rag_server/applications/prompts/chat_prompts.py

from typing import List, Dict, Optional, Any


def map_prompt(question, format_context):
    prompt = f"""
【任务说明】：针对下方单个文档片段，提炼与“问题”直接相关的‘可被引用的事实要点’
【问题】： {question}
【输入】：{format_context}
【输出】：输出只输出 JSON，不需要多余问题，输出结果如下：
    {{
        "id": "id", # 返回输入 text 中的 DOC id
        "claims": [ 
            {{"point": "事实要点1（尽量原文转述/精准改写）"}},
            {{"point": "事实要点2}},
        ],
        "conflicts_or_limits": ["该片段的限制/含糊点（如时间、定义口径、版本号等）"]
    }}
    """
    return prompt


def reduce_prompt(question, mapped_results_json_list):
    prompt = f"""
【任务】：合并多份 Map 结果，完成一下三点：
    "1) 去重并合并同义要点；
    "2) 标注并归纳冲突点；
    "3) 输出最终回答（含引用）。
【问题】：{question}
【Map 结果】:{mapped_results_json_list}
【输出（Markdown）】:
    - 简要结论（2-4句）
    - 关键要点（每点附主要引用，如 [C12] [C4], 用 map 结果中的 id来表示）
    - 证据信息不一致（如有）：列出冲突内容、涉及的 doc_id、可能原因
    - 信息缺口（如有）
"""
    return prompt


def verify_prompt(question, draft, formatted_contexts):
    prompt = f"""
【任务】: 对“初稿答案”的关键断言逐条核验，严格限定仅使用上下文，请标注每条断言是否被证据‘支持/相矛盾/证据不足’，必要时修正结论
【问题】
    {question}
【初稿答案】
    {draft}
【上下文】
    {formatted_contexts}
【输出（只输出 JSON）】
{
        "verdicts": [
        {
            "claim": "断言内容", "status": "supported|contradicted|insufficient", "citations": ["[Cid]"]}
    ],
    "final_answer": "（如需修正，请给出修正后的简明答案，并附引用）"
}
"""
    return prompt


def build_rag_prompt(
    question: str,
    contexts: List[Dict],
    mode: str = "single",  # 可选：single | map | reduce | rerank | verify | map_reduce
    max_chars_per_chunk: int = 800,
    draft_answer: Optional[str] = None,
    mapped_results_json_list: Optional[str] = None,
) -> Dict[str, Any]:
    """
    生成 RAG 聚合阶段所需的提示词（Prompt）。
    返回值依据 mode 不同而不同：
      - single:      {"system": str, "user": str}
      - map:         {"system": str, "user_list": List[str]}   # 每个片段一条 Map 提示
      - reduce:      {"system": str, "user": str}
      - rerank:      {"system": str, "user": str}
      - verify:      {"system": str, "user": str}
      - map_reduce:  {"map": {...}, "reduce": {...}}           # 组合骨架
    使用方式：
      1) 单步聚合：把返回的 system/user 丢给 LLM 即可；
      2) Map-Reduce：先用 map.user_list 逐条调用 LLM 得到 JSON，再把合并后的 JSON 列表给 reduce。
    """

    # ——Tools
    def _trim(text: str, limit: int) -> str:
        text = text.strip().replace("\n", " ")
        return text if len(text) <= limit else text[: max(0, limit - 1)] + "…"

    def _format_contexts(chunks: List[Dict]) -> str:
        lines = [_format_each_chunk(i) for i in chunks]
        return "\n".join(lines).strip()

    def _format_each_chunk(chunk: Dict) -> str:
        bits = [f"DOC id={chunk['id']}"]
        if chunk.get("score"):
            bits.append(f"score={round(chunk['score'], 4)}")

        prefix = "[" + " ".join(bits) + "]"
        snippets = _trim(chunk["content"], max_chars_per_chunk)
        item = f"{prefix}\n{snippets}\n"
        return item

    # —— 统一 System 约束（全中文） ——
    system_text = (
        "你是一位“基于证据的助手”。你必须只使用我提供的【上下文】来回答：\n"
        "- 不得使用外部常识或臆测；\n"
        "- 若上下文不足，请明确输出“信息不足”，并指出缺失的信息类型；\n"
        "- 对关键结论附 [C{id}] 形式的出处；\n"
        "- 如存在冲突证据，请列出冲突并给出谨慎结论与采信依据；\n"
        "- 用中文回答，保持简洁、结构化。"
    )

    formatted_contexts = _format_contexts(contexts)
    match mode:
        case "single":
            user_text = (
                f"【问题】\n{question}\n\n"
                f"【上下文（已按相关性排序）】\n{formatted_contexts}\n\n"
                "【请按以下结构作答】\n"
                "1) 简要结论（2-4句）\n"
                "2) 关键要点（每点附1-2个引用，如 [C3]）\n"
                "3) 证据信息不一致（如有）\n"
                "4) 信息缺口（如有）"
            )
            return {"system": system_text, "user": user_text}

        # —— Map 步骤：对每个片段单独提炼“可引用事实点” ——
        case "map":
            map_user_list = []
            for context in contexts:
                format_context = _format_each_chunk(context)
                map_user_list.append(map_prompt(question, format_context))
            return {"system": system_text, "user_list": map_user_list}

        # 对 map 的结果进行聚合
        case "reduce":
            res = reduce_prompt(question, mapped_results_json_list)
            return {"system": system_text, "user": res}

        # —— 自重排（Rank-Then-Read 的“Rank”）：仅评分排序，不做总结 ——
        case "rerank":
            rerank_system = "你是一位严谨的重排器。请只输出 JSON。"
            rerank_user = (
                f"请比较下列候选段与问题“{question}”的相关性，仅打分并排序（不做总结）。\n"
                "评分标准（由高到低）：直接回答性 > 主题一致性 > 细节重合度 > 时间匹配。\n\n"
                f"【候选段】\n{formatted_contexts}\n\n"
                "【只输出 JSON，格式如下（按 score 从高到低）】\n"
                '[{"id":"DOC_ID","score":X.X}]'
            )
            return {"system": rerank_system, "user": rerank_user}

        # —— 核验（Chain-of-Verification）：对初稿答案逐条校验并修正 ——
        case "verify":
            draft = draft_answer or "（此处为初稿答案）"
            verify_user = verify_prompt(question, draft, formatted_contexts)
            return {"system": system_text, "user": verify_user}

        case _:
            raise ValueError(f"不支持的模式：{mode}")


__all__ = ["build_rag_prompt"]