""" 问题改写 """ from langchain_core.output_parsers import JsonOutputParser from langchain_core.prompts import PromptTemplate from app.chat_qa_query.query_qa_state import QueryQAState from app.llm import llm from app.core.log import logger from app.repository.milvus.intent_classification_repository import IntentClassificationRepository problem_rewriting_prompt1 = """ 你是一名智能客服意图分类助手。你的任务是根据用户的历史会话和当前问题，提取用户的核心诉求，并输出标准化的意图标签。 ## 核心原则（必须严格遵守） ### 1. 双维度提取原则 每个用户问题通常包含两个维度的意图，必须分别识别： - **课程/服务主题维度**：用户想咨询的具体课程类型或业务主题 - **诉求/动作维度**：用户想了解的方面（费用、就业、难度等） 这两个维度相互独立，必须同时提取，不得遗漏任何一个。 ### 2. 并列结构强制拆分 识别以下并列模式并强制拆分： - 顿号/逗号分隔："A、B、C" → [A, B, C] - "和/与/及/还有"连接："A和B" → [A, B] - 疑问词并列："多少钱、怎么报名、有就业吗" → [多少钱, 怎么报名, 有就业吗] **规则**：拆分后，每个子项必须独立分析，不得合并。 ### 3. 意图识别置信度评分体系 每个意图标签在输出前必须经过置信度评分，**只有总分≥60分的标签才会被输出**。 #### 评分维度： | 评分维度 | 分值 | 触发条件 | 说明 | |---------|------|---------|------| | **直接匹配** | **60分** | 用户问题中直接出现标签关键词或同义词扩展词 | 关键词完全匹配或同义词匹配，直接给60分，超过阈值 | | **语义关联** | **40分** | 用户表达与标签语义高度相关，通过语义场推断 | 语义场匹配给40分，需配合上下文支持达到阈值 | | **上下文支持** | **20分** | 历史会话或当前上下文支持该意图推断 | 与语义关联配合：40+20=60分，刚好达到阈值 | | **历史补全** | **10分** | 意图完全依赖历史会话补全 | 仅作为辅助加分，不单独使用 | #### 阈值判定规则： - **总分 ≥ 60分** → 进入候选池 - **总分 < 60分** → 直接过滤，不进入候选池 - 无任何意图≥60分 → 输出 `{{"intents": []}}` ### 4. 强制截断规则（新增） **无论识别到多少个意图，最终输出最多只返回2个意图标签。** 当候选池中超过2个意图时，按以下优先级排序，只保留前2个： | 优先级 | 排序规则 | 说明 | |-------|---------|------| | **P1（最高）** | 当前问题直接明确表达的 > 历史会话补全的 | 用户当前明确说出的诉求优先 | | **P2** | 总分高的 > 总分低的 | 置信度更高的优先 | | **P3** | 诉求维度 > 主题维度 | 用户更关心"做什么"而非"是什么" | | **P4** | 出现顺序靠前的 > 出现顺序靠后的 | 用户先说的一般更关心 | **截断规则**：排序后，只保留前2个，其余全部丢弃。 ### 5. 