add py

sug_v2_raw_v1.py

@@ -0,0 +1,301 @@
+import asyncio
+import json
+import os
+import argparse
+from datetime import datetime
+
+from agents import Agent, Runner, function_tool
+from lib.my_trace import set_trace
+from typing import Literal
+from dataclasses import dataclass
+from pydantic import BaseModel, Field
+
+
+from lib.utils import read_file_as_string
+from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations
+
+from agents import Agent, RunContextWrapper, Runner, function_tool
+
+from pydantic import BaseModel, Field
+
+
+class RunContext(BaseModel):
+    version: str = Field(..., description="当前运行的脚本版本（文件名）")
+    input_files: dict[str, str] = Field(..., description="输入文件路径映射，如 {'context_file': '...', 'q_file': '...'}")
+    q_with_context: str
+    q_context: str
+    q: str
+    log_url: str
+    log_dir: str
+    # 中间数据记录 - 按时间顺序记录所有操作
+    operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史，包括 get_query_suggestions 和 modify_query")
+    # 最终输出结果
+    final_output: str | None = Field(default=None, description="Agent的最终输出结果")
+
+
+eval_insrtuctions = """
+你是一个专业的评估专家，负责评估给定的搜索query是否满足原始问题和需求，给出出评分和简明扼要的理由。
+"""
+
+@dataclass
+class EvaluationFeedback:
+    reason: str=Field(..., description="简明扼要的理由")
+    score: float=Field(..., description="评估结果，1表示等价，0表示不等价，中间值表示部分等价")
+
+evaluator = Agent[None](
+    name="评估专家",
+    instructions=eval_insrtuctions,
+    output_type=EvaluationFeedback,
+)
+
+@function_tool
+async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: str):
+    """Fetch search recommendations from Xiaohongshu."""
+    xiaohongshu_api = XiaohongshuSearchRecommendations()
+    query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)
+     # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "get_query_suggestions",
+        "timestamp": datetime.now().isoformat(),
+        "query": query,
+        "suggestions": query_suggestions,
+    })
+
+    if query_suggestions:
+        return query_suggestions
+    else:
+        res = '未返回任何推荐词'
+
+   
+    return res
+
+@function_tool
+def modify_query(wrapper: RunContextWrapper[RunContext], original_query: str, operation_type: str, new_query: str, reason: str):
+    """
+    Modify the search query with a specific operation.
+
+    Args:
+        original_query: The original query before modification
+        operation_type: Type of modification - must be one of: "简化", "扩展", "替换", "组合"
+        new_query: The modified query after applying the operation
+        reason: Detailed explanation of why this modification was made and what insight from previous suggestions led to this change
+
+    Returns:
+        A dict containing the modification record and the new query to use for next search
+    """
+    operation_types = ["简化", "扩展", "替换", "组合"]
+    if operation_type not in operation_types:
+        return {
+            "status": "error",
+            "message": f"Invalid operation_type. Must be one of: {', '.join(operation_types)}"
+        }
+
+    modification_record = {
+        "original_query": original_query,
+        "operation_type": operation_type,
+        "new_query": new_query,
+        "reason": reason,
+    }
+
+    # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "modify_query",
+        "timestamp": datetime.now().isoformat(),
+        "modification_type": operation_type,
+        "original_query": original_query,
+        "new_query": new_query,
+        "reason": reason,
+    })
+
+    return {
+        "status": "success",
+        "modification_record": modification_record,
+        "new_query": new_query,
+        "message": f"Query modified successfully. Use '{new_query}' for the next search."
+    }
+
+insrtuctions = """
+你是一个专业的搜索query优化专家，擅长通过动态探索找到最符合用户搜索习惯的query。
+
+## 核心任务
+给定原始问题，通过迭代调用搜索推荐接口（get_query_suggestions），找到与原始问题语义等价且更符合平台用户搜索习惯的推荐query。
+
+## 工作流程
+
+### 1. 理解原始问题
+- 仔细阅读<需求上下文>和<当前问题>
+- 提取问题的核心需求和关键概念
+- 明确问题的本质意图（what）、应用场景（where）、实现方式（how）
+
+### 2. 动态探索策略
+采用类似人类搜索的迭代探索方式：
+
+**第一轮尝试：**
+- 使用原始问题直接调用 get_query_suggestions(query="原始问题")
+- 仔细分析返回的推荐词列表
+- 判断是否有与原始问题等价的推荐词
+
+**后续迭代：**
+如果推荐词不满足要求，必须先调用 modify_query 函数记录修改，然后再次搜索：
+
+**工具使用流程：**
+1. 调用 modify_query(original_query, operation_type, new_query, reason)
+2. 使用返回的 new_query 调用 get_query_suggestions
+3. 分析新的推荐词列表
+4. 如果仍不满足，重复步骤1-3
+
+**四种操作类型（operation_type）：**
+- **简化**：删除冗余词汇，提取核心关键词
+- **扩展**
+- **替换**：使用同义词、行业术语或口语化表达
+- **组合**：调整关键词顺序或组合方式
+
+**每次修改的reason必须包含：**
+- 上一轮推荐词给你的启发
+- 为什么这样修改更符合平台用户习惯
+- 与原始问题的关系（确保核心意图不变）
+
+### 3. 等价性判断标准
+推荐词满足以下条件即可视为"与原始问题等价"：
+
+**语义等价：**
+- 能够回答或解决原始问题的核心需求
+- 涵盖原始问题的关键功能或场景
+
+
+### 4. 迭代终止条件
+- **成功终止**：找到至少一个与原始问题等价的推荐query
+- **尝试上限**：最多迭代5轮，避免无限循环
+- **无推荐词**：推荐接口返回空列表或错误
+
+### 5. 输出要求
+成功找到等价query时，输出格式：
+```
+原始问题：[原问题]
+
+优化后的query：[最终找到的等价推荐query]
+
+探索路径：
+1. 第1轮：原始query "[query1]"
+   - 推荐词：[列出关键推荐词]
+   - 判断：不满足，[简要说明原因]
+
+2. 第2轮：modify_query("[query1]", "简化", "[query2]", "[reason]")
+   - 推荐词：[列出关键推荐词]
+   - 判断：不满足，[简要说明原因]
+
+3. 第3轮：modify_query("[query2]", "替换", "[query3]", "[reason]")
+   - 推荐词：[列出关键推荐词]
+   - 判断：满足！找到等价query "[最终query]"
+
+推荐理由：
+- 该query来自平台官方推荐，大概率有结果
+- 与原始问题语义等价：[具体说明]
+- 更符合用户搜索习惯：[具体说明]
+```
+
+未找到等价query时，输出：
+```
+原始问题：[原问题]
+
+探索结果：未找到完全等价的推荐query（已尝试[N]轮）
+
+尝试过的query及修改记录：
+1. "[query1]" (原始)
+2. "[query2]" (简化：[reason])
+3. "[query3]" (替换：[reason])
+...
+
+各轮推荐词分析：
+- 第1轮推荐词偏向：[分析]
+- 第2轮推荐词偏向：[分析]
+...
+
+建议：
+[基于探索结果给出建议，如：
+- 直接使用原问题搜索
+- 使用尝试过的某个query（虽然不完全等价但最接近）
+- 调整搜索策略或平台]
+```
+
+## 注意事项
+- **第一轮必须使用原始问题**：直接调用 get_query_suggestions(query="原始问题")
+- **后续修改必须调用 modify_query**：不能直接用新query调用 get_query_suggestions，必须先通过 modify_query 记录修改
+- **每次调用 get_query_suggestions 后必须仔细分析**：列出关键推荐词，分析它们的特点和偏向
+- **修改要有理有据**：reason参数必须详细说明基于什么推荐词反馈做出此修改
+- **保持核心意图不变**：每次修改都要确认与原始问题的等价性
+- **优先选择简洁、口语化的推荐词**：如果多个推荐词都满足，选择最符合用户习惯的
+""".strip()
+
+
+
+
+async def main(input_dir: str):
+    current_time, log_url = set_trace()
+
+    # 从目录中读取固定文件名
+    input_context_file = os.path.join(input_dir, 'context.md')
+    input_q_file = os.path.join(input_dir, 'q.md')
+
+    q_context = read_file_as_string(input_context_file)
+    q = read_file_as_string(input_q_file)
+    q_with_context = f"""
+<需求上下文>
+{q_context}
+</需求上下文>
+<当前问题>
+{q}
+</当前问题>
+""".strip()
+
+    # 获取当前文件名作为版本
+    version = os.path.basename(__file__)
+    version_name = os.path.splitext(version)[0]  # 去掉 .py 后缀
+
+    # 日志保存到输入目录的 output/版本/时间戳 目录下
+    log_dir = os.path.join(input_dir, "output", version_name, current_time)
+
+    run_context = RunContext(
+        version=version,
+        input_files={
+            "input_dir": input_dir,
+            "context_file": input_context_file,
+            "q_file": input_q_file,
+        },
+        q_with_context=q_with_context,
+        q_context=q_context,
+        q=q,
+        log_dir=log_dir,
+        log_url=log_url,
+    )
+    agent = Agent[RunContext](
+        name="Query Optimization Agent",
+        instructions=insrtuctions,
+        tools=[get_query_suggestions, modify_query],
+       
+    )
+    result = await Runner.run(agent, input=q_with_context,  context = run_context,)
+    print(result.final_output)
+
+    # 保存最终输出到 RunContext
+    run_context.final_output = str(result.final_output)
+
+    # 保存 RunContext 到 log_dir
+    os.makedirs(run_context.log_dir, exist_ok=True)
+    context_file_path = os.path.join(run_context.log_dir, "run_context.json")
+    with open(context_file_path, "w", encoding="utf-8") as f:
+        json.dump(run_context.model_dump(), f, ensure_ascii=False, indent=2)
+    print(f"\nRunContext saved to: {context_file_path}")
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description="搜索query优化工具")
+    parser.add_argument(
+        "--input-dir",
+        type=str,
+        default="input/简单扣图",
+        help="输入目录路径，默认: input/简单扣图"
+    )
+    args = parser.parse_args()
+
+    asyncio.run(main(args.input_dir))

