Initial commit

2026-05-12 09:41:56 +08:00
commit 572283e101
936 changed files with 133949 additions and 0 deletions
@@ -0,0 +1,401 @@
+"""
+生成集成模块
+"""
+
+import os
+import logging
+from typing import List
+
+from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
+from langchain_community.chat_models.moonshot import MoonshotChat
+from langchain_core.documents import Document
+from langchain_core.runnables import RunnablePassthrough
+from langchain_core.output_parsers import StrOutputParser
+
+logger = logging.getLogger(__name__)
+
+class GenerationIntegrationModule:
+    """生成集成模块 - 负责LLM集成和回答生成"""
+    
+    def __init__(self, model_name: str = "kimi-k2-0711-preview", temperature: float = 0.1, max_tokens: int = 2048):
+        """
+        初始化生成集成模块
+        
+        Args:
+            model_name: 模型名称
+            temperature: 生成温度
+            max_tokens: 最大token数
+        """
+        self.model_name = model_name
+        self.temperature = temperature
+        self.max_tokens = max_tokens
+        self.llm = None
+        self.setup_llm()
+    
+    def setup_llm(self):
+        """初始化大语言模型"""
+        logger.info(f"正在初始化LLM: {self.model_name}")
+
+        api_key = os.getenv("MOONSHOT_API_KEY")
+        if not api_key:
+            raise ValueError("请设置 MOONSHOT_API_KEY 环境变量")
+
+        self.llm = MoonshotChat(
+            model=self.model_name,
+            temperature=self.temperature,
+            max_tokens=self.max_tokens,
+            moonshot_api_key=api_key
+        )
+        
+        logger.info("LLM初始化完成")
+    
+    def generate_basic_answer(self, query: str, context_docs: List[Document]) -> str:
+        """
+        生成基础回答
+
+        Args:
+            query: 用户查询
+            context_docs: 上下文文档列表
+
+        Returns:
+            生成的回答
+        """
+        context = self._build_context(context_docs)
+
+        prompt = ChatPromptTemplate.from_template("""
+你是一位专业的烹饪助手。请根据以下食谱信息回答用户的问题。
+
+用户问题: {question}
+
+相关食谱信息:
+{context}
+
+请提供详细、实用的回答。如果信息不足，请诚实说明。
+
+回答:""")
+
+        # 使用LCEL构建链
+        chain = (
+            {"question": RunnablePassthrough(), "context": lambda _: context}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        response = chain.invoke(query)
+        return response
+    
+    def generate_step_by_step_answer(self, query: str, context_docs: List[Document]) -> str:
+        """
+        生成分步骤回答
+
+        Args:
+            query: 用户查询
+            context_docs: 上下文文档列表
+
+        Returns:
+            分步骤的详细回答
+        """
+        context = self._build_context(context_docs)
+
+        prompt = ChatPromptTemplate.from_template("""
+你是一位专业的烹饪导师。请根据食谱信息，为用户提供详细的分步骤指导。
+
+用户问题: {question}
+
+相关食谱信息:
+{context}
+
+请灵活组织回答，建议包含以下部分（可根据实际内容调整）：
+
+## 🥘 菜品介绍
+[简要介绍菜品特点和难度]
+
+## 🛒 所需食材
+[列出主要食材和用量]
+
+## 👨‍🍳 制作步骤
+[详细的分步骤说明，每步包含具体操作和大概所需时间]
+
+## 💡 制作技巧
+[仅在有实用技巧时包含。优先使用原文中的实用技巧，如果原文的"附加内容"与烹饪无关或为空，可以基于制作步骤总结关键要点，或者完全省略此部分]
+
+注意：
+- 根据实际内容灵活调整结构
+- 不要强行填充无关内容或重复制作步骤中的信息
+- 重点突出实用性和可操作性
+- 如果没有额外的技巧要分享，可以省略制作技巧部分
+
+回答:""")
+
+        chain = (