语义同义词扩展匹配 匹配时不仅使用标准词，还必须覆盖扩展词： **就业咨询** = 就业、找工作、工作推荐、就业支持、就业服务、就业保障、就业率、包就业、毕业安排、工作分配、推荐工作、就业方向、职业发展、入职、岗位推荐、能就业吗、好找工作吗、就业情况、就业数据、薪资、工资待遇、收入水平 **学不会怎么办** = 学不会、跟不上、没基础、怕学不会、能不能学、能学会吗、学得会吗、适合我学吗、零基础能学吗、没经验能学吗、纯小白能学吗、好不好学、难不难、难吗、简单吗、容易学吗、好学吗、有难度吗、门槛高吗、有门槛吗、担心自己学不会、不知道能不能学会、怕跟不上、怕太难、上手难、学不进、听不懂、理解不了 **课程咨询** = 多少钱、费用、价格、学费、学什么、内容、课程安排、怎么收费、贵不贵、收费标准、分期付款、优惠、折扣、教什么、学什么内容、课程体系、教学大纲、课程表、怎么报名、报名流程、入学流程、报名需要什么、报名条件、上课时间、上课周期、学多久、多长时间、几个月、课时、开班时间、什么时候开课、有班级吗、还能报名吗 **退费咨询** = 退费、退款、退钱、退款政策、不学了能退吗、中途退学、退课、退费规则、退费流程、能退多少、退款比例、退费条件、不想学了怎么办 **住宿咨询** = 住宿、宿舍、包住、住哪、住宿条件、有宿舍吗、包住宿吗、住宿环境、住宿费、房租、住校、外宿、租房、住宿安排、住宿费用 **学历咨询** = 学历、文凭、证书、学位、毕业证、大专、本科、学历认证、学历证书、学位认证 **校区分布** = 校区、地址、在哪、位置、分布、哪个城市、怎么去、交通、附近 **优势/竞争力** = 优势、竞争力、为什么选你们、和其他机构比、口碑、排名、实力、师资、教学质量 ### 6. 信息补全与语义保持 - 如果当前问题缺少主语，从历史会话补全 - 不得改变用户原始意图，不得引入历史会话中不存在的新信息 - 不得遗漏当前问题中的任何关键诉求 ## 输出格式 - 仅输出JSON，不要任何解释性文字 - **最多只返回2个意图标签**，超出部分强制截断 - 标签从以下列表中选择，不得自创： **课程/服务主题标签**：公司介绍、3D建模、3D场景建模、3D角色建模、2D原画、二次元风格、写实风格、动作/分镜、游戏动作/分镜、开发、UE引擎开发、3D大师课、GGAC绘殓课程、造型力、大学生扶持计划、兴趣/提升班、学习模式、线下面授教学、线上直播教学、寒暑假教学、提供服务、优势/竞争力、校区分布 **诉求/动作标签**：课程咨询、退费咨询、住宿咨询、学不会怎么办、就业咨询、学历咨询 ## 分析流程（必须按顺序执行） ### 步骤1：并列拆分 将当前问题拆分为独立的子诉求。 ### 步骤2：双维度扫描 + 置信度评分 为每个识别到的意图计算总分。 ### 步骤3：阈值过滤 只保留总分≥60分的意图，进入候选池。 ### 步骤4：优先级排序（当候选池超过2个时） 按P1→P2→P3→P4规则排序。 ### 步骤5：强制截断 只保留排序后的前2个意图标签。 ### 步骤6：完整性自检（输出前必须执行） - [ ] 每个子诉求是否都经过了置信度评分？ - [ ] 是否有总分≥60分的意图被遗漏？ - [ ] 最终输出是否≤2个标签？ - [ ] 截断时是否按优先级规则执行？ 如果任何一项为"否"，重新分析。 ## 分类示例 ### 示例1（2个意图，无需截断） 历史会话：（空） 当前问题：3D建模培训的课程内容有哪些？ 分析： - 主题维度："3D建模" → 直接匹配 = 60分 ≥ 60分 → 候选池 - 诉求维度："课程内容" → 直接匹配"课程咨询" = 60分 ≥ 60分 → 候选池 - 候选池共2个，无需截断 分类结果： {{ "intents": ["3D建模", "课程咨询"] }} ### 示例2（并列拆分 + 阈值过滤 + 截断） 历史会话：（空） 当前问题：流程、费用和就业支持 分析： - 拆分：[流程, 费用, 就业支持] - "流程" → 直接匹配"课程咨询" = 60分 → 候选池 - "费用" → 直接匹配"课程咨询" = 60分 → 候选池（去重） - "就业支持" → 直接匹配"就业咨询" = 60分 → 候选池 - 候选池：["课程咨询", "就业咨询"]，共2个，无需截断 分类结果： {{ "intents": ["课程咨询", "就业咨询"] }} ### 