sug_v2_raw_v2.py

@@ -0,0 +1,291 @@
+import asyncio
+import json
+import os
+import argparse
+from datetime import datetime
+
+from agents import Agent, Runner, function_tool
+from lib.my_trace import set_trace
+from typing import Literal
+from dataclasses import dataclass
+from pydantic import BaseModel, Field
+
+
+from lib.utils import read_file_as_string
+from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations
+
+from agents import Agent, RunContextWrapper, Runner, function_tool
+
+from pydantic import BaseModel, Field
+
+
+class RunContext(BaseModel):
+    version: str = Field(..., description="当前运行的脚本版本（文件名）")
+    input_files: dict[str, str] = Field(..., description="输入文件路径映射，如 {'context_file': '...', 'q_file': '...'}")
+    q_with_context: str
+    q_context: str
+    q: str
+    log_url: str
+    log_dir: str
+    # 中间数据记录 - 按时间顺序记录所有操作
+    operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史，包括 get_query_suggestions 和 modify_query")
+    # 最终输出结果
+    final_output: str | None = Field(default=None, description="Agent的最终输出结果")
+
+
+eval_insrtuctions = """
+你是一个专业的评估专家，负责评估给定的搜索query是否满足原始问题和需求，给出出评分和简明扼要的理由。
+"""
+
+@dataclass
+class EvaluationFeedback:
+    reason: str=Field(..., description="简明扼要的理由")
+    score: float=Field(..., description="评估结果，1表示等价，0表示不等价，中间值表示部分等价")
+
+evaluator = Agent[None](
+    name="评估专家",
+    instructions=eval_insrtuctions,
+    output_type=EvaluationFeedback,
+)
+
+@function_tool
+async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: str):
+    """Fetch search recommendations from Xiaohongshu."""
+    xiaohongshu_api = XiaohongshuSearchRecommendations()
+    query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)
+    # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "get_query_suggestions",
+        "timestamp": datetime.now().isoformat(),
+        "query": query,
+        "suggestions": query_suggestions,
+    })
+
+    if query_suggestions:
+        return query_suggestions
+    else:
+        res = '未返回任何推荐词'
+
+    return res
+
+@function_tool
+def modify_query(wrapper: RunContextWrapper[RunContext], original_query: str, operation_type: str, new_query: str, reason: str):
+    """
+    Modify the search query with a specific operation.
+
+    Args:
+        original_query: The original query before modification
+        operation_type: Type of modification - must be one of: "简化", "扩展", "替换", "组合"
+        new_query: The modified query after applying the operation
+        reason: Detailed explanation of why this modification was made and what insight from previous suggestions led to this change
+
+    Returns:
+        A dict containing the modification record and the new query to use for next search
+    """
+    operation_types = ["简化", "扩展", "替换", "组合"]
+    if operation_type not in operation_types:
+        return {
+            "status": "error",
+            "message": f"Invalid operation_type. Must be one of: {', '.join(operation_types)}"
+        }
+
+    modification_record = {
+        "original_query": original_query,
+        "operation_type": operation_type,
+        "new_query": new_query,
+        "reason": reason,
+    }
+
+    # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "modify_query",
+        "timestamp": datetime.now().isoformat(),
+        "modification_type": operation_type,
+        "original_query": original_query,
+        "new_query": new_query,
+        "reason": reason,
+    })
+
+    return {
+        "status": "success",
+        "modification_record": modification_record,
+        "new_query": new_query,
+        "message": f"Query modified successfully. Use '{new_query}' for the next search."
+    }
+
+insrtuctions = """
+你是一个专业的搜索query优化专家，擅长通过动态探索找到最符合用户搜索习惯的query。
+
+## 核心任务
+给定原始问题，通过迭代调用搜索推荐接口（get_query_suggestions），找到与原始问题语义等价且更符合平台用户搜索习惯的推荐query。
+
+## 重要说明
+- **你不需要自己评估query的等价性**
+- get_query_suggestions 函数内部已集成评估子agent，会自动对每个推荐词进行评估
+- 返回结果包含：query（推荐词）、score（评分，1表示等价，0表示不等价）、reason（评估理由）
+- **你的职责是分析评估结果，做出决策和策略调整**
+
+## 防止幻觉 - 关键原则
+- **严禁编造数据**：只能基于 get_query_suggestions 实际返回的结果进行分析
+- **空结果处理**：如果返回的列表为空（[]），必须明确说明"未返回任何推荐词"
