输出原始问题
|
||||
|
||||
### 第三阶段：问题重构
|
||||
**重构原则（按优先级排序）：**
|
||||
|
||||
1. **语义保真**：严格保持原问题的核心意图和诉求
|
||||
2. **上下文继承**：
|
||||
- 补充历史对话中的隐含信息（如软件名称、版本、地区等）
|
||||
- 保持对话的连贯性和逻辑性
|
||||
- 避免重复已确认的背景信息
|
||||
3. **术语规范**：
|
||||
- 将匹配到的同义词替换为对应的标准术语（name字段）
|
||||
- 对在关键词中的标准术语使用【】进行标记
|
||||
- 保留在原问题中未在关键词库中的专业术语、限定词和修饰词
|
||||
4. **结构优化**：
|
||||
- 保持原问题的语态特征5W2H
|
||||
- 保持主谓宾结构清晰
|
||||
- 保留时间、版本等限定条件
|
||||
|
||||
**术语处理规则：**
|
||||
- 优先级1：基于历史对话补充缺失的背景信息
|
||||
- 优先级2：保留原问题中的专业术语、限定词和修饰词（即使不在关键词库中）
|
||||
- 优先级3：将同义词替换为标准术语并用【】标记
|
||||
- 优先级4：对原问题中已存在的标准术语添加【】标记
|
||||
|
||||
**上下文处理策略：**
|
||||
- 如果当前问题与历史对话高度相关，适当补充背景信息
|
||||
- 如果用户使用代词（如"这个"、"那个"），尝试结合历史对话明确指代
|
||||
- 如果历史对话中已确定软件或系统，在当前问题中适当体现
|
||||
|
||||
# 输出规范
|
||||
{output_format}
|
||||
|
||||
# 示范案例库
|
||||
|
||||
▶ 案例1（有效匹配 + 上下文继承）
|
||||
历史对话：用户之前询问过"西藏定额升级的问题"
|
||||
输入：
|
||||
原始问题：怎么把旧版工程转到Z1新版
|
||||
关键词：【'老版本定额升级', '批量设置定额', '西藏造价软件Z1'】
|
||||
输出：
|
||||
{{"rewrite":"【西藏造价软件Z1】如何执行【老版本定额升级】操作？"}}
|
||||
|
||||
▶ 案例2（无效匹配 + 无上下文关联）
|
||||
历史对话：无相关内容
|
||||
输入：
|
||||
原始问题：程序界面文字显示过小如何处理？
|
||||
关键词：【'定额升级', '工程批量导入'】
|
||||
输出：
|
||||
{{"rewrite":"程序界面文字显示过小如何处理？"}}
|
||||
|
||||
▶ 案例3（部分匹配 + 上下文补充）
|
||||
历史对话：用户之前询问过"D3软件的功能"
|
||||
输入：
|
||||
原始问题：能导出清单的计算公式吗？
|
||||
关键词：【'配网工程计价通D3软件', '计算式'】
|
||||
输出：
|
||||
{{"rewrite":"【配网工程计价通D3软件】能导出清单的【计算式】吗？"}}
|
||||
|
||||
▶ 案例4（代词替换 + 上下文解析）
|
||||
历史对话：用户刚询问过"山东定额的问题"
|
||||
输入：
|
||||
原始问题：这个定额怎么批量导入？
|
||||
关键词：【'批量导入定额', '山东定额'】
|
||||
输出：
|
||||
{{"rewrite":"【山东定额】如何进行【批量导入定额】操作？"}}
|
||||
|
||||
## 质量检查清单
|
||||
执行前请确认：
|
||||
- [ ] 是否保持了原问题的核心诉求？
|
||||
- [ ] 是否合理利用了历史对话中的背景信息？
|
||||
- [ ] 是否正确执行了同义词替换？
|
||||
- [ ] 是否保留了原问题中的专业术语和限定条件？
|
||||
- [ ] 是否正确使用了【】标记？
|
||||
- [ ] 重构后的问题是否自然流畅？
|
||||
- [ ] 是否保持了对话的连贯性？
|
||||
- [ ] 是否避免了过度补充不必要的信息？
|
||||
"""
|
||||
|
||||
query_rewrite_prompt_pro="""
|
||||
# 电力造价问答优化工程师（精简版）
|
||||
**角色**：基于历史对话和术语库重构问题，提升知识库检索准确率。
|
||||
|
||||
@@ -49,7 +49,7 @@ classification_info="""【垂直领域分类】：
|
||||
"用哪个软件打开.BDY3文件？",
|
||||
"BDD3是什么"
|
||||
2. 软件锁类：询问软件锁信息、锁注册号查询、许可证查询、锁激活问题等软件锁相关问题
