rate agent 提示词修改

src/controller/web.py

@@ -70,15 +70,12 @@ app.add_middleware(
 base_llm = ChatOpenAI(
     openai_api_key='xxxxxxxxxxxxx',
     openai_api_base='http://192.168.10.14:8000/v1',
-    model_name='Qwen/Qwen2-7B-Instruct',
+    model_name='Qwen2-7B',
     verbose=True
 )
 
 # rag_query = RagQuery(base_llm=base_llm,_faiss_db=vecstore_faiss,_db=TxtDoc(k_db))
 
-
-
-
 @app.post('/api/login')
 def login(phone_request: PhoneLoginRequest):
     phone = phone_request.phone
@@ -258,7 +255,14 @@ def re_generate(chat_request: ReGenerateRequest, token: str = Header(None)):
 def rate(chat_request: GeoAgentRateRequest, token: str = Header(None)):
 
     agent = new_rate_agent(base_llm,verbose=True)
+    try:
         res = agent.exec(prompt_args={"input": chat_request.query})
+    except Exception as e:
+        print(f"处理请求失败, 错误信息: {str(e)}，请重新提问")
+        return {
+            'code': 500,
+            'data': str(e)
+        }
     return {
         'code': 200,
         'data': res

src/server/agent_rate.py

@@ -18,33 +18,33 @@ from src.agent.tool_rate import RegionRateTool,RankingRateTool,NationalTrendTool
 from src.agent.fake_data_rate import MockDBConnection
 from src.agent.tool_monitor import MonitorPointTool
 
-def create_rate_agent(llm, tools: List[BaseTool],prompt: PromptTemplate = None, 
-    tools_renderer: ToolsRenderer = render_text_description_and_args,
-    verbose: bool = False,**args):
-    missing_vars = {"tools", "tool_names", "agent_scratchpad"}.difference(
-        prompt.input_variables + list(prompt.partial_variables)
-    )
-    if missing_vars:
-        raise ValueError(f"Prompt missing required variables: {missing_vars}")
-
-    prompt = prompt.partial(
-        tools=tools_renderer(list(tools)),
-        tool_names=", ".join([t.name for t in tools]),
-    )
-    if stop_sequence:
-        stop = ["\nObservation"] if stop_sequence is True else stop_sequence
-        llm_with_stop = llm.bind(stop=stop)
-    else:
-        llm_with_stop = llm
-
-    agent = (
-        RunnablePassthrough.assign(
-            agent_scratchpad=lambda x: format_log_to_str(x["intermediate_steps"]),
-        )
-        | prompt
-        | llm_with_stop
-    )
-    return agent
+# def create_rate_agent(llm, tools: List[BaseTool],prompt: PromptTemplate = None, 
+#     tools_renderer: ToolsRenderer = render_text_description_and_args,
+#     verbose: bool = False,**args):
+#     missing_vars = {"tools", "tool_names", "agent_scratchpad"}.difference(
+#         prompt.input_variables + list(prompt.partial_variables)
+#     )
+#     if missing_vars:
+#         raise ValueError(f"Prompt missing required variables: {missing_vars}")
+
+#     prompt = prompt.partial(
+#         tools=tools_renderer(list(tools)),
+#         tool_names=", ".join([t.name for t in tools]),
+#     )
+#     if stop_sequence:
+#         stop = ["\nObservation"] if stop_sequence is True else stop_sequence
+#         llm_with_stop = llm.bind(stop=stop)
+#     else:
+#         llm_with_stop = llm
+
+#     agent = (
+#         RunnablePassthrough.assign(
+#             agent_scratchpad=lambda x: format_log_to_str(x["intermediate_steps"]),
+#         )
+#         | prompt
+#         | llm_with_stop
+#     )
+#     return agent
 
 
 class RateAgent:
@@ -66,30 +66,20 @@ class RateAgent:
 
 
 # 适配 structured_chat_agent 的 prompt
-ONLINE_RATE_SYSTEM_PROMPT = """你是一个专门处理设备在线率分析的AI助手。你可以通过调用专门的工具来分析和展示不同维度的在线率数据。
+ONLINE_RATE_SYSTEM_PROMPT = """你是一个专门处理地质监测点信息及监测设备在线率分析的AI助手。你可以通过调用专门的工具来分析和展示不同维度的在线率数据。
 
