# -*- coding: utf-8 -*- """大模型服务：Qwen、DeepSeek 等轻量模型，结合知识图谱给出严谨回答""" import json import httpx import re from typing import Any, Dict, List, Optional from backend.config import get_settings def expand_with_llm( query: str, kg_context: List[Dict[str, str]], meta: Optional[Dict[str, Any]] = None, ) -> str: """ 大模型扩充回答：结合知识图谱事实与大模型通识能力给出口语化、贴合教材的答案。 设计策略（更侧重“正常可用、隐藏图谱薄弱”）： - 若存在知识图谱检索结果（kg_context 非空），将其视为【参考背景】而不是硬约束， 要求回答与这些事实不矛盾，但可以结合自身初中化学知识补全和拓展； - 若当前问题在知识图谱中完全检索不到相关三元组（kg_context 为空）， 直接依托大模型自身学科知识作答，避免暴露“图谱太薄弱”的事实。 """ settings = get_settings() has_kg = bool(kg_context) context_str = ( "\n".join( [ f"{c.get('subject','')} {c.get('predicate','')} {c.get('obj','')}" for c in kg_context ] ) if kg_context else "" ) # 若配置了 API，调用 Qwen/DeepSeek（兼容 OpenAI 接口） if settings.LLM_API_KEY and settings.LLM_PROVIDER: try: print( f"[LLM] try call provider={settings.LLM_PROVIDER}, " f"base_url={settings.LLM_BASE_URL}, has_key={bool(settings.LLM_API_KEY)}, " f"has_kg={has_kg}" ) return _call_llm_api(query, context_str, settings, meta=meta, has_kg=has_kg) except Exception as e: # 打印错误方便排查 DeepSeek / Qwen 配置问题，避免静默失败 print(f"[LLM] call failed, fallback to KG only. error={e}") # 兜底：仅在大模型 API 不可用时触发 if context_str: return _normalize_chem_text( "下面是与本题相关的一些基础知识整理：\n\n" f"{context_str}\n\n" "你可以结合教材内容和老师的讲解进一步理解这些知识点。" ) return _normalize_chem_text( "目前系统暂时无法从后台获取更详细的参考资料，" "建议先按照教材对应章节的内容进行复习，并向老师或同学请教。" ) def _normalize_chem_text(text: str) -> str: """ 对大模型返回的文本做一次简单的“化学方程式格式清洗”， 主要目标是把常见的 LaTeX / HTML 形式的箭头和条件转换为 初中教材中常见的直观写法，避免学生看到一堆类似 \\xrightarrow{} 的“乱码”。 """ if not text: return text # 去掉最常见的 LaTeX 行内数学定界符和美元号 text = text.replace(r"\(", "").replace(r"\)", "").replace("$", "") # 统一处理常见的“加热”/“三角形”条件写法，避免 \triangle 这类看起来像乱码的片段 # 例如：2KClO₃ \triangle，MnO2→ 2KCl + 3O₂↑ text = re.sub(r"\\(triangle|Triangle|Delta|delta)\b", "△", text) text = text.replace("Δ", "△") # 常见的条件箭头写法：\xrightarrow{\triangle} 或 \xrightarrow{\Delta} text = re.sub(r"\\xrightarrow\{\s*\\?(triangle|Triangle|Delta|delta)\s*\}", " △→ ", text) # 处理形如 \xrightarrow{\text{MnO}_2} 的写法 # 先把 \text{MnO}_2 变成 MnO2 text = re.sub(r"\\text\{([A-Za-z0-9]+)\}_([0-9]+)", r"\1\2", text) # 再把剩余的 \text{...} 去掉外壳 text = re.sub(r"\\text\{([^}]*)\}", r"\1", text) # 处理上下标条件箭头：\xrightarrow[\text{MnO}_2]{\triangle} def _arrow_with_two(m: re.Match) -> str: lower = (m.group(1) or "").strip() upper = (m.group(2) or "").strip() parts = [p for p in [upper, lower] if p] cond = "，".join(parts) if cond: return f"{cond}→" return "→" text = re.sub(r"\\xrightarrow\[(.*?)\]\{(.*?)\}", _arrow_with_two, text) # 剩余的一元条件箭头：\xrightarrow{条件} def _arrow_with_one(m: re.Match) -> str: cond = (m.group(1) or "").strip() return f"{cond}→" if cond else "→" text = re.sub(r"\\xrightarrow\{([^}]*)\}", _arrow_with_one, text) # 处理其他常见 LaTeX 箭头 / 气体符号写法 text = re.sub(r"\\(rightarrow|Rightarrow|to)\b", "→", text) text = re.sub(r"\\uparrow\b", "↑", text) text = re.sub(r"\\downarrow\b", "↓", text) # 一些 HTML 箭头编码统一为常见符号 text = ( text.replace("→", "→") .replace("←", "←") .replace("↑", "↑") .replace("↓", "↓") ) text = text.replace("->", "→").replace("<-", "←") # 将下标/上标数字统一为普通数字，避免在部分设备上显示成“方块”或乱码 sub_map = str.maketrans("₀₁₂₃₄₅₆₇₈₉", "0123456789") sup_map = str.maketrans("⁰¹²³⁴⁵⁶⁷⁸⁹⁺⁻", "0123456789+-") text = text.translate(sub_map).translate(sup_map) # 合并多余空格 text = re.sub(r"[ \t]{2,}", " ", text) return text def _call_llm_api( query: str, context: str, settings, meta: Optional[Dict[str, Any]] = None, has_kg: bool = True, ) -> str: """ 调用 Qwen/DeepSeek 等 OpenAI 兼容接口，采用两种提示词模板： - has_kg = True：有图谱命中时，将其作为“隐形参考资料”，回答时不要向学生暴露图谱， 优先保证与这些事实不矛盾，同时可以补充教材中的通识知识； - has_kg = False：当前问题图谱几乎没有命中时，直接依托大模型自身学科知识作答， 让体验更接近“正常智能问答”，避免强调后台知识图谱的局限。 """ # DeepSeek / OpenAI 兼容：根据 provider 选择合适路径 if settings.LLM_PROVIDER == "deepseek": # 对齐官方示例：base_url + /chat/completions base = settings.LLM_BASE_URL or "https://api.deepseek.com" url = base.rstrip("/") + "/chat/completions" else: # OpenAI 或其他兼容服务：默认 /v1/chat/completions url = "https://api.openai.com/v1/chat/completions" if settings.LLM_BASE_URL: url = settings.LLM_BASE_URL.rstrip("/") + "/v1/chat/completions" q_type = (meta or {}).get("type") or "other" # 根据问题类型给出差异化引导 type_hint_map = { "concept": "这是【概念理解类】问题，请突出定义、本质、条件和常见易错点。", "experiment": "这是【实验操作类】问题，请关注实验目的、装置、安全注意事项和操作原因。", "exercise": "这是【习题求解类】问题，请分步骤展示解题思路和关键知识点。", "equation": "这是【化学方程式类】问题，请在保证守恒和符合实际反应条件的前提下，给出或讲解方程式和配平思路。", "ion_coexist": "这是【离子共存判断类】问题，请结合给定的“离子共存规则”等图谱事实，分析哪些离子能否大量共存，并说明理由。", "other": "请结合上下文给出简明扼要的说明。", } type_hint = type_hint_map.get(str(q_type), type_hint_map["other"]) # 根据是否命中知识图谱，选择不同的提示词风格 if has_kg: system_prompt = ( "你是初中化学数字人教学助手，面向中国初中生，回答要符合人教版等初中化学教材表述。\n" "后台会给你一些与本题相关的“参考知识点”（例如三元组形式的事实），" "它们可能不完整，但通常是可靠的。回答时：\n" "1. 优先保证你的回答不要与这些参考知识点矛盾；\n" "2. 可以在此基础上，结合你掌握的初中化学通识知识补充完整答案；\n" "3. 在回答开头用 1‑2 句话以“知识图谱显示：……”或“根据知识图谱：……”" " 的形式简要点出 1‑3 条关键事实，体现系统使用了知识图谱；\n" "4. 不要强调“图谱不完整/事实不足”等弱点，只需要自然地引用已经给出的事实即可；\n" "5. 不要在回答中出现“后台”“三元组”等实现细节表述；\n" "6. 不要因为参考资料里没有提到某个细节就直接说“无法回答”，" " 如果你在学科知识上是确定的，可以直接给出标准答案并适当解释；\n" "7. 若确实超出初中化学范围或你不确定，再说明“目前无法确定”即可，避免胡编；\n" "8. 在书写化学方程式时，使用标准化学符号（例如：→、↑、↓、+ 等），" " 反应条件用“△”“点燃”“MnO2”等直接写在箭头上方或括号中，" " 不要使用 LaTeX、HTML 编码或看起来像乱码的奇怪符号；\n" f"9. {type_hint}" ) user_content = ( "学生问题如下，请综合考虑你掌握的初中化学知识和下面给出的“参考知识点”进行回答：\n" f"{query}\n\n" "【供你内部参考的相关知识点】\n" f"{context}\n\n" "请给出逐步、通俗易懂且符合教材的回答，并在开头用“知识图谱显示：……”" "或“根据知识图谱：……”自然地引出 1‑3 条关键事实。" ) else: # 图谱中没有命中时，放宽约束：允许模型结合自身学科知识主导回答 system_prompt = ( "你是初中化学数字人教学助手，面向中国初中生，回答要符合人教版等初中化学教材表述。\n" "要求：\n" "1. 在保证知识准确的前提下，优先用通俗的语言解释，再给出1-2句较严谨的表述；\n" "2. 对于教材中常见的概念、实验、典型化学方程式（例如制取氧气、二氧化碳等），" " 如果你非常确定，可以直接给出标准结论并适当解释；\n" "3. 如果问题明显超出初中化学范围或你不确定，请说明“超出初中化学范围”或“目前无法确定”，不要胡编；\n" "4. 在书写化学方程式时，使用标准化学符号（例如：→、↑、↓、+ 等），" " 反应条件用“△”“点燃”“MnO2”等直接写在箭头上方或括号中，" " 不要使用 LaTeX、HTML 编码或看起来像乱码的奇怪符号；\n" "5. 可以点出1-2个常见错误理解或易混淆点；\n" f"6. {type_hint}" ) user_content = ( "学生问题如下，请结合你掌握的初中化学知识进行详细讲解，必要时可以举简单的例子帮助理解：\n" f"{query}" ) payload = { "model": "gpt-3.5-turbo" if settings.LLM_PROVIDER == "openai" else "deepseek-chat", "messages": [ { "role": "system", "content": system_prompt, }, { "role": "user", "content": user_content, }, ], "max_tokens": 500, } print(f"[LLM] request url={url}, model={payload['model']}") with httpx.Client(timeout=30.0) as client: r = client.post( url, headers={"Authorization": f"Bearer {settings.LLM_API_KEY}"}, json=payload, ) r.raise_for_status() data = r.json() raw = data["choices"][0]["message"]["content"].strip() return _normalize_chem_text(raw)