|
||||
3. 安装下载类：安装下载咨询、组件(插件)选择、环境配置等
|
||||
3. 安装下载类：安装下载咨询、组件(插件)选择、环境配置、安装包下载、政策文件(规范文件)下载等
|
||||
4. 问题排查类：软件安装下载失败、报错，系统兼容性问题等
|
||||
|
||||
【其他】:
|
||||
@@ -203,4 +203,165 @@ slot_filling_prompt = """
|
||||
"os_version": null,
|
||||
"reproduction_steps": "新建工程"
|
||||
}}
|
||||
"""
|
||||
|
||||
# 意图优化环节提示词模板
|
||||
step_back_prompt = """
|
||||
# 后退提示生成器
|
||||
|
||||
你是一个专业的电力造价领域问题抽象专家。你的任务是根据用户的具体问题，提出一个更抽象、更高层次的问题，帮助系统更好地理解用户的意图。
|
||||
|
||||
## 任务说明
|
||||
1. 分析用户的原始问题，理解其核心意图和需求
|
||||
2. 考虑历史对话和会话背景，理解用户当前问题的上下文
|
||||
3. 生成一个更抽象、更高层次的问题，称为"后退问题"
|
||||
4. 后退问题应该：
|
||||
- 更加通用和抽象
|
||||
- 涵盖原始问题的核心主题
|
||||
- 去除过于具体的限制条件（如时间、地点、特定版本等）
|
||||
- 保持在同一领域和主题范围内
|
||||
- 考虑历史对话中的相关信息
|
||||
|
||||
## 输入
|
||||
用户原始问题: {query}
|
||||
历史对话记录: {chat_history}
|
||||
会话背景: {conversation_context}
|
||||
|
||||
## 输出格式
|
||||
{output_format}
|
||||
|
||||
## 示例
|
||||
原始问题: "配网D3软件2023版本如何在Windows 11系统上导入单位工程量清单？"
|
||||
后退问题: "配网D3软件如何导入工程量清单？"
|
||||
|
||||
原始问题: "技改T1软件中的某个设备更换后，如何在系统中更新对应的定额？"
|
||||
后退问题: "技改T1软件中如何更新设备对应的定额？"
|
||||
"""
|
||||
|
||||
follow_up_questions_prompt = """
|
||||
# 后续问题生成器
|
||||
|
||||
你是一个专业的电力造价领域对话理解专家。你的任务是根据历史对话和当前问题，生成一个完整的独立问题，确保即使没有历史上下文也能理解。
|
||||
|
||||
## 任务说明
|
||||
1. 分析历史对话记录和当前用户问题
|
||||
2. 识别当前问题中可能引用了历史对话的部分（如代词、省略内容等）
|
||||
3. 生成一个完整的独立问题，该问题应该：
|
||||
- 包含历史对话中的关键上下文
|
||||
- 明确指代所有代词和省略内容
|
||||
- 保持原问题的核心意图不变
|
||||
- 即使没有历史对话也能被理解
|
||||
|
||||
## 输入
|
||||
历史对话记录: {chat_history}
|
||||
当前用户问题: {query}
|
||||
会话背景: {conversation_context}
|
||||
|
||||
## 输出格式
|
||||
{output_format}
|
||||
|
||||
## 示例
|
||||
历史对话:
|
||||
用户: "我在使用配网D3软件"
|
||||
助手: "好的，请问您遇到什么问题？"
|
||||
当前问题: "怎么导入清单？"
|
||||
生成的独立问题: "在配网D3软件中，怎么导入清单？"
|
||||
|
||||
历史对话:
|
||||
用户: "技改T1软件中的设备更换功能在哪里？"
|
||||
助手: "设备更换功能在'工程管理'菜单下的'设备管理'子菜单中。"
|
||||
当前问题: "更新后如何保存？"
|
||||
生成的独立问题: "在技改T1软件中使用设备更换功能后，如何保存更新的设备信息？"
|
||||
"""
|
||||
|
||||
hyde_prompt = """
|
||||
# 假设性文档生成器
|
||||
|
||||
你是一个专业的电力造价领域知识专家。你的任务是根据用户的问题和历史对话，生成一个假设性的回答，该回答可能包含的信息和模式将有助于在知识库中检索相关文档。
|
||||
|
||||
## 任务说明
|
||||
1. 分析用户的问题，理解其核心意图和需求
