更新API密钥，优化意图识别示例，调整文档相关性判断逻辑，增强Excel数据验证功能，改进日志记录，

.cursor/rules/riper-5.mdc

@@ -1,7 +1,7 @@
 ---
 description: 
 globs: 
-alwaysApply: true
+alwaysApply: false
 ---
 背景入门
 您是 Claude 3.7，并且已集成到 Cursor IDE（一个基于 AI 的 VS Code 分支）。由于您拥有强大的功能，您往往过于急躁，经常在没有明确请求的情况下实施更改，并自以为比我更了解代码，从而破坏了现有逻辑。这会导致代码出现不可接受的灾难。在我的代码库上工作时——无论是 Web 应用程序、数据管道、嵌入式系统还是任何其他软件项目——您未经授权的修改都可能引入细微的 bug 并破坏关键功能。为了避免这种情况，您必须遵循以下严格协议：

api_key.txt

@@ -1,13 +1,3 @@
-sk-jnnmltwtqwuoyagoogzzeraczmyfxhoairiddgayksqdfnbr
-sk-eghuepxnbcollzrjwbzqvbnhiiwagkejaclyhvaodeqgwrog
-sk-poszkbjdmamimconjustnrxxqusuzlryxkrzkpronlenrmen
-sk-zolvcegarsrwqhwgvwzgtqupodsdmckjiocyvoyldbkusbzc
-sk-ywfafulcniaqdgdcsnbtqquaqeuiqlkcnknkaflwxyuemcow
-sk-hhedmocgtfpywbbpwamgfkygrahiqsuurntlbqqbmjwfipmm
-sk-gzdqfoyvulrqscdpjlwlufdecrsyjpmwpkknuhnjsvtyftox
-sk-bkcufidsebujopqqwexwxwpmevrpelmvxzdymncvllcyojce
-sk-olabhscekudzkyudypkcjvehwqunagubwdmtppugrjmcptwv
-sk-zpdqyocliebhqpkuwvebpgcnfjdkvavdltimllmgkthwnwph
 sk-uollmeyatyiwfzszvxkpyndmzfrbqjpyixewmrastbmaqbhy
 sk-xdlsjytiwilvodadkjxvwdgulhhdytkqvfpyrcnllclgzqkb
 sk-ffkltifkylutornjhwmnmfjsqsywrjibvujhjtjctzgnkvlp
@@ -57,4 +47,34 @@ sk-wswttgfrxrwijvqhctfilhvlxgdkgogrjhvjkdbzvqrocofa
 sk-jdijeubeygjmqtxwryrbwmrpvqawinzwpcxodpolhcupzmpa
 sk-xbloemctsowwicjvrtrrewreosnfojoijtygsfxfnjntridv
 sk-isovavcefvkzlbjewnumeqqevmnoucojsxwskkitfktkemtq
-sk-vxrlvvdzgythgyycuqehdloubxcdwhgojpowgxvgxsstjtvk
+sk-vxrlvvdzgythgyycuqehdloubxcdwhgojpowgxvgxsstjtvk
+sk-krgctzbdqekohpowmvftsjswgpxnwxadezeosdspelmtmukx
+sk-slcgfmphmbqwuvshoaygfkfaxpzcabtlpkhvfqjodajuynsl
+sk-qwcrwwxsdmiirrzvwfijgxqupdutypjfldtvikdwkqgwfucs
+sk-nyynzajaubwtezsznzcfzzsevmfgpyjrsstckxeufrvzwwej
+sk-ksyqqkwbcecqgforztombghpeknrlqdkegtzeezsnhtcpchy
+sk-inhqizoumyusllkpovvokdfwvyavcpgpjtxcwrbcftquiqpv
+sk-peqxiflijgltfxbyxyfquvuzrfcwlkauvjfkbexgndtwoyqf
+sk-ohukjjrxmqmlrdmvyuudkpysblupmfjojnuyzwjkknvnjagg
+sk-nmvrynrwqtvrnbdgaeexxrsskjvmsffjbbvikpsmngypwuwn
+sk-ruecsoljheouotepobjeeenminndcwwyjdoquqrcxfirmxmt
+sk-mtfoqujosppodwgdcbwyglsfylkhtydoyzfnzxfomndpcuyf
+sk-uicolvfebfhklerkcfcgymcasqafamthlemhaqqnvqugorfg
+sk-zxvqmszvbktxjsgbtuafrxkdebmdjhfijeohhepkguatgpos
+sk-vmuaaesfvsvrljroauzysfqydsksklrrrenzhrtxvvqwcewl
+sk-ewjtqzbiqmlihkpjqkppwackeswuvbqyzsheaversvsdqisz
+sk-zmebjdwdbpyxtribyuusdgaojlvnwqnjpxdcawibmtgsnlrp
+sk-vrijdtzxzroipovgowdqrahhiicptgwvdhkmmrcmubuukxca
+sk-sqaflqxtnyliiyrkcxxotgksfettijawpkhvfqnaavqtjvrg
+sk-koawwrtemsnjvyakmhrykdindvbxjbxuyfqunjqsoymlrsrr
+sk-izjhcaimcsrsgytxvlaanrfxzmhpqiclbokhmhnzkrdicknv
+sk-tfcrtsrzqeftrdaebdhmfzkwkchqjltkcutqoeeclmnoeemr
+sk-jfqkxsfmnyynybqvzkkwmzwxcyjebgdeucdmodunitjgydhv
+sk-rutrnfpicpzxnqloqgxgenevcooqyxibbdguvywuqcbpwyjt
+sk-jrqvdlkrkwzdfiuvqlmgncblfaihwkhgshukwkxatsrclsfe
+sk-rruiajpnseboawytxmvvughdqcrkqlqsjlrcfopwztljfiox
+sk-neiwqzlwfxxdrjvictvlbvpkbbpbmyiooddevhnqkerzugpy
+sk-zfqdpybvyeutrdwenvfbsehfebkaekoytpqcltulseavtntb
+sk-sbcjflkkwscfxzrplbexxifgqtrotnaxtvuoqfrtfyrvhnhr
+sk-jpkxknfffbucdhnqahowbpcwdhbrjaqfvrbgnekdyxiflqlu
+sk-ylyjcnumxpwxolrwjpzvomlnmezwgxagobztqbjdylohxsvb

