71 lines
2.3 KiB
Python
71 lines
2.3 KiB
Python
from langchain_openai import ChatOpenAI
|
||
from langchain_core.prompts import ChatPromptTemplate
|
||
from langchain_core.output_parsers import StrOutputParser
|
||
from conf import settings
|
||
|
||
# 创建模型
|
||
llm = ChatOpenAI(
|
||
base_url=settings.base_url,
|
||
api_key=settings.api_key,
|
||
model=settings.model_name,
|
||
temperature=0.1
|
||
)
|
||
|
||
# 3.初始响应 Prompt: 用于生成第一次的回答
|
||
initial_response_prompt = ChatPromptTemplate.from_template(
|
||
"请根据以下问题给出你的初步回答: {question}"
|
||
)
|
||
initial_response_chain = initial_response_prompt | llm | StrOutputParser()
|
||
|
||
# 4.反思 Prompt: 用于接收用户反馈并优化回答
|
||
reflection_prompt = ChatPromptTemplate.from_template(
|
||
"""你是一个专业的、善于反思的AI助手。你之前给出了以下回答：
|
||
---
|
||
{previous_response}
|
||
---
|
||
现在，你收到了用户对你的回答给出的反馈：
|
||
---
|
||
{user_feedback}
|
||
---
|
||
请根据用户的反馈，认真反思你之前的回答，并生成一个更准确、更完善的新回答。
|
||
新回答:"""
|
||
)
|
||
reflection_chain = reflection_prompt | llm | StrOutputParser()
|
||
|
||
|
||
# 5.模拟反射过程
|
||
def reflect_and_refine(query: str, feedback: str):
|
||
"""模拟一个完整的反射过程，从初始响应到优化后的响应。"""
|
||
|
||
print("--- 启动反射模式 ---")
|
||
print(f"用户查询: {query}")
|
||
|
||
# LLM 生成初步响应
|
||
print("\n生成初步响应...")
|
||
initial_response = initial_response_chain.invoke({"question": query})
|
||
print(f"LLM 初步响应:\n{initial_response}")
|
||
|
||
# 模拟用户反馈
|
||
print(f"\n用户反馈:\n{feedback}")
|
||
|
||
# LLM 进行反思，并生成新的回答
|
||
print("\nLLM 正在反思并生成新响应...")
|
||
refined_response = reflection_chain.invoke({
|
||
"previous_response": initial_response,
|
||
"user_feedback": feedback
|
||
})
|
||
|
||
print("\n--- LLM 经过反思后的新响应 ---")
|
||
print(refined_response)
|
||
|
||
return refined_response
|
||
|
||
|
||
# 6.运行并测试
|
||
if __name__ == "__main__":
|
||
# 模拟用户查询
|
||
initial_question = "请用一句话介绍一下 LangChain。"
|
||
# 模拟用户反馈，指出初步回答的不足
|
||
user_feedback_text = "你的回答太简单了，请更详细地解释一下 LangChain 的核心概念，比如 Agent 和 Chain 的区别。"
|
||
# 运行反射过程
|
||
reflect_and_refine(initial_question, user_feedback_text) |