示例3（3个意图，强制截断为2个） 历史会话：（空） 当前问题：我想学角色，不知道能不能学，好不好学 分析： - 主题维度："学角色" → 直接匹配"3D角色建模" = 60分 → 候选池 - 诉求维度1："想学" → 直接匹配"课程咨询" = 60分 → 候选池 - 诉求维度2："不知道能不能学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池 - 诉求维度3："好不好学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池（与上同标签，去重） - 候选池：["3D角色建模", "课程咨询", "学不会怎么办"]，共3个，需截断 - 排序：课程咨询(P1当前直接) > 学不会怎么办(P1当前直接) > 3D角色建模(P3主题维度) - 截断后保留前2个 分类结果： {{ "intents": ["课程咨询", "学不会怎么办"] }} ### 示例4（5个意图，强制截断为2个） 历史会话：（空） 当前问题：3D建模费用、就业、住宿、退费 分析： - "3D建模" → 直接匹配 = 60分 → 候选池 - "费用" → 直接匹配"课程咨询" = 60分 → 候选池 - "就业" → 直接匹配"就业咨询" = 60分 → 候选池 - "住宿" → 直接匹配"住宿咨询" = 60分 → 候选池 - "退费" → 直接匹配"退费咨询" = 60分 → 候选池 - 候选池共5个，需截断 - 排序：课程咨询(P1当前直接,出现第2) > 就业咨询(P1当前直接,出现第3) > 住宿咨询 > 退费咨询 > 3D角色建模(P3主题维度) - 截断后保留前2个 分类结果： {{ "intents": ["课程咨询", "就业咨询"] }} ### 示例5（历史补全被过滤 + 截断） 历史会话： - 用户：我想学3D建模 当前问题：多少钱、就业情况、住宿条件 分析： - 主题维度："3D建模"历史补全 = 10分 < 60分 → **不进入候选池** - "多少钱" → 直接匹配"课程咨询" = 60分 → 候选池 - "就业情况" → 直接匹配"就业咨询" = 60分 → 候选池 - "住宿条件" → 直接匹配"住宿咨询" = 60分 → 候选池 - 候选池：["课程咨询", "就业咨询", "住宿咨询"]，共3个，需截断 - 排序：课程咨询(P1,出现第1) > 就业咨询(P1,出现第2) > 住宿咨询(P1,出现第3) - 截断后保留前2个 分类结果： {{ "intents": ["课程咨询", "就业咨询"] }} ### 示例6（语义关联不足60分，全部被过滤） 历史会话：（空） 当前问题：这个课有意思吗 分析： - "有意思" → 语义关联"课程咨询" = 40分，无上下文支持 = 0分，总分40分 < 60分 → **不进入候选池** - 候选池为空 分类结果： {{ "intents": [] }} --- ## 现在请处理以下输入 当前问题：{query} 历史聊天：{history_text} 请直接输出JSON： """ problem_rewriting_prompt = """ # 智能客服意图分类助手提示词 你是一名智能客服意图分类助手。你的任务是根据用户的历史会话和当前问题，提取用户的核心诉求，并输出标准化的意图标签。 ## 参数说明 本提示词需要动态传入以下参数： - `{query}`：用户当前提问 - `{history_text}`：历史会话记录（可为空） - `{intent_tags}`：完整的意图标签列表，格式为 JSON 字符串数组，例如：`["3D建模", "2D原画", "课程咨询", "就业咨询", ...]`。**所有输出的意图标签必须严格从该列表中选择，不得自创或修改。** --- ## 核心原则（必须严格遵守） ### 1. 双维度提取原则 每个用户问题通常包含两个维度的意图，必须分别识别： - **课程/服务主题维度**：用户想咨询的具体课程类型或业务主题 - **诉求/动作维度**：用户想了解的方面（费用、就业、难度等） 这两个维度相互独立，必须同时提取，不得遗漏任何一个。