+- **不要猜测**：在 modify_query 的 reason 中，不能引用不存在的推荐词或评分
+- **如实记录**：每次分析都要如实反映实际返回的数据
+
+## 工作流程
+
+### 1. 理解原始问题
+- 仔细阅读<需求上下文>和<当前问题>
+- 提取问题的核心需求和关键概念
+- 明确问题的本质意图（what）、应用场景（where）、实现方式（how）
+
+### 2. 动态探索策略
+
+**第一轮尝试：**
+- 使用原始问题直接调用 get_query_suggestions(query="原始问题")
+- **检查返回结果**：
+  - 如果返回空列表 []：说明"该query未返回任何推荐词"，需要简化或替换query
+  - 如果有推荐词：查看每个推荐词的 score 和 reason
+- **做出判断**：是否有 score >= 0.8 的高分推荐词？
+
+**后续迭代：**
+如果没有高分推荐词（或返回空列表），必须先调用 modify_query 记录修改，然后再次搜索：
+
+**工具使用流程：**
+1. **分析评估反馈**（必须基于实际返回的数据）：
+   - **情况A - 返回空列表**：
+     * 在 reason 中说明："第X轮未返回任何推荐词，可能是query过于复杂或生僻"
+     * 不能编造任何推荐词或评分
+   - **情况B - 有推荐词但无高分**：
+     * 哪些推荐词得分较高？具体是多少分？评估理由是什么？
+     * 哪些推荐词偏离了原问题？如何偏离的？
+     * 推荐词整体趋势是什么？（过于泛化/具体化/领域偏移等）
+
+2. **决策修改策略**：基于实际评估反馈，调用 modify_query(original_query, operation_type, new_query, reason)
+   - reason 必须引用具体的数据，不能编造
+
+3. 使用返回的 new_query 调用 get_query_suggestions
+
+4. 分析新的评估结果，如果仍不满足，重复步骤1-3
+
+**四种操作类型（operation_type）：**
+- **简化**：删除冗余词汇，提取核心关键词（当推荐词过于发散时）
+- **扩展**：添加限定词或场景描述（当推荐词过于泛化时）
+- **替换**：使用同义词、行业术语或口语化表达（当推荐词偏离核心时）
+- **组合**：调整关键词顺序或组合方式（当推荐词结构不合理时）
+
+**每次修改的reason必须包含：**
+- 上一轮评估结果的关键发现（引用具体的score和reason）
+- 基于评估反馈，为什么这样修改
+- 预期这次修改会带来什么改进
+
+### 3. 决策标准
+- **score >= 0.8**：认为该推荐词与原问题等价，可以作为最终结果
+- **0.5 <= score < 0.8**：部分等价，分析reason看是否可接受
+- **score < 0.5**：不等价，需要继续优化
+
+### 4. 迭代终止条件
+- **成功终止**：找到至少一个 score >= 0.8 的推荐query
+- **尝试上限**：最多迭代5轮，避免无限循环
+- **无推荐词**：推荐接口返回空列表或错误
+
+### 5. 输出要求
+
+**成功找到等价query时，输出格式：**
+```
+原始问题：[原问题]
+优化后的query：[最终找到的等价推荐query]
+评分：[score]
+```
+
+**未找到等价query时，输出格式：**
+```
+原始问题：[原问题]
+结果：未找到完全等价的推荐query
+建议：[简要建议，如：直接使用原问题搜索 或 使用最接近的推荐词]
+```
+
+## 注意事项
+- **第一轮必须使用原始问题**：直接调用 get_query_suggestions(query="原始问题")
+- **后续修改必须调用 modify_query**：不能直接用新query调用 get_query_suggestions
+- **重点关注评估结果**：每次都要仔细分析返回的 score 和 reason
+- **基于数据决策**：修改策略必须基于评估反馈，不能凭空猜测
+- **引用具体评分**：在分析和决策时，引用具体的score数值和reason内容
+- **优先选择高分推荐词**：score >= 0.8 即可认为等价
+- **严禁编造数据**：
+  * 如果返回空列表，必须在 reason 中明确说明"未返回任何推荐词"
+  * 不能引用不存在的推荐词、评分或评估理由
+  * 每次 modify_query 的 reason 必须基于上一轮实际返回的结果
+""".strip()
+
+
+
+
+async def main(input_dir: str):
+    current_time, log_url = set_trace()
+
+    # 从目录中读取固定文件名
+    input_context_file = os.path.join(input_dir, 'context.md')
+    input_q_file = os.path.join(input_dir, 'q.md')
+
+    q_context = read_file_as_string(input_context_file)
+    q = read_file_as_string(input_q_file)
+    q_with_context = f"""
+<需求上下文>
+{q_context}
+</需求上下文>
+<当前问题>
+{q}
+</当前问题>
+""".strip()
+
+    # 获取当前文件名作为版本
+    version = os.path.basename(__file__)
+    version_name = os.path.splitext(version)[0]  # 去掉 .py 后缀
+
+    # 日志保存到输入目录的 output/版本/时间戳 目录下
+    log_dir = os.path.join(input_dir, "output", version_name, current_time)
+
+    run_context = RunContext(
+        version=version,
+        input_files={
+            "input_dir": input_dir,
+            "context_file": input_context_file,
+            "q_file": input_q_file,
+        },
+        q_with_context=q_with_context,
+        q_context=q_context,
+        q=q,
+        log_dir=log_dir,
+        log_url=log_url,
+    )
+    agent = Agent[RunContext](
+        name="Query Optimization Agent",
+        instructions=insrtuctions,
+        tools=[get_query_suggestions, modify_query],
+       
+    )
+    result = await Runner.run(agent, input=q_with_context,  context = run_context,)
+    print(result.final_output)
+
+    # 保存最终输出到 RunContext
+    run_context.final_output = str(result.final_output)
+
+    # 保存 RunContext 到 log_dir
+    os.makedirs(run_context.log_dir, exist_ok=True)
+    context_file_path = os.path.join(run_context.log_dir, "run_context.json")
+    with open(context_file_path, "w", encoding="utf-8") as f:
+        json.dump(run_context.model_dump(), f, ensure_ascii=False, indent=2)
+    print(f"\nRunContext saved to: {context_file_path}")
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description="搜索query优化工具")
+    parser.add_argument(
+        "--input-dir",
+        type=str,
+        default="input/简单扣图",
+        help="输入目录路径，默认: input/简单扣图"
+    )
+    args = parser.parse_args()
+
+    asyncio.run(main(args.input_dir))