|
||||
2. 考虑历史对话和会话背景，理解用户当前问题的上下文
|
||||
3. 生成一个假设性的回答，该回答应该：
|
||||
- 尽可能准确地回答用户问题
|
||||
- 包含可能与问题相关的专业术语和概念
|
||||
- 包含可能在知识库文档中出现的模式和结构
|
||||
- 考虑历史对话中的相关信息
|
||||
- 即使你不确定答案的准确性，也要提供一个合理的假设
|
||||
|
||||
## 输入
|
||||
用户问题: {query}
|
||||
历史对话记录: {chat_history}
|
||||
会话背景: {conversation_context}
|
||||
|
||||
## 输出格式
|
||||
{output_format}
|
||||
|
||||
## 示例
|
||||
用户问题: "配网D3软件如何导入Excel清单？"
|
||||
假设性回答: "在配网D3软件中导入Excel清单的步骤如下：
|
||||
1. 打开配网D3软件，进入工程管理模块
|
||||
2. 点击菜单栏中的'导入/导出'选项
|
||||
3. 选择'导入Excel清单'功能
|
||||
4. 在弹出的对话框中选择已准备好的Excel文件
|
||||
5. 确认导入格式和映射关系
|
||||
6. 点击'确定'完成导入
|
||||
注意：导入的Excel文件需要符合特定的格式要求，建议先在软件中导出一个样例文件作为模板。"
|
||||
"""
|
||||
|
||||
multi_questions_prompt = """
|
||||
# 多角度问题生成器
|
||||
|
||||
你是一个专业的电力造价领域问题分解专家。你的任务是根据用户的原始问题和历史对话，从不同角度生成多个子问题，以帮助系统更全面地理解和回答用户的需求。
|
||||
|
||||
## 任务说明
|
||||
1. 分析用户的原始问题，理解其核心意图和需求
|
||||
2. 考虑历史对话和会话背景，理解用户当前问题的上下文
|
||||
3. 从不同角度生成2-4个子问题，这些子问题应该：
|
||||
- 分别关注原始问题的不同方面或组成部分
|
||||
- 更加具体和直接
|
||||
- 共同覆盖原始问题的完整意图
|
||||
- 考虑历史对话中的相关信息
|
||||
- 每个子问题都应该是自包含的，可以独立回答
|
||||
|
||||
## 输入
|
||||
用户原始问题: {query}
|
||||
历史对话记录: {chat_history}
|
||||
会话背景: {conversation_context}
|
||||
|
||||
## 输出格式
|
||||
{output_format}
|
||||
|
||||
## 示例
|
||||
原始问题: "配网D3软件中如何处理定额调整和工程量清单导入？"
|
||||
子问题:
|
||||
1. "配网D3软件中如何进行定额调整？"
|
||||
2. "配网D3软件中如何导入工程量清单？"
|
||||
3. "定额调整后，是否会影响已导入的工程量清单？"
|
||||
按格式输出：
|
||||
{{
|
||||
"original_query":"配网D3软件中如何处理定额调整和工程量清单导入？"
|
||||
"sub_questions": [
|
||||
"配网D3软件中如何进行定额调整？",
|
||||
"配网D3软件中如何导入工程量清单？",
|
||||
"定额调整后，是否会影响已导入的工程量清单？"
|
||||
]
|
||||
}}
|
||||
|
||||
原始问题: "技改T1软件和配网D3软件的区别是什么？"
|
||||
子问题:
|
||||
1. "技改T1软件的主要功能和适用范围是什么？"
|
||||
2. "配网D3软件的主要功能和适用范围是什么？"
|
||||
3. "技改T1软件和配网D3软件在使用场景上有什么不同？"
|
||||
4. "如何选择使用技改T1软件还是配网D3软件？"
|
||||
按格式输出：
|
||||
{{
|
||||
"original_query":"技改T1软件和配网D3软件的区别是什么？"
|
||||
"sub_questions": [
|
||||
"技改T1软件的主要功能和适用范围是什么？",
|
||||
"配网D3软件的主要功能和适用范围是什么？",
|
||||
"技改T1软件和配网D3软件在使用场景上有什么不同？",
|
||||
"如何选择使用技改T1软件还是配网D3软件？"
|
||||
]
|
||||
}}
|
||||
"""
|
||||
Reference in New Issue
Block a user