最终输出的标签本身不区分维度，但模型内部需要判断每个标签的维度，以便后续优先级排序（见 P3 规则）。 **维度判定规则（必须按语义本质判断，禁止仅看标签字面后缀）：** - **主题维度**：表示用户想学习的**具体课程类型、专业方向或业务领域**。 例如：`3D建模`、`3D场景建模`、`3D角色建模`、`2D原画`、`UE引擎开发`、`游戏特效`、`地编`、`技术美术`、`游戏动作/分镜`、`二次元风格`、`写实风格` 等。 - **诉求/动作维度**：表示用户**想了解什么、想做什么、担心什么、需要什么服务**。 例如：`课程咨询`（想了解课程信息）、`就业咨询`（想了解就业）、`学不会怎么办`（担心学习效果）、`试听课`（想要试听服务）、`退费咨询`（想退费）、`住宿咨询`（想了解住宿）、`校区分布`（想了解位置）、`分期付款`（需要付款方式）、`开班安排`/`开课安排`/`上课时间`（想了解时间安排）、`报名流程`/`报到流程`（想了解报名动作）、`作品评估`（需要评估服务）、`预约参观`（想要参观）、`购买建议`（需要建议）、`重修政策`/`转班咨询`/`休学咨询`（想了解售后政策）等。 **关键原则**：如果标签表达的是「用户的一个动作、需求、顾虑或服务请求」，即使标签名称中不含「咨询」「怎么办」等词，也必须判定为**诉求/动作维度**。禁止仅凭标签名称是否包含特定后缀来判断维度。 **中心语优先原则（强制）** 在包含"的"字的偏正短语中（如"3D场景建模的试听课"、"角色建模的课程内容"），**"的"字后面的成分（中心语）代表用户的核心诉求**，"的"字前面的成分（定语）仅为主题限定。 - 中心语（诉求维度）的优先级 **必须高于** 定语（主题维度）。 - 出现顺序判定以**中心语**在短语中的位置为准，而非字面首个词。 --- ### 2. 并列结构强制拆分 识别以下并列模式并强制拆分： - 顿号/逗号分隔：`"A、B、C"` → `[A, B, C]` - `"和/与/及/还有"` 连接：`"A和B"` → `[A, B]` - 疑问词并列：`"多少钱、怎么报名、有就业吗"` → `[多少钱, 怎么报名, 有就业吗]` **规则**：拆分后，每个子项必须独立分析，不得合并。 --- ### 3. 意图识别置信度评分体系 每个意图标签在输出前必须经过置信度评分，**只有总分 ≥ 60 分的标签才会被输出**。 #### 评分维度 | 评分维度 | 分值 | 触发条件 | 说明 | |---------|------|---------|------| | **直接匹配** | **60分** | 用户问题中直接出现标签关键词或同义词扩展词（见第5节） | 关键词完全匹配或同义词匹配，直接给 60 分，超过阈值 | | **语义关联** | **40分** | 用户表达与标签语义高度相关，通过语义场推断 | 语义场匹配给 40 分，需配合上下文支持达到阈值 | | **上下文支持** | **20分** | 历史会话或当前上下文支持该意图推断 | 与语义关联配合：40 + 20 = 60 分，刚好达到阈值 | | **历史补全** | **10分** | 意图完全依赖历史会话补全 | 仅作为辅助加分，不单独使用 | #### 阈值判定规则 - **总分 ≥ 60 分** → 进入候选池 - **总分 < 60 分** → 直接过滤，不进入候选池 - 无任何意图 ≥ 60 分 → 输出 `{{"intents": []}}` --- ### 4. 强制截断规则 **无论识别到多少个意图，最终输出最多只返回 2 个意图标签。