sug_v2_with_eval_requery_yx.py

@@ -0,0 +1,383 @@
+import asyncio
+import json
+import os
+import argparse
+from datetime import datetime
+
+from agents import Agent, Runner, function_tool
+from lib.my_trace import set_trace
+from typing import Literal
+from dataclasses import dataclass
+from pydantic import BaseModel, Field
+
+
+from lib.utils import read_file_as_string
+from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations
+
+from agents import Agent, RunContextWrapper, Runner, function_tool
+
+from pydantic import BaseModel, Field
+
+
+class RunContext(BaseModel):
+    version: str = Field(..., description="当前运行的脚本版本（文件名）")
+    input_files: dict[str, str] = Field(..., description="输入文件路径映射，如 {'context_file': '...', 'q_file': '...'}")
+    q_with_context: str
+    q_context: str
+    q: str
+    log_url: str
+    log_dir: str
+    # 中间数据记录 - 按时间顺序记录所有操作
+    operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史，包括 get_query_suggestions 和 modify_query")
+    # 最终输出结果
+    final_output: str | None = Field(default=None, description="Agent的最终输出结果")
+
+
+eval_insrtuctions = """
+# 角色定义
+
+你是一个 **专业的语言专家和语义相关性评判专家**。
+
+你的任务是：判断我给你的平台sug词条，其与 <原始 query 问题> 和 <需求上下文> **共同形成的综合意图** 的相关度满足度百分比。
+
+---
+
+# 输入信息
+
+你将接收到以下输入：
+1.  <需求上下文>：文档的解构结果或语义说明，用于理解 query 所针对的核心任务与场景。
+2.  <原始 query 问题>：用户的初始查询问题。
+3.  <平台sug词条>：模型或算法推荐的 平台sug词条，其中包含待评估的词条。
+
+---
+
+# 工作流程
+
+## 第一步：理解综合意图
+
+-   仔细阅读 <需求上下文> 与 <原始 query 问题>；
+-   明确 <原始 query 问题> 的核心意图、主题焦点和任务目标；
+-   提炼 <需求上下文> 所描述的核心任务、场景、概念和语义范围；
+-   **将 <原始 query 问题> 和 <需求上下文> 融合成一个单一的、完整的“综合意图”**，作为后续评估的唯一基准。这个综合意图代表了用户在特定场景下最核心、最全面的需求。
+
+## 第二步：逐一评估 Sug 词条的综合相关度满足度
+
+对于 我给你的sug词条：
+
+1.  **评估其与“综合意图”的相关度满足度：**
+    -   将当前 sug 词条的语义与第一步中确定的“综合意图”（<原始 query 问题> 和 <需求上下文> 的结合体）进行比较。
+    -   全面评估该 sug 词条在主题、目标动作、语义范围、场景匹配、核心概念覆盖等各方面与“综合意图”的匹配和满足程度。
+    -   给出 0-1 之间的浮点数，代表其“相关度满足度”。数值比越高，表示该 sug 词条越能充分且精准地满足“综合意图”。
+
+**评估标准一致性要求：在评估 sug 词条时，请务必保持你对“相关度满足度”的判断标准和百分比给定的逻辑完全一致和稳定。**
+
+**相关性依据要求：** 简短叙述相关性依据，说明主要匹配点或差异点，以及该 sug 词条如何满足或未能完全满足“综合意图”的哪些方面。
+"""
+
+@dataclass
+class EvaluationFeedback:
+    reason: str=Field(..., description="简明扼要的理由")
+    score: float=Field(..., description="评估结果，1表示等价，0表示不等价，中间值表示部分等价")
+
+evaluator = Agent[None](
+    name="评估专家",
+    instructions=eval_insrtuctions,
+    output_type=EvaluationFeedback,
+)
+
+@function_tool
+async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: str):
+    """Fetch search recommendations from Xiaohongshu."""
+    xiaohongshu_api = XiaohongshuSearchRecommendations()
+    query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)
+    print(query_suggestions)
+    async def evaluate_single_query(q_sug: str, q_with_context: str):
+        """Evaluate a single query suggestion."""
+        eval_input = f"""
+{q_with_context}
+<待评估的推荐query>
+{q_sug}
+</待评估的推荐query>
+        """
+        evaluator_result = await Runner.run(evaluator, eval_input)
+        result: EvaluationFeedback = evaluator_result.final_output
+        return {
+            "query": q_sug,
+            "score": result.score,
+            "reason": result.reason,
+        }
+
+    # 并发执行所有评估任务
+    q_with_context = wrapper.context.q_with_context
+    res = []
+    if query_suggestions:
+        res = await asyncio.gather(*[evaluate_single_query(q_sug, q_with_context) for q_sug in query_suggestions])
+    else:
+        res = '未返回任何推荐词'
+
+    # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "get_query_suggestions",
+        "timestamp": datetime.now().isoformat(),
+        "query": query,
+        "suggestions": query_suggestions,
+        "evaluations": res,
+    })
+
+    return res
+
+@function_tool
