116 lines
4.9 KiB
Python
116 lines
4.9 KiB
Python
"""沿用意图判断，提取具体需求"""
|
|
|
|
import json
|
|
|
|
from langchain_core.messages import HumanMessage, SystemMessage
|
|
|
|
from app.clients.llm import get_llm
|
|
from app.processor.base import BaseNode
|
|
from app.processor.state import QueryState
|
|
from app.prompt.requirement import REQUIREMENT_SYSTEM_PROMPT, build_requirement_input
|
|
from app.schemas.requirement import Requirement
|
|
|
|
|
|
class RequirementNode(BaseNode):
|
|
name = "requirement_node"
|
|
|
|
async def process(self, state: QueryState) -> QueryState:
|
|
# 浅拷贝状态
|
|
updated_state: QueryState = state.copy()
|
|
# 获取输入节点已校验的上下文，包含用户需求、当前大屏和澄清记录
|
|
context = state["input_context"]
|
|
# 获取意图节点经过置信度判断的最终意图，本节点沿用该结果
|
|
intent = state["intent"]
|
|
|
|
llm_client = get_llm(Requirement)
|
|
# 异步调用模型，结合当前上下文提取目标、变更、约束及需要澄清的信息
|
|
llm_res = await llm_client.ainvoke(
|
|
[
|
|
# 系统消息提供稳定的需求提取规则和输出边界
|
|
SystemMessage(content=REQUIREMENT_SYSTEM_PROMPT),
|
|
# 用户消息承载本次需求、大屏、澄清记录和已确认的意图等具体资料
|
|
HumanMessage(content=build_requirement_input(context, intent)),
|
|
]
|
|
)
|
|
|
|
# 用上游意图覆盖模型返回的 intent，避免需求提取阶段重新分类
|
|
# 覆盖后重新校验字段一致性，例如 unclear 必须要求澄清，qa 不能包含变更
|
|
requirement = Requirement.model_validate(
|
|
{**llm_res.model_dump(), "intent": intent}
|
|
)
|
|
# 收集当前大屏中真实存在的节点 ID，用于校验模型提取的变更目标
|
|
node_ids = {node.id for node in context.screen.nodes}
|
|
# 逐项检查需求变更，防止后续节点基于不存在的组件生成方案或动作
|
|
for change in requirement.changes:
|
|
# 用集合差集找出不在当前大屏中的目标 ID，非空时保存到 unknown_ids
|
|
if unknown_ids := set(change.target_ids) - node_ids:
|
|
# 如果存在无效目标，立即抛出异常，并排序输出 ID 以便定位问题
|
|
raise ValueError(f"需求引用了不存在的节点: {sorted(unknown_ids)}")
|
|
|
|
# 保存通过结构及目标校验的需求，供后续澄清或范围判断使用
|
|
updated_state["requirement"] = requirement
|
|
# 返回更新后的状态，由图继续执行后续节点
|
|
return updated_state
|
|
|
|
|
|
if __name__ == "__main__":
|
|
import asyncio
|
|
|
|
from pydantic import BaseModel
|
|
|
|
from app.clients.decision import close_decision_engine
|
|
from app.processor.nodes.input_node import InputNode
|
|
from app.processor.nodes.intent_node import IntentNode
|
|
|
|
async def main():
|
|
# 1. 修改这里的请求，测试具体需求提取
|
|
state: QueryState = {
|
|
"request": {
|
|
"prompt": "把销售额统计向右移动 50px，其他不变",
|
|
"screen": {
|
|
"canvas": {"width": 1920, "height": 1080},
|
|
"nodes": [
|
|
{
|
|
"id": "sales-chart",
|
|
"type": "bar-chart",
|
|
"name": "销售额统计",
|
|
"layout": {"x": 26, "y": 34.8, "width": 400, "height": 260},
|
|
"props": {"option": {"title": {"text": "销售额统计"}}},
|
|
}
|
|
],
|
|
"dataSource": [],
|
|
},
|
|
"context": {"selected_node_ids": ["sales-chart"]},
|
|
}
|
|
}
|
|
# 2. 依次执行输入、意图判断和需求理解
|
|
try:
|
|
# 先将原始请求校验为统一的输入上下文
|
|
state = InputNode().process(state)
|
|
# 调用 Jev 判断意图，为需求提取提供已确认的分类结果
|
|
state = await IntentNode().process(state)
|
|
# 基于上下文和意图调用模型，提取结构化需求
|
|
node = RequirementNode()
|
|
final_state = await node.process(state)
|
|
finally:
|
|
# 无论处理成功还是抛出异常，都关闭示例使用的 Jev 连接
|
|
await close_decision_engine()
|
|
|
|
# 3. 打印完整 state
|
|
# 将状态中的 Pydantic 模型转成字典，其他值保持原样，以便输出 JSON
|
|
print(
|
|
json.dumps(
|
|
{
|
|
key: value.model_dump(mode="json", exclude_unset=True)
|
|
if isinstance(value, BaseModel)
|
|
else value
|
|
for key, value in final_state.items()
|
|
},
|
|
ensure_ascii=False,
|
|
indent=2,
|
|
)
|
|
)
|
|
|
|
# 启动事件循环，执行上面的异步调试流程
|
|
asyncio.run(main())
|