** 当候选池中超过 2 个意图时，按以下优先级排序，只保留前 2 个： | 优先级 | 排序规则 | 说明 | |-------|---------|------| | **P1（最高）** | 当前问题直接明确表达的 > 历史会话补全的 | 用户当前明确说出的诉求优先 | | **P2** | 总分高的 > 总分低的 | 置信度更高的优先 | | **P3** | 诉求维度 > 主题维度 | 用户更关心"做什么"而非"是什么" | | **P4** | 核心诉求出现顺序靠前的 > 靠后的 | 同一子诉求内，中心语（诉求维度）优先于定语（主题维度）；跨子诉求时，按子诉求在原文中的先后顺序 | **P4 执行细则（强制）** 排序时必须严格遵循 P1 → P2 → P3 → P4 的层级顺序，**严禁跨层级比较**。即：仅当 P1、P2、P3 均相同或无法区分时，才启用 P4。 在"主题+诉求"的复合表达（如"X的Y"）中，Y（诉求维度）视为该子诉求的核心，其 P4 顺序位始终优先于 X（主题维度）。 **截断规则**：排序后，只保留前 2 个，其余全部丢弃。 --- ### 5. 语义同义词扩展匹配 匹配时不仅使用标签字面本身，还必须覆盖常见的同义词扩展。以下为常见标签的同义词映射表（**当且仅当 `{intent_tags}` 中包含与下列标准标签完全同名的标签时，才可使用该扩展**；若传入的标签不在该表中，则根据标签字面及通用语义进行匹配，禁止编造扩展词）： - **就业咨询**：就业、找工作、工作推荐、就业支持、就业服务、就业保障、就业率、包就业、毕业安排、工作分配、推荐工作、就业方向、职业发展、入职、岗位推荐、能就业吗、好找工作吗、就业情况、就业数据、薪资、工资待遇、收入水平 - **学不会怎么办**：学不会、跟不上、没基础、怕学不会、能不能学、能学会吗、学得会吗、适合我学吗、零基础能学吗、没经验能学吗、纯小白能学吗、好不好学、难不难、难吗、简单吗、容易学吗、好学吗、有难度吗、门槛高吗、有门槛吗、担心自己学不会、不知道能不能学会、怕跟不上、怕太难、上手难、学不进、听不懂、理解不了 - **课程咨询**：多少钱、费用、价格、学费、学什么、内容、课程安排、怎么收费、贵不贵、收费标准、分期付款、优惠、折扣、教什么、学什么内容、课程体系、教学大纲、课程表、怎么报名、报名流程、入学流程、报名需要什么、报名条件、上课时间、上课周期、学多久、多长时间、几个月、课时、开班时间、什么时候开课、有班级吗、还能报名吗 - **退费咨询**：退费、退款、退钱、退款政策、不学了能退吗、中途退学、退课、退费规则、退费流程、能退多少、退款比例、退费条件、不想学了怎么办 - **住宿咨询**：住宿、宿舍、包住、住哪、住宿条件、有宿舍吗、包住宿吗、住宿环境、住宿费、房租、住校、外宿、租房、住宿安排、住宿费用 - **学历咨询**：学历、文凭、证书、学位、毕业证、大专、本科、学历认证、学历证书、学位认证 - **校区分布**：校区、地址、在哪、位置、分布、哪个城市、怎么去、交通、附近 - **优势/竞争力**：优势、竞争力、为什么选你们、和其他机构比、口碑、排名、实力、师资、教学质量 （若传入的标签列表包含上述标签以外的标签，同义词匹配将仅基于标签文字及通用语义，不得臆造扩展词。） --- ### 6. 信息补全与语义保持 - 如果当前问题缺少主语，从历史会话补全 - 不得改变用户原始意图，不得引入历史会话中不存在的新信息 - 不得遗漏当前问题中的任何关键诉求 --- ## 输出格式 - 仅输出 JSON，不要任何解释性文字 - **最多只返回 2 个意图标签**，超出部分强制截断 - 所有标签必须来自传入的 `{intent_tags}` 列表 - 输出格式示例：`{{"intents": ["标签1", "标签2"]}}`（若候选为空则 `{{"intents": []}}`） --- ## 分析流程（必须按顺序执行） ### 步骤 1：并列拆分 将当前问题拆分为独立的子诉求。 ### 步骤 2：双维度扫描 + 置信度评分 对每个子诉求，扫描 `{intent_tags}` 中的标签，按照第 3 节和第 5 节计算总分。每个意图独立评分。 ### 步骤 3：阈值过滤 只保留总分 ≥ 60 分的意图，进入候选池。 ### 步骤 4：优先级排序（当候选池超过 2 个时） 按 P1 → P2 → P3 → P4 规则排序。 ### 步骤 5：强制截断 只保留排序后的前 2 个意图标签。 ### 步骤 6：完整性自检（输出前必须执行） - [ ] 每个子诉求是否都经过了置信度评分？ - [ ] 是否有总分 ≥ 60 分的意图被遗漏？ - [ ] 最终输出是否 ≤ 2 个标签？ - [ ] 截断时是否按优先级规则执行？ - [ ] 所有输出的标签是否都在 `{intent_tags}` 中？ - [ ] 每个标签的维度判定是否基于语义本质而非字面后缀？ - [ ] 是否遵循了中心语优先原则（"的"字短语中诉求维度优先于主题维度）？ 如果任何一项为"否"，重新分析。 --- ## 分类示例 （假设传入标签列表包含：`3D建模`、`3D角色建模`、`课程咨询`、`就业咨询`、`住宿咨询`、`退费咨询`、`学不会怎么办`、`试听课`、`3D场景建模`） ### 示例1（2个意图，无需截断） 历史会话：（空） 当前问题：3D建模培训的课程内容有哪些？ 分析： - 主题维度："3D建模" → 直接匹配 = 60分 → 候选池 - 诉求维度："课程内容" → 直接匹配"课程咨询" = 60分 → 候选池 - 候选池共2个，无需截断 分类结果： {{"intents": ["3D建模", "课程咨询"]}} ### 示例2（并列拆分 + 阈值过滤 + 截断） 历史会话：（空） 当前问题：流程、费用和就业支持 分析： - 拆分：[流程, 费用, 就业支持] - "流程" → 直接匹配"课程咨询" = 60分 → 候选池 - "费用" → 直接匹配"课程咨询" = 60分 → 候选池（去重） - "就业支持" → 直接匹配"就业咨询" = 60分 → 候选池 - 候选池：["课程咨询", "就业咨询"]，共2个，无需截断 分类结果： {{"intents": ["课程咨询", "就业咨询"]}} ### 示例3（3个意图，强制截断为2个） 历史会话：（空） 当前问题：我想学角色，不知道能不能学，好不好学 分析： - 主题维度："学角色" → 直接匹配"3D角色建模" = 60分 → 候选池 - 诉求维度1："想学" → 直接匹配"课程咨询" = 60分 → 候选池 - 诉求维度2："不知道能不能学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池 - 诉求维度3："好不好学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池（与上同标签，去重） - 候选池：["3D角色建模", "课程咨询", "学不会怎么办"]，共3个，需截断 - 排序：课程咨询(P1当前直接) > 学不会怎么办(P1当前直接) > 3D角色建模(P3主题维度) - 截断后保留前2个 分类结果： {{"intents": ["课程咨询", "学不会怎么办"]}} ### 示例4（5个意图，强制截断为2个） 历史会话：（空） 当前问题：3D建模费用、就业、住宿、退费 分析： - "3D建模" → 直接匹配 = 60分 → 候选池 - "费用" → 直接匹配"课程咨询" = 60分 → 候选池 - "就业" → 直接匹配"就业咨询" = 60分 → 候选池 - "住宿" → 直接匹配"住宿咨询" = 60分 → 候选池 - "退费" → 直接匹配"退费咨询" = 60分 → 候选池 - 候选池共5个，需截断 - 排序：课程咨询(P1当前直接,出现第2) > 就业咨询(P1当前直接,出现第3) > 住宿咨询 > 退费咨询 > 3D建模(P3主题维度) - 截断后保留前2个 分类结果： {{"intents": ["课程咨询", "就业咨询"]}} ### 示例5（历史补全被过滤 + 截断） 历史会话： - 用户：我想学3D建模 当前问题：多少钱、就业情况、住宿条件 分析： - 主题维度："3D建模"历史补全 = 10分 < 60分 → 不进入候选池 - "多少钱" → 直接匹配"课程咨询" = 60分 → 候选池 - "就业情况" → 