+def modify_query(wrapper: RunContextWrapper[RunContext], original_query: str, operation_type: str, new_query: str, reason: str):
+    """
+    Modify the search query with a specific operation.
+
+    Args:
+        original_query: The original query before modification
+        operation_type: Type of modification - must be one of:
+            - "增加": 增加query语句，添加具体化的关键词
+            - "删减": 删减query词，去除冗余词汇
+            - "调序": 调整query词的顺序，更符合用户习惯的词序
+            - "替换": 替换query中的某个词，使用同义词或专业术语
+        new_query: The modified query after applying the operation
+        reason: Detailed explanation of why this modification was made and what insight from previous suggestions led to this change.
+                Must reference specific data from get_query_suggestions results (e.g., scores, reasons, word patterns).
+
+    Returns:
+        A dict containing the modification record and the new query to use for next search
+    """
+    operation_types = ["增加", "删减", "调序", "替换"]
+    if operation_type not in operation_types:
+        return {
+            "status": "error",
+            "message": f"Invalid operation_type. Must be one of: {', '.join(operation_types)}"
+        }
+
+    modification_record = {
+        "original_query": original_query,
+        "operation_type": operation_type,
+        "new_query": new_query,
+        "reason": reason,
+    }
+
+    # 记录到 RunContext
+    wrapper.context.operations_history.append({
+        "operation_type": "modify_query",
+        "timestamp": datetime.now().isoformat(),
+        "modification_type": operation_type,
+        "original_query": original_query,
+        "new_query": new_query,
+        "reason": reason,
+    })
+
+    return {
+        "status": "success",
+        "modification_record": modification_record,
+        "new_query": new_query,
+        "message": f"Query modified successfully. Use '{new_query}' for the next search."
+    }
+
+insrtuctions = """
+你是一个专业的搜索query优化专家，擅长通过动态探索找到最符合用户搜索习惯的query。
+
+## 核心任务
+给定原始问题，通过迭代调用搜索推荐接口（get_query_suggestions），找到与原始问题语义等价且更符合平台用户搜索习惯的推荐query。
+
+## 重要说明
+- **你不需要自己评估query的等价性**
+- get_query_suggestions 函数内部已集成评估子agent，会自动对每个推荐词进行评估
+- 返回结果包含：query（推荐词）、score（评分，1表示等价，0表示不等价）、reason（评估理由）
+- **你的职责是分析评估结果，做出决策和策略调整**
+
+## 防止幻觉 - 关键原则
+- **严禁编造数据**：只能基于 get_query_suggestions 实际返回的结果进行分析
+- **空结果处理**：如果返回的列表为空（[]），必须明确说明"未返回任何推荐词"
+- **不要猜测**：在 modify_query 的 reason 中，不能引用不存在的推荐词或评分
+- **如实记录**：每次分析都要如实反映实际返回的数据
+
+## 工作流程
+
+### 1. 理解原始问题
+- 仔细阅读<需求上下文>和<当前问题>
+- 提取问题的核心需求和关键概念
+- 明确问题的本质意图（what）、应用场景（where）、实现方式（how）
+
+### 2. 动态探索策略
+
+**第一轮尝试：**
+- 使用原始问题直接调用 get_query_suggestions(query="原始问题")
+- **检查返回结果**：
+  - 如果返回空列表 []：说明"该query未返回任何推荐词"，需要简化或替换query
+  - 如果有推荐词：查看每个推荐词的 score 和 reason
+- **做出判断**：是否有 score >= 0.8 的高分推荐词？
+
+**后续迭代：**
+如果没有高分推荐词（或返回空列表），必须先调用 modify_query 记录修改，然后再次搜索：
+
+**工具使用流程：**
+1. **分析评估反馈**（必须基于实际返回的数据）：
+   - **情况A - 返回空列表**：
+     * 在 reason 中说明："第X轮未返回任何推荐词，可能是query过于复杂或生僻"
+     * 不能编造任何推荐词或评分
+   - **情况B - 有推荐词但无高分**：
+     * 哪些推荐词得分较高？具体是多少分？评估理由是什么？
+     * 哪些推荐词偏离了原问题？如何偏离的？
+     * 推荐词整体趋势是什么？（过于泛化/具体化/领域偏移等）
+
+2. **决策修改策略**：基于实际评估反馈，调用 modify_query(original_query, operation_type, new_query, reason)
+   - reason 必须引用具体的数据，不能编造
+
+3. 使用返回的 new_query 调用 get_query_suggestions
+
+4. 分析新的评估结果，如果仍不满足，重复步骤1-3
+
+**四种操作类型（operation_type）及其详细判定标准：**
+
+**策略1：增加**
+- **判定标准**：
+  * 有效sug列表中，sug_i 的语义比 Query 更具体，且词汇数量 > query 的词汇数量
+  * sug list 中的每个词是 Query 的更具体或细化版本，是能将 Query 具体化描述的关键新词
+  * sug_i 必须包含 Query 的大部分或所有核心关键词，且词汇数量都明显多于query
+  * sug_j 中存在 query 中不存在的关键新词集合（例如：特定平台名称、特定功能词）
+- **使用时机**：当推荐词整体趋势是添加更具体的限定词或场景描述时
+
+**策略2：删减**
+- **判定标准**（满足以下任一条件即可）：
+  * 有效sug列表中，大部分 sug 的词汇数量都明显少于 query
+  * 当sug列表为空时
+  * sug 词汇数量明显少于 query，且与 Query 的核心搜索意图一致