+            {"question": RunnablePassthrough(), "context": lambda _: context}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        response = chain.invoke(query)
+        return response
+    
+    def query_rewrite(self, query: str) -> str:
+        """
+        智能查询重写 - 让大模型判断是否需要重写查询
+
+        Args:
+            query: 原始查询
+
+        Returns:
+            重写后的查询或原查询
+        """
+        prompt = PromptTemplate(
+            template="""
+你是一个智能查询分析助手。请分析用户的查询，判断是否需要重写以提高食谱搜索效果。
+
+原始查询: {query}
+
+分析规则：
+1. **具体明确的查询**（直接返回原查询）：
+   - 包含具体菜品名称：如"宫保鸡丁怎么做"、"红烧肉的制作方法"
+   - 明确的制作询问：如"蛋炒饭需要什么食材"、"糖醋排骨的步骤"
+   - 具体的烹饪技巧：如"如何炒菜不粘锅"、"怎样调制糖醋汁"
+
+2. **模糊不清的查询**（需要重写）：
+   - 过于宽泛：如"做菜"、"有什么好吃的"、"推荐个菜"
+   - 缺乏具体信息：如"川菜"、"素菜"、"简单的"
+   - 口语化表达：如"想吃点什么"、"有饮品推荐吗"
+
+重写原则：
+- 保持原意不变
+- 增加相关烹饪术语
+- 优先推荐简单易做的
+- 保持简洁性
+
+示例：
+- "做菜" → "简单易做的家常菜谱"
+- "有饮品推荐吗" → "简单饮品制作方法"
+- "推荐个菜" → "简单家常菜推荐"
+- "川菜" → "经典川菜菜谱"
+- "宫保鸡丁怎么做" → "宫保鸡丁怎么做"（保持原查询）
+- "红烧肉需要什么食材" → "红烧肉需要什么食材"（保持原查询）
+
+请输出最终查询（如果不需要重写就返回原查询）:""",
+            input_variables=["query"]
+        )
+
+        chain = (
+            {"query": RunnablePassthrough()}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        response = chain.invoke(query).strip()
+
+        # 记录重写结果
+        if response != query:
+            logger.info(f"查询已重写: '{query}' → '{response}'")
+        else:
+            logger.info(f"查询无需重写: '{query}'")
+
+        return response
+
+
+
+    def query_router(self, query: str) -> str:
+        """
+        查询路由 - 根据查询类型选择不同的处理方式
+
+        Args:
+            query: 用户查询
+
+        Returns:
+            路由类型 ('list', 'detail', 'general')
+        """
+        prompt = ChatPromptTemplate.from_template("""
+根据用户的问题，将其分类为以下三种类型之一：
+
+1. 'list' - 用户想要获取菜品列表或推荐，只需要菜名
+   例如：推荐几个素菜、有什么川菜、给我3个简单的菜
+
+2. 'detail' - 用户想要具体的制作方法或详细信息
+   例如：宫保鸡丁怎么做、制作步骤、需要什么食材
+
+3. 'general' - 其他一般性问题
+   例如：什么是川菜、制作技巧、营养价值
+
+请只返回分类结果：list、detail 或 general
+
+用户问题: {query}
+
+分类结果:""")
+
+        chain = (
+            {"query": RunnablePassthrough()}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        result = chain.invoke(query).strip().lower()
+
+        # 确保返回有效的路由类型
+        if result in ['list', 'detail', 'general']:
+            return result
+        else:
+            return 'general'  # 默认类型
+
+    def generate_list_answer(self, query: str, context_docs: List[Document]) -> str:
+        """
+        生成列表式回答 - 适用于推荐类查询
+
+        Args:
+            query: 用户查询
+            context_docs: 上下文文档列表
+
+        Returns:
+            列表式回答
+        """
+        if not context_docs:
+            return "抱歉，没有找到相关的菜品信息。"
+
+        # 提取菜品名称
+        dish_names = []
+        for doc in context_docs:
+            dish_name = doc.metadata.get('dish_name', '未知菜品')
+            if dish_name not in dish_names:
+                dish_names.append(dish_name)
+
+        # 构建简洁的列表回答
+        if len(dish_names) == 1:
+            return f"为您推荐：{dish_names[0]}"
+        elif len(dish_names) <= 3:
+            return f"为您推荐以下菜品：\n" + "\n".join([f"{i+1}. {name}" for i, name in enumerate(dish_names)])
