From 063ac7868b4aa7c17226d3edc355ffd44c651051 Mon Sep 17 00:00:00 2001 From: HuangHai <10402852@qq.com> Date: Tue, 19 Aug 2025 11:02:57 +0800 Subject: [PATCH] 'commit' --- dsSchoolBuddy/Start.py | 160 +---------------------------------------- 1 file changed, 2 insertions(+), 158 deletions(-) diff --git a/dsSchoolBuddy/Start.py b/dsSchoolBuddy/Start.py index a137d584..c1610d04 100644 --- a/dsSchoolBuddy/Start.py +++ b/dsSchoolBuddy/Start.py @@ -42,7 +42,7 @@ def get_system_prompt(): 最重要的是：不要直接给出答案，而是通过合作和基于学生已有知识的引导，帮助学生自己找到答案。 """ -async def lifespan(app: FastAPI): +async def lifespan(_: FastAPI): yield app = FastAPI(lifespan=lifespan) @@ -57,49 +57,10 @@ async def chat(request: fastapi.Request): data = await request.json() user_id = data.get('user_id', 'anonymous') query = data.get('query', '') - query_tags = data.get('tags', []) - session_id = data.get('session_id', str(uuid.uuid4())) - include_history = data.get('include_history', True) if not query: raise HTTPException(status_code=400, detail="查询内容不能为空") - # 1. 保存当前查询到 ES - await save_query_to_es(user_id, session_id, query, query_tags) - - # 2. 获取相关历史记录 - history_context = "" - if include_history: - history_results = await get_related_history_from_es(user_id, query) - if history_results: - history_context = "\n".join([ - f"历史问题 {i+1}: {item['query']}\n历史回答: {item['answer']}" - for i, item in enumerate(history_results[:3]) # 取最近3条相关历史 - ]) - logger.info(f"找到 {len(history_results)} 条相关历史记录") - - # 3. 调用 ES 进行混合搜索 - logger.info(f"开始执行混合搜索: query={query}") - search_results = await search_by_mixed(query, query_tags) - - # 4. 构建提示词 - context = "" - if search_results: - context = "\n".join([ - f"搜索结果 {i+1}: {res['_source']['user_input']}" - for i, res in enumerate(search_results[:5]) # 取前5条搜索结果 - ]) - - # 结合历史记录和搜索结果构建完整上下文 - full_context = "" - if history_context: - full_context += f"相关历史对话:\n{history_context}\n\n" - if context: - full_context += f"相关知识:\n{context}" - - if not full_context: - full_context = "没有找到相关信息" - # 获取系统提示词 system_prompt = get_system_prompt() @@ -107,27 +68,13 @@ async def chat(request: fastapi.Request): {system_prompt.strip()} 用户现在的问题是: '{query}' - - {full_context} - - 回答要求: - 1. 对于公式内容: - - 使用行内格式: $公式$ - - 重要公式可单独一行显示 - - 绝对不要使用代码块格式(```或''') - - 可适当使用\large增大公式字号 - 2. 如果没有提供任何资料，那就直接拒绝回答，明确不在知识范围内。 - 3. 如果发现提供的资料与要询问的问题都不相关，就拒绝回答，明确不在知识范围内。 - 4. 如果发现提供的资料中只有部分与问题相符，那就只提取有用的相关部分，其它部分请忽略。 - 5. 回答要基于提供的资料，不要编造信息。 - 6. 请结合用户的历史问题和回答，提供更连贯的回复。 """ # 5. 流式调用大模型生成回答 async def generate_response_stream(): try: stream = await client.chat.completions.create( - model=Config.MODEL_NAME, + model=Config.MODEL_NAME if hasattr(Config, 'MODEL_NAME') else 'gpt-3.5-turbo', messages=[ {'role': 'user', 'content': prompt} ], @@ -142,10 +89,6 @@ async def chat(request: fastapi.Request): full_answer.append(chunk.choices[0].delta.content) yield f"data: {json.dumps({'reply': chunk.choices[0].delta.content}, ensure_ascii=False)}\n\n" - # 保存回答到 ES - if full_answer: - await save_answer_to_es(user_id, session_id, query, ''.join(full_answer)) - except Exception as e: logger.error(f"大模型调用失败: {str(e)}") yield f"data: {json.dumps({'error': f'生成回答失败: {str(e)}'})}\n\n" @@ -160,105 +103,6 @@ async def chat(request: fastapi.Request): raise HTTPException(status_code=500, detail=f"处理请求失败: {str(e)}") -async def save_query_to_es(user_id, session_id, query, query_tags): - """保存查询记录到 Elasticsearch""" - try: - # 生成查询向量 - query_embedding = search_util.get_query_embedding(query) - timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S') - - # 准备文档数据 - doc = { - 'user_id': user_id, - 'session_id': session_id, - 'query': query, - 'query_embedding': query_embedding, - 'tags': query_tags, - 'created_at': timestamp, - 'type': 'query' - } - - # 保存到 ES - # 假设 EsSearchUtil 有一个 save_document 方法 - # 如果没有，需要在 EsSearchUtil 中实现该方法 - await search_util.save_document('user_queries', doc) - logger.info(f"保存用户查询记录成功: user_id={user_id}, query={query}") - except Exception as e: - logger.error(f"保存查询记录失败: {str(e)}") - - -async def save_answer_to_es(user_id, session_id, query, answer): - """保存回答记录到 Elasticsearch""" - try: - timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S') - - # 准备文档数据 - doc = { - 'user_id': user_id, - 'session_id': session_id, - 'query': query, - 'answer': answer, - 'created_at': timestamp, - 'type': 'answer' - } - - # 保存到 ES - await search_util.save_document('user_answers', doc) - logger.info(f"保存回答成功: user_id={user_id}, query={query}") - except Exception as e: - logger.error(f"保存回答失败: {str(e)}") - - -async def get_related_history_from_es(user_id, query): - """从 Elasticsearch 获取相关历史记录""" - try: - # 生成查询向量 - query_embedding = search_util.get_query_embedding(query) - - # 在 ES 中搜索相关查询 - # 假设 EsSearchUtil 有一个 search_related_queries 方法 - # 如果没有，需要在 EsSearchUtil 中实现该方法 - related_queries = await search_util.search_related_queries( - user_id=user_id, - query_embedding=query_embedding, - size=50 - ) - - if not related_queries: - return [] - - # 对结果按相似度排序 - related_queries.sort(key=lambda x: x['similarity'], reverse=True) - - return related_queries[:3] # 返回前3条最相关的记录 - except Exception as e: - logger.error(f"获取相关历史记录失败: {str(e)}") - return [] - - - -async def search_by_mixed(query, query_tags): - """混合关键字和向量搜索""" - try: - # 1. 向量搜索 - query_embedding = search_util.get_query_embedding(query) - vector_results = search_util.search_by_vector(query_embedding, k=10) - - # 2. 关键字搜索 - keyword_results = search_util.text_search(query, size=10) - keyword_hits = keyword_results['hits']['hits'] if 'hits' in keyword_results and 'hits' in keyword_results['hits'] else [] - - # 3. 合并结果 - keyword_results_with_scores = [(doc, doc['_score']) for doc in keyword_hits] - vector_results_with_scores = [(doc, doc['_score']) for doc in vector_results] - - merged_results = search_util.merge_results(keyword_results_with_scores, vector_results_with_scores) - - # 4. 提取文档 - return [item[0] for item in merged_results[:10]] # 返回前10条结果 - except Exception as e: - logger.error(f"混合搜索失败: {str(e)}") - return [] if __name__ == "__main__":