更新python后端

2025-09-18 17:18:18 +08:00
parent 2fc209e6e6
commit de6a350da8
45 changed files with 2524 additions and 89 deletions
@@ -5,7 +5,7 @@ from langchain.prompts import PromptTemplate
 chatPrompt = PromptTemplate(
    input_variables=["aiRole", "history", "userInput"],
    template = """
-        你是一个人，用户画像为：{aiRole}。
+        你的用户画像为：{aiRole}。
        你需要基于你的角色性格，使用中文回答用户。

        聊天历史：
@@ -0,0 +1,82 @@
+from langchain.prompts import PromptTemplate
+from config.llm import llm,llmThink
+import db.milvus as milvus
+import db.postgres as pg
+import json
+
+memPathPrompt = PromptTemplate(
+    input_variables=["ai_role", "CHAT_RECORD"],
+    template = """
+你是一个记忆筛选器，负责判断最近对话的信息中，用户的回复内容是否对业务具有长期价值或潜在价值，或者可以帮助形成用户画像。
+首先，请仔细阅读以下关于你业务的描述： 
+<ai_role> 
+{ai_role} 
+</ai_role> 
+现在，请仔细阅读以下你与用户的聊天记录： 
+<聊天记录> 
+{CHAT_RECORD} 
+</聊天记录>
+
+请仔细考虑以下标准：
+
+1. 长期价值：用户最新回复信息是否能为你的业务提供知识积累、经验总结、数据支持。
+
+2. 相关性：用户最新回复是否与业务核心需求、目标、流程或潜在业务场景相关。
+
+3. 潜在可用性：用户最新回复是否可能在未来的业务场景中被重复使用、参考或触发进一步操作。
+
+你需要根据以上标准给出判断并得出"yes"或"no"
+yes：用户最新回复具有直接或潜在长期价值，值得保留。
+no：用户最新回复价值有限或几乎不会在未来业务中使用。
+
+回复不要带任何标点符号以及空格、换行符。
+请给出你的判断结果：
+    """
+)
+memPathChain = memPathPrompt | llmThink
+memPrompt = PromptTemplate(
+    input_variables=["CHAT_RECORD"],
+    template = """
+你的任务是对给定的聊天记录进行关键信息的记忆总结。请仔细阅读以下聊天记录，并按照要求进行总结：
+<聊天记录>
+{CHAT_RECORD}
+</聊天记录>
+在总结时，请遵循以下指南：
+1. 提取聊天记录中的用户所说的关键信息，包括主要话题、重要观点、达成的共识或决定等。
+2. 用简洁明了的语言进行总结有价值的信息，避免冗长和复杂的表述。
+3. 确保总结内容准确反映聊天记录中用户的核心内容，并尽可能简短。
+4. 总结内容应包含时间，并确保时间是准确的。
+5. 你需要针对你的业务场景{ai_role}，展开对用户最后回复的总结。
+请生成你的总结，以用户、时间开头：
+    """
+)
+memChain = memPrompt | llmThink
+def take_memory(ai_id:str,sessionId: str,user_id:str, max_retry=3):
+    """根据用户输入选择数据来源"""
+    history = pg.get_history_with_time(sessionId,10)
+    print("获取的历史记录:",history)
+    ai_service = pg.get_description(ai_id)
+    if ai_service == "":
+        # AI描述没有描述，则取业务字段
+        json = pg.get_ai_personality(ai_id)
+        if json.get("业务", "") == "":
+            # AI没有任何描述，无法对记忆价值进行判断
+            print("AI没有任何描述，无法对记忆价值进行判断")
+            return
+        else:
+            ai_service = json["业务"]
+    print("获取的描述是：", ai_service)
+    choice = memPathChain.invoke({
+        "ai_role": ai_service,
+        "CHAT_RECORD": history,
+    }).content.strip().lower()
+    print("记忆判断器判断的结果是：", choice)
+    if choice == "yes":
+        # 对对话进行总结
+        memory = memChain.invoke({
+            "CHAT_RECORD": history,
+            "ai_role": ai_service,
+        }).content.strip().lower()
+        print("记忆生成结果是：", memory)
+        milvus.add_memory(mem = memory,user_id = user_id, is_active = True, ai_id = ai_id)
+        return
@@ -0,0 +1,69 @@
+
+from config.llm import llm
+from langchain.prompts import PromptTemplate
+from config.ssDb import ssDBLC 
+from langchain_community.agent_toolkits import create_sql_agent
+
+#______________________________________________________________SQL描述_____________________________________________________________________
+sqlDescriptionPrompt = PromptTemplate(
+    input_variables=["sql"],
+    template = """
+        你是一个SQL专家，精通SQLServer数据库。请把一下SQL查询语句用通俗易懂的中文进行总结。
+        SQL语句：{sql}
+        有以下要求：
+        1. 不要任何解释
+        2. 不能有标点符号
+        3. 不能有markdown语法
+        4. 要用业务语言描述，不能有专业语句例如SQL表名等
+        请生成你认为合适的标题，：
+    """
+)
+sqlDescriptionChain = sqlDescriptionPrompt | llm
+
+def get_sql_description_response( sql: str) -> str:
+    return sqlDescriptionChain.invoke({
+            "sql": sql
+        })
+
+#______________________________________________________________第一次生成SQL_____________________________________________________________________
+sqlPrompt = PromptTemplate(
+    input_variables=["userInput"],
+    template = """
+        你是一个SQL专家，精通SQLServer数据库。
+        请根据用户的需求，生成相应的SQL查询语句。
+        只需要返回SQL语句，不要任何解释。
+        用户需求：{userInput}
+        请生成SQL语句：
+    """
+)
+sqlChain = sqlPrompt | llm
+agent = create_sql_agent(
+    llm=llm,
+    db=ssDBLC,
+    agent_type="tool-calling",  
+    verbose=True
+)
+# def get_chat_sql_response2( userInput: str) -> str:
+#     return sqlChain.invoke({
+#             "userInput": userInput
+#         })
+def get_chat_sql_response( userInput: str) -> str:
+    return agent.invoke({"input": userInput})["output"]
+
+#______________________________________________________________改进SQL_____________________________________________________________________
+sqlImprovePrompt = PromptTemplate(
+    input_variables=["userInput", "sql"],
+    template = """
+        你是一个SQL专家，精通SQLServer数据库。
+        请根据用户的需求，改进已有的SQL查询语句。
+        只需要返回改进后的SQL语句，不要任何解释。
+        已有SQL：{sql}
+        用户需求：{userInput}
+    """
+)
+sqlImproveChain = sqlImprovePrompt | llm
+
+def get_chat_sql_improve_response( userInput: str) -> str:
+    return sqlImproveChain.invoke({
+            "userInput": userInput
+        })
@@ -10,6 +10,7 @@ titlePrompt = PromptTemplate(
        2. 直接概括本次对话的核心内容。
        3. 避免使用笼统或无意义的词语，如“讨论”、“聊天”等。
        4. 保持自然、易懂、专业或有趣（可根据场景调整风格）。
+        5. 不能出现标点符号。
        用户原话："{userStr}"
    """
 )