Advanced RAG 六、查询优化之Enrich

一、问题

我们希望实现人们通过自然的口语对话来使用大模型应用。然而，在口语表达需求和意图时，人们往往会遇到一些问题。例如，表达过于简略或含糊，容易引发语义歧义，导致大模型产生误解；
用户的问题可能包含许多隐含要素，但表达的信息却不足，智能通过多轮对话逐步补全；

理想情况：通过大模型多次主动与用户沟通，不断收集信息，完善对用户真实意图的理解，补全执行用户需求所需的各项参数

理想情况

二、示例代码

import json

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory

from Common import get_dashscopeModel

llm = get_dashscopeModel()

user_input = str(input("请输入你的需求："))

# 根据用户要求，进行意图识别，获取对应的模板
# 示例业务模板
templates = {
    "订机票":[
        {
            "paramsKey":"start",
            "paramsName":"起点"
        },
        {
            "paramsKey":"end",
            "paramsName":"终点"
        },
        {
            "paramsKey":"date",
            "paramsName":"日期"
        },
        {
            "paramsKey":"people",
            "paramsName":"人数"
        },
        {
            "paramsKey":"level",
            "paramsName":"座位等级"
        },
        {
            "paramsKey":"preference",
            "paramsName":"座位偏好"
        }
        ],
    "订酒店":["城市", "入住日期", "离店日期", "人数", "房型"]
}

# 意图识别提示词模板
input_prompt = PromptTemplate(
    input_variables=["user_input","template"],
    template="根据用户输入'{user_input}',选择最合适的业务模板。可用业务模板有：{templates}。请返回模板名称。"
)
intent_chain = input_prompt | llm | StrOutputParser()

# 意图识别
intent = intent_chain.invoke({"user_input":user_input, "templates":str(list(templates.keys()))})
print(f"意图识别结果：{intent}")
# 获取对应的模板
select_template = templates.get( intent)
print(f"选择的模板为：{select_template}")

# 根据用户意图选择的模板，进行参数识别
# 补充信息提示模板{",".join(select_template)}
info_prompt = f"""
    请根据用户原始问题和模板，判断原始问题是否完善。
    如果问题缺乏需要的信息，请生成一个友好的请求，明确指出需要补充的信息，严格按照模板指出的参数，不要添加其他信息。
    若问题完善后，返回包含所有信息的完整问题。
    ### 原始问题
    {user_input}
    
    ### 模板
    {select_template}
    
    ### 输出示例
    {{
        "isComplete": true,
        "content":"完整问题",
        "data":{{
            "intent":"订机票",
            "params":收集到的select_template内的参数paramsKey作为键值，值为用户输入的参数值
        }}
    }}
    {{
        "isComplete": false,
        "content":"友好的引导用户补充需要的信息",
        "data":{{}}
    }}
"""

# 历史记录
chat_history = ChatMessageHistory()

# 聊天模板
prompt =  ChatPromptTemplate.from_messages(
    [
        ("system","你是一个信息补充助手，任务是分析用户问题是否完善"),
        ("human", "{history}"), # 历史消息
        ("human", "{input}")
    ]
)

# 补充消息链
info_chain = prompt | llm | StrOutputParser()
#自动处理历史记录，将记录注入输入并在每次调用后更新它
with_message_history = RunnableWithMessageHistory(
    info_chain,
    lambda session_id:chat_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 判断问题是否完整，如果不完整则返回引导信息
info_request = with_message_history.invoke({"input":info_prompt},config={"configurable":{"session_id":"unused"}})

parser = JsonOutputParser()
json_data = parser.parse(info_request)
print(json_data)

# 循环判断是否完整，并提交用户补充信息
while json_data.get("isComplete", False) is False:
    try:
        # 显示引导信息并等待用户输入，用\033[1;33m和\033[0m设置和重置文本颜色及样式（黄色加粗）
        user_answer = input(f"\033[1;33m{json_data['content']}\033[0m\n请补充：")
        info_request = with_message_history.invoke(
            input={"input":user_answer},
            config={"configurable":{"session_id":"unused"}}
        )
        # 解析结果
        json_data = parser.parse(info_request)
    except json.JSONDecodeError as e:
        print("\033[1;31m[错误] AI返回了无效的JSON格式，请重试\033[0m")
        continue
    except KeyError as e:
        print("\033[1;31m[错误] 响应格式异常，正在终止流程\033[0m")
        break

# 输出最终结果
print(f"\033[1;32m[最终查询] {info_request}\033[0m")

输出结果