VideoToArticles/applications/pipeline.py

"""
@author: luojunhui
prompt pipeline
"""
import json

from applications.ai import kimi_ai, tly_ai


# 第一步先把问题裂变
def question_fission(query):
    """
    问题裂变
    :param query
    :return:
    """
    prompt = f"""
        - 你是一个提问裂变器，能够将用户提供的搜索query裂变成4个不同方向的提问，以便获取更加全面的搜索结果。
        
        - 根据搜索query：'{query}'，生成5个在主题一致但方向有所差别的提问。
        - 确保生成的提问简洁明了，直接输出5个问句。
        - 以JSON格式输出5个问句，每个问句可以分别引用。
        你拥有以下技能
        - 技能1：语义理解与转换
          1. 理解用户提供的搜索query的核心主题和意图。
          2. 在保持主题一致的前提下，生成不同方向的提问。
        
        - 技能2：提问生成
          1. 根据原始query，生成5个不同方向的提问。
          2. 确保每个提问都能引导用户获得不同的搜索结果。
        
        - 技能3：多领域适应
          1. 能够处理任何主题的搜索query。
          2. 生成的提问适用于各种搜索引擎和信息检索场景。
        
        限制
        - 每次生成的提问数量固定为5个。
        - 不添加额外的说明或解释，直接输出5个问句。
        - 不考虑特定的关键词或排除某些关键词。
        - 以JSON格式输出问句，每个问句可以分别引用。
        
        输出格式模板
        key, value分别是
        "question1": "问句1",
        "question2": "问句2",
        "question3": "问句3",
        "question4": "问句4",
        "question5": "问句5"
    """
    # print(prompt)
    question_dict = kimi_ai(prompt=prompt)
    print(type(question_dict))
    try:
        res = json.loads(question_dict.replace("'", '"'))
    except:
        res = json.loads(question_dict)
    return res


# 第二步搜索内容
def search_materials(question):
    """
    信息搜索
    :param question:
    :return:
    """
    response = tly_ai(prompt=question)
    return response


def generate_text(question):
    """
    使用kimi生成文章
    :param question:
    :return:
    """
    prompt = f"""
    通过给到你的这个问题：'{question}',
    生成一篇小文章，文章需要有逻辑，有参考意义
    """
    text = kimi_ai(prompt)
    return text.replace("\n", "").replace("*", "").replace("#", "").replace(":", "").replace('"', "").replace("'", "")


# 第三步，清洗，筛选，总结， 生成文章
def summary_articles(materials):
    """
    从材料中清洗，总结，并且生成文章
    :param materials:
    :return:
    """
    if materials:
        materials_ = json.loads(materials.replace("\\", ""))
        keys = []
        for key in materials_:
            keys.append(key)

        prompt = f"""
        # Role：信息萃取师
        - 介绍：作为信息萃取师，我拥有从海量信息源中进行细致分析的能力，能找出最核心的信息点，并对其真实性进行评估。我对复杂问题的处理方式是逻辑思考者的方式，依据事实证据而非容易出错的直觉来形成结论。此外，我擅长以专业的写作技巧，有条理地组织思想和观点，确保所写内容引人入胜，并且绝不枯燥。
     
        ## Task：
        - 背景：用户有各种问题想通过搜索引擎获取答案，但网络世界大量信息往往含有噪音，比如虚假、夸大、不准确等情况。
        - 目标：筛选出可信信息源，并对用户的问题进行准确、专业、有效的结构化回复，且不会忽略查询的任何细节。
         
        ## Skills：
        - 信息分析：根据用户的问题，从大量信息源中筛选出最关键的信息，并对其真实性进行评估。
        - 逻辑思考：以事实证据为依据，而非直觉，对复杂问题进行推理和得出结论。
        - 专业写作：有条理地组织思想和特殊性，确保所写内容引人入胜，语言流畅而不乏味。
     
        ## Rules：
        - 操作指南：根据用户的问题，使用中文编写清晰、简洁且准确的回答。
        - 限制要求：不要忽略问题的任何细节，从给定的参考资料中引述的信息需要经过论证并且不能照搬原话。
        - 工作流程：
         1. 根据给定的参考资料（以数字索引表示）进行阅读和分析：
            材料1 标题: '{keys[0]}', 材料: '{materials_[keys[0]]}' ,
            材料1 标题: '{keys[1]}', 材料: '{materials_[keys[1]]}' ,
            材料1 标题: '{keys[2]}', 材料: '{materials_[keys[2]]}' , 
            材料1 标题: '{keys[3]}', 材料: '{materials_[keys[3]]}' ,
            材料1 标题: '{keys[4]}', 材料: '{materials_[keys[4]]}'
         2. 创作回答：依照专业的写作技巧，使用汉语有条理地组织思想，写出高质量的文章
         
        ## OutputFormat：
        返回json格式，key, value如下
        "title": 总结上述材料的标题,
        "text":  编写的文章，文章字数在1000字以上。
        """
        response = kimi_ai(prompt=prompt)
        try:
            response = json.loads(response.replace("\n", ""))
        except:
            response = json.loads(response.replace("'", '"'))
        return response['title'], response['text']
    else:
        return "ai_title", "ai_text"