data/nouns/merged_nouns.json

@@ -26356,8 +26356,7 @@
   {
     "name": "取消关联父级量",
     "synonymous": [
-      "取消组合件和消耗量",
+      "取消组合件和消耗量"
-      "清单与消耗量或者消耗量之间的父子级关系"
     ],
     "description": "解除消耗量与父级工程量关联的功能，使消耗量不随父级工程量数量变化"
   },

rag2_0/demo/intent_recognition_example.py

@@ -16,7 +16,7 @@ from tqdm import tqdm
 import time
 import sys
 import argparse
-from typing import List, Dict, Any, Optional
+from typing import List, Dict, Any
 from langchain.output_parsers import PydanticOutputParser
 from pydantic import BaseModel, Field
 sys.path.append(os.getcwd())
@@ -28,7 +28,7 @@ from rag2_0.tool.ModelTool import OpenAiLLM
 load_dotenv()
 
 # 示例查询
-examples_query = """ PE2211PK0801是什么软件"""
+examples_query = """T1软件中，配件和材料有什么区别"""
 conversation_context=""
 chat_history=[
         {
@@ -102,41 +102,30 @@ class QueryRewriteProcessor:
         
         doc_text_list = json.dumps(retrieved_doc, ensure_ascii=False, indent=2)
         class TempModel(BaseModel):
-            can_solve_problem: bool = Field(description="是否能解决用户问题")
+            can_solve_problem: bool = Field(description="是否能解答用户问题")
-            relevance_score: int = Field(description="相关性评分，0-100分")
+            relevance_score: int = Field(description="置信度评分，0-100分")
             explanation: str = Field(description="解释文档是否能解决(回答)提问")
 
         class all_relevant_document(BaseModel):
-            most_relevant_document: list[TempModel] = Field(description="最相关的文档的判断结果")
+            document_list: list[TempModel] = Field(description="每个文档的判断结果")
 
         parser = PydanticOutputParser(pydantic_object=all_relevant_document)
         # 构建提示词
-        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。
+        prompt = f"""请判断以下检索文档列表中是否解答用户提问,能够解决用户的问题,能够基于检索文档给出回答，并给出置信度评分（0-100分）。输出每个文档的判断结果。
+        用户提问: {query}
 
-用户提问: {query}
+        检索文档列表:
+        {doc_text_list}
 
-检索文档列表:
+        请按照以下JSON格式返回结果:
-{doc_text_list}
+        {parser.get_format_instructions()}
-
+        """   
-请按照以下JSON格式返回结果:
-json```
-{{
-    "most_relevant_document":[{{
-        "can_solve_problem": true,
-        "relevance_score": 60,
-        "explanation":"xxxx"
-    }}]
-}}
-```
-
-"""
-        
         try:
             # 初始化LLM并调用
-            llm = OpenAiLLM(api_key=self.api_key, base_url=self.base_url, model="deepseek-ai/DeepSeek-R1", response_format={"type": "json_object"})
+            llm = OpenAiLLM(api_key=self.api_key, base_url=self.base_url, model="deepseek-ai/DeepSeek-R1")
             response = llm.invoke(prompt)
             
