import asyncio import json import os import argparse from datetime import datetime from agents import Agent, Runner from lib.my_trace import set_trace from typing import Literal from pydantic import BaseModel, Field from lib.utils import read_file_as_string from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations 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") q_with_context: str q_context: str q: str log_url: str log_dir: str question_annotation: str | None = Field(default=None, description="问题的标注结果") operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史") final_output: str | None = Field(default=None, description="最终输出结果") # ============================================================================ # Agent 1: 问题标注专家 # ============================================================================ question_annotation_instructions = """ 你是搜索需求分析专家。给定问题（含需求背景），在原文上标注三层：本质、硬性、软性。 ## 判断标准 **[本质]** - 问题的核心意图 - 如何获取、教程、推荐、作品、测评等 **[硬]** - 客观事实性约束（可明确验证、非主观判断） - 能明确区分类别的：地域、时间、对象、工具、操作类型 - 特征：改变后得到完全不同类别的结果 **[软]** - 主观判断性修饰（因人而异、程度性的） - 需要主观评价的：质量、速度、美观、特色、程度 - 特征：改变后仍是同类结果，只是满足程度不同 ## 输出格式 词语[本质-描述]、词语[硬-描述]、词语[软-描述] ## 注意 - 只输出标注后的字符串 - 结合需求背景判断意图 """.strip() question_annotator = Agent[None]( name="问题标注专家", instructions=question_annotation_instructions, ) # ============================================================================ # Agent 2: 评估专家 # ============================================================================ eval_instructions = """ 你是专业的语言专家和语义相关性评判专家。你的任务是判断平台sug词条与原始query问题的相关度满足度。 ## 评估目标 用这个推荐query搜索，能否找到满足原始需求的内容？ ## 三层判定流程（一次性返回所有层级的评分） ### 第一层：知识识别（knowledge_recognition = 0 或 1） **什么是知识？** 在社交媒体创作场景下，知识是指：可应用的认知内容 + 实践指导 + 问题解决方案 包含三个核心要素： - 陈述性知识(Know-What): 是什么、有哪些、包括什么 - 程序性知识(Know-How): 如何做、怎么实现、步骤方法 - 策略性知识(Know-Why): 为什么、原理机制、优化策略 **判定方法（三步判定法）：** Step 1: 意图识别 - 原始需求是想【知道/学会/获得】某样东西吗？→ yes 进入step2 Step 2: 动词解析 - 提取核心动词： - 认知类（了解、学习、理解） - 操作类（制作、拍摄、剪辑、运营） - 获取类（找、下载、获取、收集） - 决策类（选择、对比、评估） - 有明确动词 → 是知识需求 - 无明确动词但有隐含目的 → 提取隐含动词 - 完全无动作意图 → 非知识需求 Step 3: 目标验证 - 这个query解决后，用户会获得新的认知或能力吗？ → YES则是知识 - 这个query的答案可以被学习和应用吗？ → YES则是知识 - 这个query在寻求某个问题的解决方案吗？ → YES则是知识 **输出：** - knowledge_recognition: 1=是知识需求，0=非知识需求 - knowledge_recognition_reason: 判定依据（包含意图识别、动词提取、目标验证的关键发现） **重要：即使knowledge_recognition=0，也要继续计算后两层得分（便于分析）** --- ### 第二层：知识动机判定（motivation_score = 0-1分值） **目标：** 完全理解原始query的综合意图，识别主要需求和次要需求，并进行加权评估。 **评估维度：** #### 维度1: 核心意图动词识别（权重50%） - 显性动词直接提取：如"如何获取素材" → 核心动作="获取" - 隐性动词语义推理：如"川西秋天风光摄影" → 隐含动作="拍摄"或"欣赏" - 动作层级区分：主动作 vs 子动作 **评分规则：** - 核心动作完全一致 → 1.0 - 核心动作语义相近（近义词） → 0.8-0.9 - 核心动作有包含关系（主次关系） → 0.5-0.7 - 核心动作完全不同 → 0-0.4 #### 维度2: 目标对象识别（权重30%） - 主要对象(What)：如"获取川西秋季风光摄影素材" → 主要对象="风光摄影素材" - 对象的限定词：地域限定("川西")、时间限定("秋季")、质量限定("高质量") **评分规则：** - 主要对象+核心限定词完全匹配 → 1.0 - 主要对象匹配，限定词部分匹配 → 0.7-0.9 - 主要对象匹配，限定词缺失/不符 → 0.4-0.6 - 主要对象不匹配 → 0-0.3 #### 维度3: 终极目的识别（权重20%） **评分规则：** - 目的完全一致 → 1.0 - 目的相关但路径不同 → 0.6-0.7 - 目的不相关 → 0-0.5 **综合计算公式：** ``` motivation_score = 核心意图动词×0.5 + 目标对象×0.3 + 终极目的×0.2 ``` **输出：** - motivation_score: 0-1分值（>=0.9才算通过） - motivation_breakdown: {"核心意图动词": 0.x, "目标对象": 0.x, "终极目的": 0.x} **阈值判定：** - >=0.9：意图高度匹配 - <0.9：意图不匹配，建议重新生成sug词或调整query词 **注意：评估标准需要严格，对所有用例保持一致的标准** --- ### 第三层：相关性判定（relevance_score = 0-1分值） **目标：** 基于第二层的综合意图，评估sug词条对原始query的满足程度。 **评分标准体系：** #### 高度满足（0.9-1.0） - 核心动作：完全一致或为标准近义词 - 目标对象：主体+关键限定词全部匹配 - 使用场景：完全相同或高度兼容 - 终极目的：完全一致 - 判定方法：逐一核对，所有维度≥0.9；替换测试（把sug词替换原query，意思不变） #### 中高满足（0.7-0.89） - 核心动作：一致或相近，但可能更泛化/具体化 - 目标对象：主体匹配，但1-2个限定词缺失/泛化 - 使用场景：基本兼容，可能略有扩展或收窄 - 终极目的：一致但实现路径略有差异 - 判定方法："有效信息保留率" ≥70% #### 中低满足（0.4-0.69） - 核心动作：存在明显差异，但主题相关 - 目标对象：部分匹配，关键限定词缺失或错位 - 使用场景：有关联但场景不同 - 终极目的：相关但实现路径完全不同 - 判定方法：只有主题词重叠，用户需要显著改变搜索策略 #### 低度/不满足（0-0.39） - 核心动作：完全不同或对立 - 目标对象：主体不同或无关联 - 使用场景：场景冲突 - 终极目的：完全不相关 - 判定方法：除通用词外无有效重叠，sug词满足了完全不同的需求 **维度计算公式：** ``` relevance_score = 核心动作×0.4 + 目标对象×0.3 + 使用场景×0.15 + 终极目的×0.15 ``` **特殊情况处理：** 1. 泛化与具体化 - 泛化（sug词更广）：如果原query所有要素都在覆盖范围内 → 0.75-0.85 - 具体化（sug词更窄）：如果sug词是原query的典型子场景 → 0.7-0.8 2. 同义转换宽容度 - 允许：获取≈下载≈寻找≈收集；技巧≈方法≈教程≈攻略 - 不允许：获取素材≠制作素材；学习技巧≠查看案例 3. 多意图处理 - 识别主次意图（通过语序、连接词判断） - sug词至少满足主意图 → 中高满足 - sug词同时满足主次意图 → 高度满足 - sug词只满足次意图 → 降至中低满足 **输出：** - relevance_score: 0-1分值（>=0.9为高度满足） - relevance_breakdown: {"核心动作": 0.x, "目标对象": 0.x, "使用场景": 0.x, "终极目的": 0.x} --- ## 最终输出要求 一次性返回所有三层的评估结果： 1. knowledge_recognition (0或1) + knowledge_recognition_reason 2. motivation_score (0-1) + motivation_breakdown 3. relevance_score (0-1) + relevance_breakdown 4. overall_reason: 综合评估理由（简要总结三层判定结果） **重要原则：** - 即使第一层knowledge_recognition=0，也要完整计算第二层和第三层 - 即使第二层motivation_score<0.9，也要完整计算第三层 - 所有维度的breakdown必须提供具体数值 - 评估标准严格一致，不因用例不同而放松标准 """.strip() class MotivationBreakdown(BaseModel): """动机得分明细""" 核心意图动词: float = Field(..., description="核心意图动词得分，0-1") 目标对象: float = Field(..., description="目标对象得分，0-1") 终极目的: float = Field(..., description="终极目的得分，0-1") class RelevanceBreakdown(BaseModel): """相关性得分明细""" 核心动作: float = Field(..., description="核心动作得分，0-1") 目标对象: float = Field(..., description="目标对象得分，0-1") 使用场景: float = Field(..., description="使用场景得分，0-1") 终极目的: float = Field(..., description="终极目的得分，0-1") class EvaluationFeedback(BaseModel): """评估反馈模型 - 三层知识评估""" # 第一层：知识识别 knowledge_recognition: Literal[0, 1] = Field( ..., description="是否为知识需求，1=是，0=否" ) knowledge_recognition_reason: str = Field( ..., description="知识识别判定依据（意图识别、动词提取、目标验证）" ) # 第二层：知识动机匹配 motivation_score: float = Field( ..., description="知识动机匹配度，0-1分值，>=0.9才通过" ) motivation_breakdown: MotivationBreakdown = Field( ..., description="动机得分明细" ) # 第三层：相关性评分 relevance_score: float = Field( ..., description="相关性得分，0-1分值，>=0.9为高度满足" ) relevance_breakdown: RelevanceBreakdown = Field( ..., description="相关性得分明细" ) overall_reason: str = Field( ..., description="综合评估理由" ) evaluator = Agent[None]( name="评估专家", instructions=eval_instructions, output_type=EvaluationFeedback, ) # ============================================================================ # Agent 3: 修改策略生成专家 # ============================================================================ strategy_instructions = """ 你是query修改策略专家。**模拟人在搜索引擎中的真实搜索行为**，基于反馈动态调整query。 ## 核心思路：搜索是探索过程，不是直达过程 **关键认知：** 1. **中间query不需要满足原始需求** - 它是探索工具，可以偏离原需求 2. **推荐词是最宝贵的反馈信号** - 告诉你系统理解成什么了，有什么内容 3. **每一步query都有明确的探索目的** - 不是盲目改词，而是试探和引导 4. **最终目标：找到满足需求的推荐词** - 不是让query本身满足需求 ## 人的真实搜索过程 **搜索的本质**：通过多步探索，利用推荐词作为桥梁，逐步引导系统 **典型模式**： 第1步：直接尝试 - 目的：看系统能否直接理解 - 结果：空列表或essence=0 - essence=0的推荐词：告诉你系统理解成什么了 第2步：降低要求，简化query - 目的：让系统有响应，看它在基础层面有什么 - 推荐词虽然essence=0，但揭示了系统在某个主题有内容 - **关键**：选一个最有潜力的推荐词 第3步：基于推荐词，往目标方向引导 - 目的：利用推荐词作为桥梁，加上目标方向的词 - 推荐词还是essence=0，但主题在变化（接近目标） - **渐进式**：不求一步到位，每步都有进展 第4步：继续引导或换角度 - 如果推荐词主题不变 → 换角度 - 如果推荐词主题在接近 → 继续引导 最终：找到essence=1的推荐词 **关键原则**： 1. essence_score是评估推荐词的，不是评估中间query的 2. essence=0的推荐词也有价值，它揭示了系统的理解方向 3. 每一步都有明确的探索目的，看目的是否达成 4. 通过推荐词的主题变化，判断是否在接近目标 ## 输入信息 - 原始问题标注（三层）：本质、硬性约束、软性修饰 - 历史尝试记录：所有轮次的query、推荐词、评估结果 - 当前query和推荐词评估 ## 分析步骤 ### 第一步：理解当前推荐词的信号 **核心问题：推荐词告诉我什么信息？** **重要提醒：essence_score是评估推荐词是否满足原始需求的最终目标** - essence_score=1: 推荐词满足原需求的本质 - essence_score=0: 推荐词不满足原需求的本质 - **但中间query的目的可能不是满足原需求**，所以essence_score只是参考 1. **系统理解层面**（看推荐词的主题）： - 空列表 → 系统完全不理解当前query - 有推荐词 → 系统理解成了什么主题？ - 旅游？教程？素材？工具？品种介绍？ - 这些主题是否有助于往目标方向引导？ 2. **内容可用性层面**（看推荐词的价值）： - **即使推荐词essence=0，也可能是很好的探索起点** - 例如：推荐词"川西旅游攻略"虽然essence=0，但揭示了系统认识"川西" - 哪些推荐词最有潜力作为下一步的桥梁？ 3. **探索目的验证**： - 当前query的探索目的是什么？达到了吗？ - 例如：目的是"看系统对川西有什么" → 达到了（有推荐词） - 下一步要验证/探索什么？ ### 第二步：回顾历史，识别规律 - 哪些query让系统理解方向变化了？（从"旅游"变成"摄影"） - 哪些方向是死路？（多次essence=0且推荐词主题不变） - **是否有渐进的改善？**（推荐词越来越接近目标） ### 第三步：选择策略类型（带着明确的探索目的） **refine_current（微调当前query）** - 适用：推荐词方向对了，需要微调让它更精确 - 探索目的：在正确方向上精细化 - 动作：加词/减词/换词/调整顺序 **use_recommendation（选推荐词作为新起点）** ⭐ 最重要策略 - 适用：推荐词虽然essence=0，但**揭示了系统在这个方向有内容** - 探索目的：利用推荐词这个客观信号，引导系统往目标方向 - **核心思维**：推荐词是系统给你的提示，告诉你"我有这个" - 动作： - 选一个最有潜力的推荐词作为base_query - 在它基础上加目标方向的词 - **这个新query可能不满足原需求，但目的是探索和引导** **change_approach（换完全不同的角度）** - 适用：当前方向是死路（多次尝试推荐词主题不变） - 探索目的：跳出当前框架，从另一个角度切入 - 动作：换一种完全不同的表述方式 **relax_constraints（放宽约束）** - 适用：query太复杂，系统不理解（返回空列表） - 探索目的：先让系统有响应，看它在最基础层面有什么 - 动作：去掉限定词，保留核心概念 ## 输出要求 ### 1. reasoning（推理过程） 必须包含三部分，**重点写探索目的**： - **当前推荐词信号分析**： - 系统理解成什么主题了？（旅游？教程？素材？工具？品种？） - 推荐词揭示了什么信息？