+  * 基于评估反馈，识别 query 中 1-2 个词为"非核心冗余词"，且删除后不影响核心搜索意图
+- **使用时机**：当原query过于冗长复杂，推荐词都倾向于使用更简洁的表达时
+
+**策略3：调序**
+- **判定标准**：
+  * 有效sug list中，存在多个 sug_i 与 query 拥有完全相同的核心关键词集合，只是词汇排列顺序不同
+  * sug_i 与 query 的词序不同，但 sug_i 的词序变化与 query 的核心语义一致
+  * sug_i 的词序更自然或更符合搜索习惯，且 sug_i 的词序频率高于 query 词的词序
+  * 多个 Sug_List 中的 sug_i 都倾向于使用与 Query 不同但意思一致的词序
+- **使用时机**：当推荐词与原query关键词相同但顺序不同，且新顺序更符合用户习惯时
+
+**策略4：替换**
+- **判定标准**：
+  * 存在 sug_i（来自有效suglist），其与 query 之间仅有 1-2 个核心词不同，但其他词均相同
+  * sug_i 作为整体查询词，其语义与 query 等价或更优
+  * sug_i 与 Query 在大部分词汇上重叠，但在 1-2 个关键位置使用了不同的词
+  * 这些不同的词在语义上是同义、近义或在相关领域中更流行/专业的替代词
+  * 差异词中的新词在 Platform Sug List 中出现频率更高，或被标记为更专业的术语
+- **使用时机**：当推荐词显示某个词的同义词或专业术语更受欢迎时
+
+**每次修改的reason必须包含：**
+- 上一轮评估结果的关键发现（引用具体的score和reason）
+- 基于评估反馈，为什么这样修改
+- 预期这次修改会带来什么改进
+
+### 3. 决策标准
+- **score >= 0.8**：认为该推荐词与原问题等价，可以作为最终结果
+- **0.5 <= score < 0.8**：部分等价，分析reason看是否可接受
+- **score < 0.5**：不等价，需要继续优化
+
+### 4. 迭代终止条件
+- **成功终止**：找到至少一个 score >= 0.8 的推荐query
+- **尝试上限**：最多迭代5轮，避免无限循环
+- **无推荐词**：推荐接口返回空列表或错误
+
+### 5. 输出要求
+
+**成功找到等价query时，输出格式：**
+```
+原始问题：[原问题]
+优化后的query：[最终找到的等价推荐query]
+评分：[score]
+```
+
+**未找到等价query时，输出格式：**
+```
+原始问题：[原问题]
+结果：未找到完全等价的推荐query
+建议：[简要建议，如：直接使用原问题搜索 或 使用最接近的推荐词]
+```
+
+## 注意事项
+- **第一轮必须使用原始问题**：直接调用 get_query_suggestions(query="原始问题")
+- **后续修改必须调用 modify_query**：不能直接用新query调用 get_query_suggestions
+- **重点关注评估结果**：每次都要仔细分析返回的 score 和 reason
+- **基于数据决策**：修改策略必须基于评估反馈，不能凭空猜测
+- **引用具体评分**：在分析和决策时，引用具体的score数值和reason内容
+- **优先选择高分推荐词**：score >= 0.8 即可认为等价
+- **严禁编造数据**：
+  * 如果返回空列表，必须在 reason 中明确说明"未返回任何推荐词"
+  * 不能引用不存在的推荐词、评分或评估理由
+  * 每次 modify_query 的 reason 必须基于上一轮实际返回的结果
+""".strip()
+
+
+
+
+async def main(input_dir: str):
+    current_time, log_url = set_trace()
+
+    # 从目录中读取固定文件名
+    input_context_file = os.path.join(input_dir, 'context.md')
+    input_q_file = os.path.join(input_dir, 'q.md')
+
+    q_context = read_file_as_string(input_context_file)
+    q = read_file_as_string(input_q_file)
+    q_with_context = f"""
+<需求上下文>
+{q_context}
+</需求上下文>
+<当前问题>
+{q}
+</当前问题>
+""".strip()
+
+    # 获取当前文件名作为版本
+    version = os.path.basename(__file__)
+    version_name = os.path.splitext(version)[0]  # 去掉 .py 后缀
+
+    # 日志保存到输入目录的 output/版本/时间戳 目录下
+    log_dir = os.path.join(input_dir, "output", version_name, current_time)
+
+    run_context = RunContext(
+        version=version,
+        input_files={
+            "input_dir": input_dir,
+            "context_file": input_context_file,
+            "q_file": input_q_file,
+        },
+        q_with_context=q_with_context,
+        q_context=q_context,
+        q=q,
+        log_dir=log_dir,
+        log_url=log_url,
+    )
+    agent = Agent[RunContext](
+        name="Query Optimization Agent",
+        instructions=insrtuctions,
+        tools=[get_query_suggestions, modify_query],
+       
+    )
+    result = await Runner.run(agent, input=q_with_context,  context = run_context,)
+    print(result.final_output)
+
+    # 保存最终输出到 RunContext
+    run_context.final_output = str(result.final_output)
+
+    # 保存 RunContext 到 log_dir
+    os.makedirs(run_context.log_dir, exist_ok=True)
+    context_file_path = os.path.join(run_context.log_dir, "run_context.json")
+    with open(context_file_path, "w", encoding="utf-8") as f:
+        json.dump(run_context.model_dump(), f, ensure_ascii=False, indent=2)
+    print(f"\nRunContext saved to: {context_file_path}")
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description="搜索query优化工具")
+    parser.add_argument(
+        "--input-dir",
+        type=str,
+        default="input/简单扣图",
+        help="输入目录路径，默认: input/简单扣图"
+    )
+    args = parser.parse_args()
+
+    asyncio.run(main(args.input_dir))