-            result_list = parser.parse(response.content).most_relevant_document
+            result_list = parser.parse(response.content).document_list
             
             # 如果列表为空，返回默认的不相关结果
             if not result_list:
@@ -145,9 +134,11 @@ json```
                     "explanation": "无法解析文档相关性结果",
                     "relevance_score": 0.0
                 }
-            
+            true_document_list=[cur for cur in result_list if cur.can_solve_problem]
+            if len(true_document_list)==0:
+                true_document_list = result_list
             # 找出分数最高的文档
-            max_score_doc = max(result_list, key=lambda x: x.relevance_score)
+            max_score_doc = max(true_document_list, key=lambda x: x.relevance_score)
             
             return {
                 "is_relevant": max_score_doc.can_solve_problem,
@@ -155,12 +146,7 @@ json```
                 "explanation": max_score_doc.explanation
             }
         except Exception as e:
-            logging.error(f"判断文档相关性时出错: {str(e)}", exc_info=True)
+            raise e
-            return {
-                "is_relevant": False,
-                "explanation": f"判断过程出错: {str(e)}",
-                "relevance_score": 0.0
-            }
     
     def load_questions_from_excel(self, file_path=None):
         """
@@ -254,7 +240,7 @@ json```
                     "槽位信息": slot_filling_str,
                     "检索的文档": "\n".join(retrieved_doc_titles),
                     "检索的内容":  json.dumps(retrieved_doc, ensure_ascii=False, indent=2) if retrieved_doc else "",
-                    "文档是否相关": "相关" if relevance_result["is_relevant"] else "不相关",
+                    "文档能否解决问题": "能" if relevance_result["is_relevant"] else "不能",
                     "文档相关性解释": relevance_result["explanation"]
                 }
             except Exception as e:

rag2_0/demo/validate_excel_data_batch.py

@@ -251,12 +251,12 @@ class ExcelDataValidator:
         format_instructions = parser.get_format_instructions()
         
         prompt = f"""
-        背景：用户正在使用电力造价软件，提出的问题可能涉及电力造价软件的使用帮助，也可能涉及电力造价专业知识。我针对用户问题检索了相关内容，请评估这些检索内容是否与问题相关、是否准确。
+        背景：用户正在使用电力造价软件，提出的问题可能涉及电力造价软件的使用帮助，也可能涉及电力造价专业知识。我针对用户问题检索了相关内容，请评估这些检索内容是否能解答提问。
 
 问题改写: {rewrite}
 检索内容: {content}
 
-检索内容应该与问题主题相关，能够提供有用的信息来回答问题。请分析检索内容是否相关、准确，并以JSON格式返回结果。请提供一个0到1之间的置信度得分，表示你对判断的确信程度。
+检索内容应该与问题主题相关，能够提供有用的信息来回答问题。请分析检索内容是否能解答提问、准确，并以JSON格式返回结果。请提供一个0到1之间的置信度得分，表示你对判断的确信程度。
 
 {format_instructions}
 """
@@ -393,7 +393,7 @@ class ExcelDataValidator:
                 if self.debug:
                     logging.info(f"  验证检索内容...")
                 
-                result = self.validate_retrieve_content(llm, rewrite, retrieve_content)
+                result = self.validate_retrieve_content(llm, query, retrieve_content)
                 if isinstance(result, tuple) and len(result) >= 3:
                     is_correct, error_reason, retrieve_confidence = result[:3]
                     confidence_score = max(confidence_score, retrieve_confidence)
@@ -555,8 +555,8 @@ def main():
     parser.add_argument("--input", "-i", type=str, help="输入Excel文件路径", default=input_excel)
     parser.add_argument("--output", "-o", type=str, help="输出结果Excel文件路径", default=output_excel)
     parser.add_argument("--workers", "-w", type=int, default=20, help="并行工作线程数")
-    logging.info(f"输入文件路径: {args.input}, 输出文件路径: {args.output}, 并行工作线程数: {args.workers}")
     args = parser.parse_args()
+    logging.info(f"输入文件路径: {args.input}, 输出文件路径: {args.output}, 并行工作线程数: {args.workers}")
     is_debug = hasattr(sys, 'gettrace') and sys.gettrace() is not None
     