（系统在哪个方向有内容） - **不要只看essence_score**： - essence_score=0不代表推荐词没用 - 关键看推荐词的主题是否有助于引导 - 哪个推荐词最有潜力作为下一步的桥梁？ - **历史尝试与趋势**： - 系统理解的主题变化：从"品种介绍"→"旅游"→"摄影" - 是否在逐步接近目标？还是原地打转？ - **下一步策略与探索目的**： - **这一步query的探索目的是什么？** - 验证系统对某个词的理解？ - 往某个方向引导？ - 利用推荐词作为桥梁？ - 为什么选这个base_query？ - 为什么这样修改？ - **重要**：不要纠结"这个query不满足原需求"，关键是它能否达成探索目的 ### 2. strategy_type 从4种策略中选择：refine_current, use_recommendation, change_approach, relax_constraints ### 3. base_query **关键**：可以选择历史中的query，也可以选择历史推荐词 - 如果选历史query：base_query_source = "history_query" - 如果选历史推荐词：base_query_source = "history_recommendation" ### 4. base_query_source 说明base_query的来源 ### 5. modification_actions 列出具体的修改动作，例如： - ["去掉'如何获取'", "保留'川西秋季'", "把'素材'改为'图片'"] - ["选择推荐词'川西旅游'", "加上'秋季'", "加上'照片'"] ### 6. new_query 最终的新query ## 重要原则 1. **推荐词是最宝贵的反馈** - 充分利用推荐词这个客观信号 - 即使essence=0的推荐词，也揭示了系统在这个方向有什么 - **优先考虑use_recommendation策略** - 选一个推荐词作为起点 2. **中间query可以偏离原需求** - 每一步都有明确的探索目的 - 不要纠结"这个query不满足原需求" - 关键是：这个query能不能帮你往正确方向引导系统 3. **识别死胡同，及时换方向** - 如果多次尝试推荐词主题不变 → 换方向 - 如果推荐词越来越偏 → 回退到之前的某个好的起点 4. **保持推理简洁** - 抓住关键信息 - 明确说出探索目的 - 不要重复啰嗦 """.strip() class ModificationStrategy(BaseModel): """修改策略模型 - 模拟人的搜索调整过程""" reasoning: str = Field(..., description="推理过程：1）当前推荐词分析：系统理解成什么了？2）历史尝试总结：哪些方向有效/无效？3）下一步策略：为什么这样调整？") strategy_type: Literal[ "refine_current", # 微调当前query（加词/减词/换词/换顺序） "use_recommendation", # 选择推荐词作为新起点，在它基础上修改 "change_approach", # 换完全不同的表述角度 "relax_constraints" # 放宽约束，去掉部分限定词 ] = Field(..., description="策略类型") base_query: str = Field(..., description="基础query，可以是：1）历史中的query 2）历史推荐词中的某一个") base_query_source: Literal["history_query", "history_recommendation"] = Field(..., description="base_query的来源") modification_actions: list[str] = Field(..., description="具体修改动作的描述，如：['去掉\"如何获取\"', '保留核心词\"川西秋季\"', '把\"素材\"改为\"图片\"']") new_query: str = Field(..., description="修改后的新query") strategy_generator = Agent[None]( name="策略生成专家", instructions=strategy_instructions, output_type=ModificationStrategy, ) # ============================================================================ # 核心函数 # ============================================================================ async def annotate_question(q_with_context: str) -> str: """标注问题（三层）""" print("\n正在标注问题...") result = await Runner.run(question_annotator, q_with_context) annotation = str(result.final_output) print(f"问题标注完成：{annotation}") return annotation async def get_suggestions_with_eval(query: str, annotation: str, context: RunContext) -> list[dict]: """获取推荐词并评估""" print(f"\n正在获取推荐词：{query}") # 1. 调用小红书API xiaohongshu_api = XiaohongshuSearchRecommendations() query_suggestions = xiaohongshu_api.get_recommendations(keyword=query) print(f"获取到 {len(query_suggestions) if query_suggestions else 0} 个推荐词：{query_suggestions}") if not query_suggestions: # 记录到历史 context.operations_history.append({ "operation_type": "get_query_suggestions", "timestamp": datetime.now().isoformat(), "query": query, "suggestions": [], "evaluations": "未返回任何推荐词", }) return [] # 2. 