+        else:
+            return f"为您推荐以下菜品：\n" + "\n".join([f"{i+1}. {name}" for i, name in enumerate(dish_names[:3])]) + f"\n\n还有其他 {len(dish_names)-3} 道菜品可供选择。"
+
+    def generate_basic_answer_stream(self, query: str, context_docs: List[Document]):
+        """
+        生成基础回答 - 流式输出
+
+        Args:
+            query: 用户查询
+            context_docs: 上下文文档列表
+
+        Yields:
+            生成的回答片段
+        """
+        context = self._build_context(context_docs)
+
+        prompt = ChatPromptTemplate.from_template("""
+你是一位专业的烹饪助手。请根据以下食谱信息回答用户的问题。
+
+用户问题: {question}
+
+相关食谱信息:
+{context}
+
+请提供详细、实用的回答。如果信息不足，请诚实说明。
+
+回答:""")
+
+        chain = (
+            {"question": RunnablePassthrough(), "context": lambda _: context}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        for chunk in chain.stream(query):
+            yield chunk
+
+    def generate_step_by_step_answer_stream(self, query: str, context_docs: List[Document]):
+        """
+        生成详细步骤回答 - 流式输出
+
+        Args:
+            query: 用户查询
+            context_docs: 上下文文档列表
+
+        Yields:
+            详细步骤回答片段
+        """
+        context = self._build_context(context_docs)
+
+        prompt = ChatPromptTemplate.from_template("""
+你是一位专业的烹饪导师。请根据食谱信息，为用户提供详细的分步骤指导。
+
+用户问题: {question}
+
+相关食谱信息:
+{context}
+
+请灵活组织回答，建议包含以下部分（可根据实际内容调整）：
+
+## 🥘 菜品介绍
+[简要介绍菜品特点和难度]
+
+## 🛒 所需食材
+[列出主要食材和用量]
+
+## 👨‍🍳 制作步骤
+[详细的分步骤说明，每步包含具体操作和大概所需时间]
+
+## 💡 制作技巧
+[仅在有实用技巧时包含。如果原文的"附加内容"与烹饪无关或为空，可以基于制作步骤总结关键要点，或者完全省略此部分]
+
+注意：
+- 根据实际内容灵活调整结构
+- 不要强行填充无关内容
+- 重点突出实用性和可操作性
+
+回答:""")
+
+        chain = (
+            {"question": RunnablePassthrough(), "context": lambda _: context}
+            | prompt
+            | self.llm
+            | StrOutputParser()
+        )
+
+        for chunk in chain.stream(query):
+            yield chunk
+
+    def _build_context(self, docs: List[Document], max_length: int = 2000) -> str:
+        """
+        构建上下文字符串
+        
+        Args:
+            docs: 文档列表
+            max_length: 最大长度
+            
+        Returns:
+            格式化的上下文字符串
+        """
+        if not docs:
+            return "暂无相关食谱信息。"
+        
+        context_parts = []
+        current_length = 0
+        
+        for i, doc in enumerate(docs, 1):
+            # 添加元数据信息
+            metadata_info = f"【食谱 {i}】"
+            if 'dish_name' in doc.metadata:
+                metadata_info += f" {doc.metadata['dish_name']}"
+            if 'category' in doc.metadata:
+                metadata_info += f" | 分类: {doc.metadata['category']}"
+            if 'difficulty' in doc.metadata:
+                metadata_info += f" | 难度: {doc.metadata['difficulty']}"
+            
+            # 构建文档文本
+            doc_text = f"{metadata_info}\n{doc.page_content}\n"
+            
+            # 检查长度限制
+            if current_length + len(doc_text) > max_length:
+                break
+            
+            context_parts.append(doc_text)
+            current_length += len(doc_text)
+        
+        return "\n" + "="*50 + "\n".join(context_parts)