| 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384 |
- import json
- from applications.ai import kimi_ai, tly_ai, tencent_ai
- 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'
- """
- question_dict = kimi_ai(prompt=prompt)
- return question_dict
- 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
- """
- response = tencent_ai(prompt)
- return response
- # question_dict = {
- # "question1": "退休后的生活有哪些值得关注的方面？",
- # "question2": "退休人员如何规划自己的退休生活？",
- # "question3": "退休后如何保持身心健康？",
- # "question4": "退休人员有哪些适合的娱乐活动推荐？",
- # "question5": "退休后如何有效管理个人财务？"
- # }
- #
- # material = {}
- # for question_key in question_dict:
- # question = question_dict[question_key]
- # response = generate_text(question)
- # material[question] = response
- #
- # print(json.dumps(material, ensure_ascii=False, indent=4))
- w = {
- "question1": "有哪些歌曲或故事能深刻表达人生的复杂情感？",
- "question2": "听完哪些歌曲或故事会让人感动到流泪？",
- "question3": "如何理解'这就是人生'这句话背后的深层含义？",
- "question4": "有哪些文学作品或电影描绘了人生的起伏和情感变化？",
- "question5": "在艺术作品中，如何通过不同的手法表达人生的喜怒哀乐？"
- }
- print(type(w))
|