 你可以处理以下三类核心任务：
 
-1. 地区在线率分析
-- 分析指定地区（省/市/区县）在特定时间段的设备在线率
-- 必需参数：地区名称、开始时间、结束时间
-- 示例问题："查询福建省2024年1月的设备在线率"
-
-2. 在线率排名分析
-- 分析各省份或各厂商的在线率排名情况
-- type=1：查看各省份在线率排名
-- type=2：查看各厂商在线率排名
-- 示例问题："显示所有省份的在线率排名" 或 "各设备厂商的在线率排名如何？"
+1. 地区在线率分析：分析指定地区（省/市/区县）在特定时间段的设备在线率
+2. 在线率排名分析：分析各省份或各厂商的在线率排名情况
+3. 全国趋势分析：分析全国范围内在线率随时间的变化趋势
+4. 监测点信息查询：查询指定地区的监测点信息
 
-3. 全国趋势分析
-- 分析全国范围内在线率随时间的变化趋势
-- 必需参数：开始时间、结束时间
-- 示例问题："展示2024年1月至2月的全国在线率趋势"
 
 你需要：
 1. 理解用户意图，将用户问题映射到合适的分析类型
-2. 确保必要参数完整，如果缺少参数要主动询问
-3. 调用相应的分析工具获取数据
+2. 确保必要参数完整，如果缺少参数则提示用户缺少参数
+3. 如果参数完整，则调用相应的分析工具获取数据
 4. 生成清晰的分析报告，包括数据解读和markdown 格式的数据表格
 5. 对异常情况（如数据缺失、参数错误）提供友好的解释和建议
 
@@ -138,45 +128,6 @@ Action:
 """
 
 PROMPT_AGENT_HUMAN = """{input}\n\n {agent_scratchpad}\n (请注意，无论如何都要以 JSON 对象回复。你的主要目标是帮助用户快速理解和分析设备在线率数据，提供准确、直观的分析结果)"""
-PROMPT_AGENT_SYS = """请尽量帮助人类并准确回答问题。您可以使用以下工具：
-
-{tools}
-
-使用 JSON 对象指定工具，提供一个 action 键（工具名称）和一个 action_input 键（工具输入）, 以及 action_cache 键（有些工具要求缓存其返回的中间结果） 。
-
-有效的 "action" 值： "Final Answer" 或 {tool_names}
-
-每个 $JSON_BLOB 只提供一个操作，如下所示：
-    ``` 
-    {{
-    "action": $TOOL_NAME,
-    "action_input": $INPUT,
-    }}
-    ```
-
-按照以下格式：
-
-Question: 输入要回答的问题
-Thought: 考虑前后步骤
-Action:
-    ```
-    $JSON_BLOB
-    ```
-Observation: 操作结果
-...（重复 Thought/Action/Observation N 次）
-Thought: 我知道如何回复
-Action:
-    ```
-    {{
-    "action": "Final Answer",
-    "action_input": "最终回复给人类",
-    "action_cache": {{所有要求保存中间结果的工具操作结果汇总}}
-    }}
-    ```
-开始！始终以有效的单个操作的 JSON 对象回复。如有必要，请使用工具，并在最后一步按照工具要求将工具操作结果汇总到最后一个 Action 中的 action_cache。如果你知道答案，请直接回复。
-你的回复格式为 Action:```$JSON_BLOB```然后 Observation，并在必要时将 Observation 结果更新到下一个 action_cache 中。
-
-"""
 PROMPT_AGENT_SYS_VARS = [ "tool_names", "tools"]
 
 class RateAgentV2:
@@ -189,7 +140,7 @@ class RateAgentV2:
 
         agent = create_structured_chat_agent(llm, tools, prompt)
 
-        self.agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=verbose)    
+        self.agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=verbose, return_intermediate_steps=True)    
         
     def exec(self, prompt_args: dict = {}, stream: bool = False):
         return self.agent_executor.invoke(input=prompt_args)