基于Milvus库的问答系统之prompts设计与query意图识别)
一.prompts设计与query意图识别目标掌握如何设计和使用Prompt模板来引导大语言模型生成高质量输出学会查询分类的基本原理，了解如何通过分类优化输入处理流程prompts.py和query_classifier.py是EduRAG系统中core模块的重要组成部分，分别负责Prompt模板管理和查询分类,这两个模块通过优化用户输入的处理，增强了系统的灵活性和智能性，为RAG系统的检索和生成阶段奠定了基础,prompts.py定义了多种Prompt模板，用于引导大语言模型生成特定输出，而query_classifier.py通过分类用户查询，决定是否直接使用模型回答或触发检索流程1.Prompt管理(1).功能概述prompts.py定义了RAGPrompts类，负责管理系统中使用的所有Prompt模板,这些模板用于指导大语言模型完成不同任务，例如生成最终答案、假设答案、子查询或简化问题,通过集中管理Prompt，系统能够确保输入的一致性和输出质量实现下图中的4个大模型的Prompt:(2).代码实现# core/prompts.py # 导入 PromptTemplate 类，用于创建 Prompt 模板 from langchain_core.prompts import PromptTemplate # 定义 RAGPrompts 类，用于管理所有 Prompt 模板 class RAGPrompts: # 定义 RAG 提示模板 # @: 装饰器， 注解(是给计算看的),注释(给码农看的) # 需要注意： # # - Augment+Generate这一步需要大模型具备一定的**指令遵循**和**逻辑推理**能力，当输入的上下文和query没有问题但是效果不符合预期时。需要考虑更换能力更强的模型。 # - 如果在这个阶段要求大模型输出的语言风格和话术非常专业，**需要进行微调** @staticmethod def rag_prompt(): # 创建并返回 PromptTemplate 对象 return PromptTemplate( template=""" 你是一个IT领域的智能助手，帮助用户回答问题。你的语言专业，严谨，言简意赅。 如果提供了上下文，请基于上下文回答；如果没有上下文，请直接根据你的知识回答。 回答需要参考用户和系统的历史对话，如果没有历史对话，只参考上下文即可。 如果答案来源于检索到的文档，请在回答中说明。 上下文: 「 {context} 」 问题: 「 {question} 」 历史对话：「 {history} 」 如果无法回答，请回复：“信息不足，无法回答，请联系人工客服，电话：{phone}。” 回答: """, # 定义输入变量 input_variables=["context", "question", "history", "phone"], ) # @staticmethod # def rag_prompt(): # return PromptTemplate( # template=""" # 你是一个智能助手，负责帮助用户回答问题。请按照以下步骤处理： # # 1. **分析问题和上下文**： # - 基于提供的上下文（如果有）和你的知识回答问题。 # - 如果答案来源于检索到的文档，请在回答中明确说明，例如：“根据提供的文档，……”。 # # 2. **评估对话历史**： # - 检查对话历史是否与当前问题相关（例如，是否涉及相同的话题、实体或问题背景）。 # - 如果对话历史与问题相关，请结合历史信息生成更准确的回答。 # - 如果对话历史无关（例如，仅包含问候或不相关的内容），忽略历史，仅基于上下文和问题回答。 # # 3. **生成回答**： # - 提供清晰、准确的回答，避免无关信息。 # - 如果上下文和历史消息均不足以回答问题，请回复：“信息不足，无法回答，请联系人工客服，电话：{phone}。” # # **上下文**: {context} # **对话历史**: # {history} # **问题**: {question} # # **回答**: # """, # input_variables=["context", "history", "question", "phone"], # ) # 定义假设问题生成的 Prompt 模板 @staticmethod def hyde_prompt(): # 创建并返回 PromptTemplate 对象 return PromptTemplate( template=""" 假设你是用户，想了解以下问题，请生成一个简短的假设答案，以便于去查询向量库，获取当更好的查询结果： 问题: 「 {query} 」 需要注意，你的回答只能包含假设答案本身，且长度不能超过200个字。 