并发评估所有推荐词 async def evaluate_single_query(q_sug: str): eval_input = f""" <需求上下文> {context.q_context} <原始query问题> {context.q} <平台sug词条> {q_sug} 请对该sug词条进行三层评估（一次性返回所有层级的评分）： 第一层：判断sug词条是否为知识需求（knowledge_recognition: 0或1） 第二层：评估知识动机匹配度（motivation_score: 0-1，需>=0.9） 第三层：评估相关性得分（relevance_score: 0-1，>=0.9为高度满足） 重要：即使第一层=0或第二层<0.9，也要完整计算所有层级的得分。 """ evaluator_result = await Runner.run(evaluator, eval_input) result: EvaluationFeedback = evaluator_result.final_output return { "query": q_sug, "knowledge_recognition": result.knowledge_recognition, "knowledge_recognition_reason": result.knowledge_recognition_reason, "motivation_score": result.motivation_score, "motivation_breakdown": result.motivation_breakdown.model_dump(), "relevance_score": result.relevance_score, "relevance_breakdown": result.relevance_breakdown.model_dump(), "overall_reason": result.overall_reason, } evaluations = await asyncio.gather(*[evaluate_single_query(q_sug) for q_sug in query_suggestions]) # 3. 记录到历史 context.operations_history.append({ "operation_type": "get_query_suggestions", "timestamp": datetime.now().isoformat(), "query": query, "suggestions": query_suggestions, "evaluations": evaluations, }) return evaluations async def generate_modification_strategy( current_query: str, evaluations: list[dict], annotation: str, context: RunContext ) -> ModificationStrategy: """生成修改策略""" print("\n正在生成修改策略...") # 整理历史尝试记录 - 完整保留推荐词和评估结果 history_records = [] round_num = 0 for op in context.operations_history: if op["operation_type"] == "get_query_suggestions": round_num += 1 record = { "round": round_num, "query": op["query"], "suggestions": op["suggestions"], "evaluations": op["evaluations"] } history_records.append(record) elif op["operation_type"] == "modify_query": # 修改操作也记录，但不增加轮数 history_records.append({ "operation": "modify_query", "strategy_type": op.get("strategy_type", op.get("modification_type")), # 兼容旧字段 "base_query": op.get("base_query"), "base_query_source": op.get("base_query_source"), "modification_actions": op.get("modification_actions", []), "original_query": op["original_query"], "new_query": op["new_query"], "reasoning": op["reasoning"] }) # 格式化历史记录为JSON history_json = json.dumps(history_records, ensure_ascii=False, indent=2) strategy_input = f""" <原始问题标注（三层）> {annotation} <历史尝试记录（完整）> {history_json} <当前query> {current_query} <当前轮推荐词评估结果> {json.dumps(evaluations, ensure_ascii=False, indent=2) if evaluations else "空列表"} 请基于所有历史尝试和当前评估结果，生成下一步的query修改策略。 重点分析： 1. **当前推荐词的信号**： - 系统理解成什么主题了？（旅游？教程？素材？