sug_v3.py

@@ -27,6 +27,9 @@ class RunContext(BaseModel):
     q: str
     log_url: str
     log_dir: str
+    # 轮数计数器
+    current_round: int = Field(default=0, description="当前迭代轮数")
+    max_rounds: int = Field(default=100, description="最大迭代轮数")
     # 中间数据记录 - 按时间顺序记录所有操作
     operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史，包括 get_query_suggestions 和 modify_query")
     # 最终输出结果
@@ -51,6 +54,11 @@ evaluator = Agent[None](
 @function_tool
 async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: str):
     """Fetch search recommendations from Xiaohongshu."""
+    # 递增轮数
+    wrapper.context.current_round += 1
+    current_round = wrapper.context.current_round
+    max_rounds = wrapper.context.max_rounds
+
     xiaohongshu_api = XiaohongshuSearchRecommendations()
     query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)
     print(query_suggestions)
@@ -72,22 +80,60 @@ async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: s
 
     # 并发执行所有评估任务
     q_with_context = wrapper.context.q_with_context
-    res = []
+    evaluations = []
     if query_suggestions:
-        res = await asyncio.gather(*[evaluate_single_query(q_sug, q_with_context) for q_sug in query_suggestions])
+        evaluations = await asyncio.gather(*[evaluate_single_query(q_sug, q_with_context) for q_sug in query_suggestions])
+    else:
+        evaluations = '未返回任何推荐词'
+
+    # 判断是否有满足要求的推荐词（score >= 0.8）
+    has_qualified = False
+    best_score = 0.0
+    best_query = None
+
+    if isinstance(evaluations, list) and len(evaluations) > 0:
+        for eval_item in evaluations:
+            if isinstance(eval_item, dict) and eval_item.get('score', 0) >= 0.8:
+                has_qualified = True
+                if eval_item.get('score', 0) > best_score:
+                    best_score = eval_item['score']
+                    best_query = eval_item['query']
+
+    # 决定是否需要继续优化
+    should_continue = not has_qualified and current_round < max_rounds
+
+    # 构建明确的指示信息
+    if has_qualified:
+        action = f"找到满足要求的推荐词！最佳推荐：'{best_query}'（评分：{best_score}），可以结束优化。"
+    elif current_round >= max_rounds:
+        action = "已达到最大轮数限制，必须停止优化。"
     else:
-        res = '未返回任何推荐词'
+        action = "未找到满足要求的推荐词（score >= 0.8），请继续优化。"
 
     # 记录到 RunContext
     wrapper.context.operations_history.append({
         "operation_type": "get_query_suggestions",
         "timestamp": datetime.now().isoformat(),
+        "round": current_round,
         "query": query,
         "suggestions": query_suggestions,
-        "evaluations": res,
+        "evaluations": evaluations,
+        "has_qualified": has_qualified,
+        "should_continue": should_continue,
     })
 
-    return res
+    # 返回结果，包含轮数信息和明确的行动指示
+    return {
+        "current_round": current_round,
+        "max_rounds": max_rounds,
+        "query": query,
+        "evaluations": evaluations,
+        "has_qualified": has_qualified,
+        "should_continue": should_continue,
+        "best_result": {"query": best_query, "score": best_score} if has_qualified else None,
+        "action": action,
+        "message": f"第 {current_round}/{max_rounds} 轮搜索完成。{action}"
+    }
 
 @function_tool
 def modify_query(wrapper: RunContextWrapper[RunContext], original_query: str, operation_type: str, new_query: str, reason: str):
@@ -141,10 +187,22 @@ insrtuctions = """
 给定原始问题，通过迭代调用搜索推荐接口（get_query_suggestions），找到与原始问题语义等价且更符合平台用户搜索习惯的推荐query。
 