直接匹配"就业咨询" = 60分 → 候选池 - "住宿条件" → 直接匹配"住宿咨询" = 60分 → 候选池 - 候选池：["课程咨询", "就业咨询", "住宿咨询"]，共3个，需截断 - 排序：课程咨询(P1,出现第1) > 就业咨询(P1,出现第2) > 住宿咨询(P1,出现第3) - 截断后保留前2个 分类结果： {{"intents": ["课程咨询", "就业咨询"]}} ### 示例6（语义关联不足60分，全部被过滤） 历史会话：（空） 当前问题：这个课有意思吗 分析： - "有意思" → 语义关联"课程咨询" = 40分，无上下文支持 = 0分，总分40分 < 60分 → 不进入候选池 - 候选池为空 分类结果： {{"intents": []}} ### 示例 7（中心语优先 + P3 排序生效） 历史会话：（空） 当前问题：还有 3D 场景建模的试听课，你发我一下。另外，住宿要多少钱呢？ 分析： 拆分：[3D场景建模的试听课, 住宿要多少钱] - 子诉求1："3D场景建模的试听课" - 主题维度："3D场景建模" → 直接匹配 = 60分 → 候选池 - 诉求维度（中心语）："试听课" → 直接匹配 = 60分，语义为「用户想要试听服务」→ 候选池 - 子诉求2："住宿要多少钱" - 诉求维度："住宿咨询" → 直接匹配 = 60分 → 候选池 - 候选池：["3D场景建模", "试听课", "住宿咨询"]，共 3 个，需截断 - 排序： - P1：三者均为当前直接表达，平级 - P2：三者均为60分，平级 - P3：试听课(诉求) = 住宿咨询(诉求) > 3D场景建模(主题) - P4：试听课（子诉求1中心语）> 住宿咨询（子诉求2中心语）> 3D场景建模（子诉求1定语） - 截断后保留前 2 个 分类结果： {{"intents": ["试听课", "住宿咨询"]}} --- ## 现在请处理以下输入 当前问题：{query} 历史聊天：{history_text} 完整标签列表：{intent_tags} 请直接输出JSON： """ async def rewrite_query(state:QueryQAState): """ 问题改写 :param query: 用户问题 :param history_text: 历史会话 :return: 改写后的问题 """ history_text = state.get("history", "") query = state.get("original_query", "") prompt = PromptTemplate(template=problem_rewriting_prompt, input_variables=["history_text", "query","intent_tags"]) output = JsonOutputParser() chain = prompt | llm | output intent_repo = IntentClassificationRepository() try: result = await chain.ainvoke({"history_text": history_text, "query": query, "intent_tags":str(await intent_repo.get_style_intent_categories())}) rewritten_query = result.get("intents", "") logger.info(f"原问题：{query},历史会话：{history_text},改写后问题：{rewritten_query}") return {"rewritten_query": rewritten_query} except Exception as e: logger.error(f"QA质量检查prompt模板错误：{e}") return {"rewritten_query": query} # 兜底