116 lines
4.4 KiB
Python
116 lines
4.4 KiB
Python
# mmc/src/schedule/plan_generator.py
|
||
|
||
import orjson
|
||
from typing import List
|
||
from pydantic import BaseModel, ValidationError
|
||
from json_repair import repair_json
|
||
|
||
from src.config.config import global_config, model_config
|
||
from src.llm_models.utils_model import LLMRequest
|
||
from src.common.logger import get_logger
|
||
|
||
logger = get_logger("plan_generator")
|
||
|
||
class PlanResponse(BaseModel):
|
||
"""
|
||
用于验证月度计划LLM响应的Pydantic模型。
|
||
"""
|
||
plans: List[str]
|
||
|
||
class PlanGenerator:
|
||
"""
|
||
负责生成月度计划。
|
||
"""
|
||
|
||
def __init__(self):
|
||
self.bot_personality = self._get_bot_personality()
|
||
task_config = model_config.model_task_config.get_task("monthly_plan_generator")
|
||
self.llm_request = LLMRequest(model_set=task_config, request_type="monthly_plan_generator")
|
||
|
||
def _get_bot_personality(self) -> str:
|
||
"""
|
||
从全局配置中获取Bot的人设描述。
|
||
"""
|
||
core = global_config.personality.personality_core or ""
|
||
side = global_config.personality.personality_side or ""
|
||
identity = global_config.personality.identity or ""
|
||
return f"核心人设: {core}\n侧面人设: {side}\n身份设定: {identity}"
|
||
|
||
def _build_prompt(self, year: int, month: int, count: int) -> str:
|
||
"""
|
||
构建用于生成月度计划的Prompt。
|
||
"""
|
||
prompt_template = f"""
|
||
你是一个富有想象力的助手，你的任务是为一位虚拟角色生成月度计划。
|
||
|
||
**角色设定:**
|
||
---
|
||
{self.bot_personality}
|
||
---
|
||
|
||
请为即将到来的 **{year}年{month}月** 设计 **{count}** 个符合该角色身份的、独立的、积极向上的月度计划或小目标。
|
||
|
||
**要求:**
|
||
1. 每个计划都应简短、清晰，用一两句话描述。
|
||
2. 语言风格必须自然、口语化，严格符合角色的性格设定。
|
||
3. 计划内容要具有创造性，避免陈词滥调。
|
||
4. 请以严格的JSON格式返回，格式为：{{"plans": ["计划一", "计划二", ...]}}
|
||
5. 除了JSON对象，不要包含任何额外的解释、注释或前后导语。
|
||
"""
|
||
return prompt_template.strip()
|
||
|
||
async def generate_plans(self, year: int, month: int, count: int) -> List[str]:
|
||
"""
|
||
调用LLM生成指定月份的计划。
|
||
|
||
:param year: 年份
|
||
:param month: 月份
|
||
:param count: 需要生成的计划数量
|
||
:return: 生成的计划文本列表
|
||
"""
|
||
try:
|
||
# 1. 构建Prompt
|
||
prompt = self._build_prompt(year, month, count)
|
||
logger.info(f"正在为 {year}-{month} 生成 {count} 个月度计划...")
|
||
|
||
# 2. 调用LLM
|
||
llm_content, (reasoning, model_name, _) = await self.llm_request.generate_response_async(prompt=prompt)
|
||
|
||
logger.info(f"使用模型 '{model_name}' 生成完成。")
|
||
if reasoning:
|
||
logger.debug(f"模型推理过程: {reasoning}")
|
||
|
||
if not llm_content:
|
||
logger.error("LLM未能返回有效的计划内容。")
|
||
return []
|
||
|
||
# 3. 解析并验证LLM返回的JSON
|
||
try:
|
||
# 移除可能的Markdown代码块标记
|
||
clean_content = llm_content.strip()
|
||
if clean_content.startswith("```json"):
|
||
clean_content = clean_content[7:]
|
||
if clean_content.endswith("```"):
|
||
clean_content = clean_content[:-3]
|
||
|
||
# 修复并解析JSON
|
||
repaired_json_str = repair_json(clean_content)
|
||
data = orjson.loads(repaired_json_str)
|
||
|
||
# 使用Pydantic进行验证
|
||
validated_response = PlanResponse.model_validate(data)
|
||
plans = validated_response.plans
|
||
|
||
logger.info(f"成功生成并验证了 {len(plans)} 个月度计划。")
|
||
return plans
|
||
|
||
except orjson.JSONDecodeError:
|
||
logger.error(f"修复后仍然无法解析LLM返回的JSON: {llm_content}")
|
||
return []
|
||
except ValidationError as e:
|
||
logger.error(f"LLM返回的JSON格式不符合预期: {e}\n原始响应: {llm_content}")
|
||
return []
|
||
|
||
except Exception as e:
|
||
logger.error(f"调用LLM生成月度计划时发生未知错误: {e}", exc_info=True)
|
||
return [] |