 ## 重要说明
-- **你不需要自己评估query的等价性**
-- get_query_suggestions 函数内部已集成评估子agent，会自动对每个推荐词进行评估
-- 返回结果包含：query（推荐词）、score（评分，1表示等价，0表示不等价）、reason（评估理由）
-- **你的职责是分析评估结果，做出决策和策略调整**
+- **你不需要自己评估query的等价性，也不需要自己判断是否继续优化**
+- get_query_suggestions 函数内部已集成评估子agent，会自动完成评估和判断
+- **返回结果结构**：
+  - current_round: 当前迭代轮数
+  - max_rounds: 最大允许轮数（100轮）
+  - query: 本次搜索使用的query
+  - evaluations: 评估结果列表（仅供参考）
+  - **has_qualified**: 是否找到满足要求的推荐词（score >= 0.8）
+  - **should_continue**: 是否应该继续优化（true表示继续，false表示停止）
+  - **best_result**: 如果找到满足要求的推荐词，这里会显示最佳结果
+  - **action**: 明确的行动指示，告诉你接下来该做什么
+  - message: 完整的提示信息
+- **你的职责是遵循函数返回的指示**：
+  - 如果 should_continue = true，分析evaluations并调用 modify_query 继续优化
+  - 如果 should_continue = false 且 has_qualified = true，输出找到的最佳推荐词
+  - 如果 should_continue = false 且 has_qualified = false，说明已达到最大轮数但未找到满意结果
 
 ## 防止幻觉 - 关键原则
 - **严禁编造数据**：只能基于 get_query_suggestions 实际返回的结果进行分析
@@ -163,13 +221,15 @@ insrtuctions = """
 
 **第一轮尝试：**
 - 使用原始问题直接调用 get_query_suggestions(query="原始问题")
-- **检查返回结果**：
-  - 如果返回空列表 []：说明"该query未返回任何推荐词"，需要简化或替换query
-  - 如果有推荐词：查看每个推荐词的 score 和 reason
-- **做出判断**：是否有 score >= 0.8 的高分推荐词？
+- **查看返回结果的关键字段**：
+  - **action**: 明确告诉你接下来该做什么
+  - **should_continue**: 是否需要继续优化
+  - **has_qualified**: 是否已找到满足要求的推荐词
+  - **best_result**: 如果找到了，这里会显示最佳推荐词和评分
+- **遵循指示行动**：直接按照 action 字段的指示执行
 
 **后续迭代：**
-如果没有高分推荐词（或返回空列表），必须先调用 modify_query 记录修改，然后再次搜索：
+如果 should_continue = true，必须先调用 modify_query 记录修改，然后再次调用 get_query_suggestions：
 
 **工具使用流程：**
 1. **分析评估反馈**（必须基于实际返回的数据）：
@@ -199,15 +259,17 @@ insrtuctions = """
 - 基于评估反馈，为什么这样修改
 - 预期这次修改会带来什么改进
 
-### 3. 决策标准
-- **score >= 0.8**：认为该推荐词与原问题等价，可以作为最终结果
-- **0.5 <= score < 0.8**：部分等价，分析reason看是否可接受
-- **score < 0.5**：不等价，需要继续优化
+### 3. 决策标准（由函数自动判断，你只需遵循）
+- 函数内部已自动按照 score >= 0.8 的标准判断是否找到满意的推荐词
+- 你只需要查看 has_qualified 和 should_continue 字段即可
+- 不需要自己遍历 evaluations 来判断分数
 
-### 4. 迭代终止条件
-- **成功终止**：找到至少一个 score >= 0.8 的推荐query
-- **尝试上限**：最多迭代5轮，避免无限循环
-- **无推荐词**：推荐接口返回空列表或错误
+### 4. 迭代终止条件（由函数自动判断）
+- 函数会自动判断何时应该停止或继续
+- **should_continue = false** 时必须停止：
+  - 情况1: has_qualified = true（找到了满意的推荐词）
+  - 情况2: current_round >= max_rounds（达到最大轮数）
+- **should_continue = true** 时应该继续优化
 
 ### 5. 输出要求
 
@@ -228,10 +290,14 @@ insrtuctions = """
 ## 注意事项
 - **第一轮必须使用原始问题**：直接调用 get_query_suggestions(query="原始问题")
 - **后续修改必须调用 modify_query**：不能直接用新query调用 get_query_suggestions
-- **重点关注评估结果**：每次都要仔细分析返回的 score 和 reason
+- **遵循函数返回的指示**：
+  - 重点关注 **should_continue** 和 **action** 字段
+  - 不需要自己判断是否继续优化，函数已经帮你判断好了
+  - 如果 should_continue = true，就继续优化；如果 false，就停止
+- **分析 evaluations 用于优化策略**：虽然不需要自己判断是否满足要求，但需要分析 evaluations 来决定如何修改query
 - **基于数据决策**：修改策略必须基于评估反馈，不能凭空猜测
-- **引用具体评分**：在分析和决策时，引用具体的score数值和reason内容
-- **优先选择高分推荐词**：score >= 0.8 即可认为等价
+- **引用具体评分**：在 modify_query 的 reason 中，引用具体的score数值和reason内容
+- **坚持优化**：只要 should_continue = true，就应该继续尝试不同策略
 - **严禁编造数据**：
   * 如果返回空列表，必须在 reason 中明确说明"未返回任何推荐词"
   * 不能引用不存在的推荐词、评分或评估理由
@@ -285,7 +351,7 @@ async def main(input_dir: str):
         tools=[get_query_suggestions, modify_query],
        
     )
-    result = await Runner.run(agent, input=q_with_context,  context = run_context,)
+    result = await Runner.run(agent, input=q_with_context,  context = run_context, max_turns=200)
     print(result.final_output)
 
     # 保存最终输出到 RunContext