接下来，请你输出假设答案： """, # 定义输入变量 input_variables=["query"], ) # 定义子查询生成的 Prompt 模板 @staticmethod def subquery_prompt(): # 创建并返回 PromptTemplate 对象 return PromptTemplate( template=""" 将以下复杂查询分解为多个简单子查询，每行一个子查询，以便于去查询向量库，获取当更好的查询结果： 查询: 「 {query} 」 需要注意，你的回答只能包含子查询本身，不要有任何的补充说明和其他无关内容。 接下来，请你输出子查询结果: """, # 定义输入变量 input_variables=["query"], ) # 定义回溯问题生成的 Prompt 模板 @staticmethod def backtracking_prompt(): # 创建并返回 PromptTemplate 对象 return PromptTemplate( template=""" 将以下复杂查询简化为一个更简单的问题，以便于去查询向量库，获取当更好的查询结果： 查询: 「 {query} 」 需要注意，你的回答只能包含简化后的问题本身，不要有任何的补充说明和其他无关内容。 接下来，请你输出简化后的问题: """, # 定义输入变量 input_variables=["query"], ) if __name__ == '__main__': prompt = RAGPrompts.hyde_prompt() prompt_str = prompt.format(query="大模型在教育领域的应用有哪些？") print(prompt_str)(3).实现细节1.rag_prompt：作用：核心回答模板，结合检索到的上下文生成最终答案输入变量：context(检索文档内容）、question(用户查询）、phone（客服电话）设计逻辑：支持有无上下文的回答，并提供兜底回复，确保用户体验2.hyde_prompt：作用：生成假设答案，用于HyDE（Hypothetical Document Embeddings）策略，优化抽象查询的检索输入变量：query（用户查询）设计逻辑：通过生成假设答案，间接增强查询与文档的语义匹配3.subquery_prompt：作用：将复杂查询分解为多个子查询，适合涉及多方面的查询输入变量：query（用户查询）设计逻辑：分解复杂问题以提高检索覆盖率4.backtracking_prompt：作用：将复杂查询简化为更基础的问题，便于检索输入变量：query（用户查询）设计逻辑：通过简化查询降低检索难度2.查询分类QueryClassifier是 EduRAG 系统的核心组件，负责将用户查询分为“通用知识”和“专业咨询”两类，以决定查询路由到知识库还是咨询接口,本模块介绍基于 BERT的优化实现，替换传统TF-IDF 模型，利用 5000 条混合数据集（training_dataset_hybrid_5000.json）进行训练，并解决评估中的标签处理问题(1).功能概述QueryClassifier提供以下功能：数据加载：读取 5000 条 JSON 数据集，包含查询和标签（“通用知识”或“专业咨询”）BERT 训练：使用bert-base-chinese模型，微调二分类任务，准确率达90%+评估优化：直接处理数字标签（0 或 1），生成分类报告和混淆矩阵预测接口：支持实时分类，集成到 EduRAG 系统""" 意图识别模块，提供如下功能： 1. 数据加载：读取 5000 条 JSON 数据集，包含查询和标签（“通用知识”或“专业咨询”） 2. 模型训练：使用 bert-base-chinese 模型，微调二分类任务，准确率达 90%+ 3. 评估优化：直接处理数字标签（0 或 1），生成分类报告和混淆矩阵 4. 预测接口：支持实时分类，集成到 EduRAG 系统。 为了满足以上功能，需要实现以下需求： 1. 初始化方法：初始化预训练的分词器、 预训练的模型。 如果是在上线阶段，主要是负责加载训练好的模型 2. 数据预处理：将查询文本和预测标签转化为模型的输入数据格式 3. 构建数据集：用于模型的训练，适配模型的训练函数 4. 模型训练：基于处理好的数据集划分出来训练集，对模型进行训练 5. 模型评估：在数据集划分出来的验证集，对模型进行评估 6. 模型预测：加载训练好的模型，完成意图识别任务 """(2).代码实现""" 意图识别模块，提供如下功能： ---------------------------------------在项目上线之前执行一次--------------------------------------- 1. 数据加载：读取 5000 条 JSON 数据集，包含查询和标签（“通用知识”或“专业咨询”） 2. 模型训练：使用 bert-base-chinese 模型，微调二分类任务，准确率达 90%+ 3. 评估优化：直接处理数字标签（0 或 1），生成分类报告和混淆矩阵 ---------------------------------------在项目上线之前执行一
)