     # 创建验证器实例并执行验证

rag2_0/dify/intent_recognition_api.py

@@ -1,16 +1,19 @@
 from flask import Flask, request, Response
 import os
 from dotenv import load_dotenv
-from rag2_0.intent_recognition import IntentRecognizer
 import json
 import time
 import threading
 import datetime
 import logging
-
 # 加载环境变量
 load_dotenv()
 
+import sys
+sys.path.append(os.getcwd())
+from rag2_0.intent_recognition import IntentRecognizer
+
+
 logging.basicConfig(
     level=logging.INFO,
     format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',

rag2_0/intent_recognition/Multi_PromptTemplates.py

@@ -10,28 +10,32 @@ Description: 多轮对话下意图分类、改写核心提示词
 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。
-最高准则：保持问题核心意图，但允许在指代消除、背景继承下添加隐含功能词。但重构后的问题，所有引入的主体背景等均要来源于历史对话、聊天背景或术语库，不得凭空捏造未提及的内容。
+**最高准则**：
+1、保持问题核心意图，但允许在指代消除、背景继承下添加隐含功能词。
+2、重构后的问题，所有引入的主体背景等均要来源于历史对话、聊天背景，不得凭空捏造未提及的内容。
+3、同义词替换：必须是提问中出现了synonymous中的内容，才替换为对应的标准词。不得改变原始意图，否则将导致系统出现灾难性问题
 
 ## 核心原则
 1. **指代消除 → 当指示代词（"那"/"这"）出现时，强制继承历史对话的最新核心主题（如功能或任务），并应用到当前主体。**  
 2. 背景继承 → 补充历史对话和聊天背景中的隐含信息（包括主题和功能）。  
-4. 术语规范 → 同义词转标准词并【】标记。提问中的同义词(synonymous)替换为标准词(name)   
+3. 术语规范 → 同义词转标准词并【】标记。提问中出现的同义词(synonymous)替换为标准词(name)   
-5. 语义保真 → 保持问题核心意图，但允许在指代消除、背景继承下添加隐含功能词。
+4. 语义保真 → 保持问题核心意图，但允许在指代消除、背景继承下添加隐含功能词。
 
 ## 处理流程
 ### 一、输入解析
    - 原始问题(需保留核心语义):
-   <query>
+   <query> {query} </query>
-   {query}
+
-   </query>
+   - 术语库集合(用于同义词转标准词环节)：
-   - 术语库集合：
    <keywords>
    {keywords}
    </keywords>
+
    - 历史对话记录：
    <history>
    {chat_history}
    </history>
+   
    - 当前聊天背景：
    <conversation_background>
    {context}
@@ -56,8 +60,8 @@ graph TD
 1. **指代消除 → 当指示代词出现时，优先继承历史对话的核心主题（如功能词），并替换当前问题的动词部分。**  
 2. 背景继承 → 历史对话中确定的背景信息需要保留。  
 3. 术语处理 → 同义词转标准词 + 【】标记。
-4. 同义词转标准词 → 将提问中的同义词(synonymous)替换为标准词(name) 
+4. 同义词转标准词 → 将提问中出现的同义词(synonymous)替换为对应标准词(name) 
-4. 结构优化 → 保持原问题的5W2H特征，指代消除、背景继承下允许微调意图。
+5. 结构优化 → 保持原问题的5W2H特征，指代消除、背景继承下允许微调意图。
 
 ## 输出规范
 {output_format}

rag2_0/tool/APIKeyManager.py

@@ -92,7 +92,7 @@ class APIKeyManager:
             "Content-Type": "application/json"
         }
         data = {
-            "model": "deepseek-ai/DeepSeek-V3",
+            "model": "Qwen/Qwen2.5-7B-Instruct",
             "messages": [
                 {"role": "user", "content": "ping"}
             ],
@@ -275,7 +275,7 @@ if __name__ == "__main__":
 
     stats = instance.get_usage_stats()
     all_balance=0.0
-    buy_balance=14 * 10 * 14 # 购买18次，一次10条api_key，每个api_key有14元
+    buy_balance=17 * 10 * 14 # 购买18次，一次10条api_key，每个api_key有14元
     invalid_api_keys = []
     for key, data in stats.items():
         usage_stats = APIKeyManager.get_key_usage_stats(key)
@@ -295,4 +295,6 @@ if __name__ == "__main__":
     print(f"开始移除无效的API密钥，并重新保存")
     APIKeyManager.remove_invalid_api_keys(invalid_api_keys)
     APIKeyManager.save_api_keys()
-    print(f"移除无效的API密钥，并重新保存完成")
+    print(f"移除无效的API密钥，并重新保存完成")
+    import datetime
+    print(f"当前时间：{datetime.datetime.now()}")