工具？品种？） - 推荐词揭示了什么信息？系统在哪个方向有内容？ - **不要只看essence_score**：essence=0的推荐词也可能是好的探索起点 - 哪个推荐词最有潜力作为下一步的桥梁？ 2. **历史趋势分析**： - 推荐词的主题变化：从"品种介绍"→"旅游"→"摄影"？ - 是否在逐步接近目标？还是原地打转（主题不变）？ - 哪些query让系统理解方向改变了？ 3. **确定探索目的**： - 下一步query的探索目的是什么？ * 验证系统对某个词的理解？ * 往某个方向引导系统？ * 利用推荐词作为桥梁？ - **记住**：中间query不需要满足原需求，关键是达成探索目的 """ result = await Runner.run(strategy_generator, strategy_input) strategy: ModificationStrategy = result.final_output return strategy def find_qualified_queries(evaluations: list[dict]) -> dict: """分级查找合格query Returns: { "highly_qualified": [...], # 高度满足：knowledge=1, motivation>=0.9, relevance>=0.9 "moderately_qualified": [...], # 中高满足：knowledge=1, motivation>=0.9, relevance>=0.7 "lower_qualified": [...], # 中低满足：knowledge=1, motivation>=0.9, relevance>=0.4 } """ # 高度满足：knowledge=1, motivation>=0.9, relevance>=0.9 highly_qualified = [ e for e in evaluations if e['knowledge_recognition'] == 1 and e['motivation_score'] >= 0.9 and e['relevance_score'] >= 0.9 ] # 中高满足：knowledge=1, motivation>=0.9, 0.7<=relevance<0.9 moderately_qualified = [ e for e in evaluations if e['knowledge_recognition'] == 1 and e['motivation_score'] >= 0.9 and 0.7 <= e['relevance_score'] < 0.9 ] # 中低满足：knowledge=1, motivation>=0.9, 0.4<=relevance<0.7 lower_qualified = [ e for e in evaluations if e['knowledge_recognition'] == 1 and e['motivation_score'] >= 0.9 and 0.4 <= e['relevance_score'] < 0.7 ] return { "highly_qualified": sorted(highly_qualified, key=lambda x: x['relevance_score'], reverse=True), "moderately_qualified": sorted(moderately_qualified, key=lambda x: x['relevance_score'], reverse=True), "lower_qualified": sorted(lower_qualified, key=lambda x: x['relevance_score'], reverse=True), } # ============================================================================ # 主流程（代码控制） # ============================================================================ async def optimize_query(context: RunContext, max_rounds: int = 20) -> dict: """ 主优化流程 - 由代码控制 Args: context: 运行上下文 max_rounds: 最大迭代轮数，默认20 返回格式： { "success": True/False, "result": {...} or None, "message": "..." } """ # 1. 标注问题（仅一次） annotation = await annotate_question(context.q_with_context) context.question_annotation = annotation # 2. 迭代优化 current_query = context.q for round_num in range(1, max_rounds + 1): print(f"\n{'='*60}") print(f"第 {round_num} 轮：{'使用原始问题' if round_num == 1 else '使用修改后的query'}") print(f"当前query: {current_query}") print(f"{'='*60}") # 获取推荐词并评估 evaluations = await get_suggestions_with_eval(current_query, annotation, context) if evaluations: # 检查是否找到合格query（分级筛选） qualified = find_qualified_queries(evaluations) # 优先返回高度满足的query if qualified["highly_qualified"]: return { "success": True, "level": "highly_qualified", "results": qualified["highly_qualified"], "message": f"第{round_num}轮找到{len(qualified['highly_qualified'])}个高度满足的query（知识=1, 动机≥0.9, 相关性≥0.9）" } # 其次返回中高满足的query if qualified["moderately_qualified"]: return { "success": True, "level": "moderately_qualified", "results": qualified["moderately_qualified"], "message": f"第{round_num}轮找到{len(qualified['moderately_qualified'])}个中高满足的query（知识=1, 动机≥0.9, 相关性≥0.7）" } # 如果是最后一轮，不再生成策略 if round_num == max_rounds: break # 生成修改策略 print(f"\n--- 生成修改策略 ---") strategy = await generate_modification_strategy(current_query, evaluations, annotation, context) print(f"\n修改策略：") print(f" 推理过程：{strategy.reasoning}") print(f" 策略类型：{strategy.strategy_type}") print(f" 基础query：{strategy.base_query} (来源: {strategy.base_query_source})") print(f" 修改动作：{', '.join(strategy.modification_actions)}") print(f" 新query：{strategy.new_query}") # 记录修改 context.operations_history.append({ "operation_type": "modify_query", "timestamp": datetime.now().isoformat(), "reasoning": strategy.reasoning, "strategy_type": strategy.strategy_type, "base_query": strategy.base_query, "base_query_source": strategy.base_query_source, "modification_actions": strategy.modification_actions, "original_query": current_query, "new_query": strategy.new_query, }) # 更新当前query current_query = strategy.new_query # 所有轮次后仍未找到高度/中高满足的，降低标准查找 print(f"\n{'='*60}") print(f"{max_rounds}轮后未找到高度/中高满足的query，降低标准（相关性 >= 0.4）") print(f"{'='*60}") qualified = find_qualified_queries(evaluations) if qualified["lower_qualified"]: return { "success": True, "level": "lower_qualified", "results": qualified["lower_qualified"], "message": f"{max_rounds}轮后找到{len(qualified['lower_qualified'])}个中低满足的query（知识=1, 动机≥0.9, 相关性≥0.4）" } # 完全失败：找出最接近的（只满足知识识别，但动机不够） knowledge_ok = [ e for e in evaluations if e['knowledge_recognition'] == 1 ] if knowledge_ok: # 返回所有满足knowledge的，按motivation_score降序 closest_queries = sorted(knowledge_ok, key=lambda x: x['motivation_score'], reverse=True) return { "success": False, "level": "failed", "results": closest_queries[:5], # 只返回前5个 "message": f"未找到合格query，但有{len(closest_queries)}个是知识需求（knowledge=1，但motivation<0.9）" } return { "success": False, "level": "failed", "results": [], "message": "未找到任何知识类推荐词（所有推荐词的knowledge_recognition均为0）" } # ============================================================================ # 输出格式化 # ============================================================================ def format_output(optimization_result: dict, context: RunContext) -> str: """格式化输出结果""" results = optimization_result.get("results", []) level = optimization_result.get("level", "") # 满足程度映射 level_map = { "highly_qualified": "高度满足 (90-100%)", "moderately_qualified": "中高满足 (70-89%)", "lower_qualified": "中低满足 (40-69%)", "failed": "未通过" } if optimization_result["success"] and results: output = f"原始问题：{context.q}\n" output += f"满足程度：{level_map.get(level, '未知')}\n" output += f"状态：{optimization_result['message']}\n\n" output += "推荐query（按相关性降序）：\n" for i, result in enumerate(results, 1): output += f"\n{i}. {result['query']}\n" output += f" - 知识识别：{'是' if result['knowledge_recognition'] == 1 else '否'} ({result['knowledge_recognition_reason'][:50]}...)\n" output += f" - 动机匹配度：{result['motivation_score']:.2f} (≥0.9通过)\n" output += f" * 核心意图动词: {result['motivation_breakdown'].get('核心意图动词', 0):.2f}\n" output += f" * 目标对象: {result['motivation_breakdown'].get('目标对象', 0):.2f}\n" output += f" * 终极目的: {result['motivation_breakdown'].get('终极目的', 0):.2f}\n" output += f" - 相关性得分：{result['relevance_score']:.2f} (≥0.9高度满足)\n" output += f" * 核心动作: {result['relevance_breakdown'].get('核心动作', 0):.2f}\n" output += f" * 目标对象: {result['relevance_breakdown'].get('目标对象', 0):.2f}\n" output += f" * 使用场景: {result['relevance_breakdown'].get('使用场景', 0):.2f}\n" output += f" * 终极目的: {result['relevance_breakdown'].get('终极目的', 0):.2f}\n" output += f" - 综合评估：{result['overall_reason'][:100]}...\n" return output.strip() else: output = f"原始问题：{context.q}\n" output += f"结果：未找到合格推荐query\n" output += f"满足程度：{level_map.get(level, '未知')}\n" output += f"原因：{optimization_result['message']}\n" if results: output += "\n最接近的推荐词：\n" for i, result in enumerate(results[:3], 1): # 只显示前3个 output += f"\n{i}. {result['query']}\n" output += f" - 知识识别：{'是' if result['knowledge_recognition'] == 1 else '否'}\n" output += f" - 动机匹配度：{result['motivation_score']:.2f}\n" output += f" - 相关性得分：{result['relevance_score']:.2f}\n" output += f" - 综合评估：{result['overall_reason'][:100]}...\n" output += "\n建议：尝试简化问题或调整需求描述" return output.strip() # ============================================================================ # 主函数 # ============================================================================ async def main(input_dir: str, max_rounds: int = 20): 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} <当前问题> {q} """.strip() # 获取当前文件名作为版本 version = os.path.basename(__file__) version_name = os.path.splitext(version)[0] # 日志保存目录 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, ) # 执行优化流程（代码控制） optimization_result = await optimize_query(run_context, max_rounds=max_rounds) # 格式化输出 final_output = format_output(optimization_result, run_context) print(f"\n{'='*60}") print("最终结果") print(f"{'='*60}") print(final_output) # 保存结果 run_context.final_output = 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" ) parser.add_argument( "--max-rounds", type=int, default=20, help="最大迭代轮数，默认: 20" ) args = parser.parse_args() asyncio.run(main(args.input_dir, max_rounds=args.max_rounds))