kevin/life-echo
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

refactor(agents): 抽取阶段常量与对话上下文；快档 LLM；图片 prompt 可禁止回退

Browse Source 
访谈与阶段
- 新增 app/agents/stage_constants.py：集中 CHAT_STAGES、章节分类/顺序、阶段到默认 memoir 类别等，与 MemoirState 默认槽位顺序对齐；减少散落在 prompts 内的重复常量。
- 新增 app/agents/chat/prompt_context.py：以 ChatPromptContext 汇总 guided 系统提示所需字段（阶段、槽位、轮次、人设、记忆证据、回复长度模式、背景声线、职业等），统一走 get_guided_conversation_prompt。
- 大幅收敛 app/agents/chat/prompts_conversation.py；调整 prompts.py、stage_prompts.py、stage_detection.py；同步 interview_agent、profile_agent、helpers 与 state_schema，使对话侧构造提示的方式一致、可测。

回忆录流水线
- memoir/prompts.py 删除已迁至 stage_constants / 独立模板的大段常量与图片占位相关逻辑；classification / extraction / fidelity / narrative agents 与 orchest（全量历史仍可用于计数，注入模型时按轮次与字符上限截断）、image_prompt_fallback_disabled。
- dependencies 增加 get_llm_provider_fast（LRU 缓存，可与默认共用密钥与 base_url）。

任务与编排
- memoir_tasks：prepare_batches 注入 llm_fast；开启独立快档模型时打结构化日志。
- chapter_cover_tasks、story_image_tasks：与图片 prompt / JSON 工具路径或策略变更对齐（import 与行为一致）。
- story_pipeline_sync 等小处同步。

其它核心
- langchain_llm、text_normalize 随上述调用链微调。

开发者体验
- .cursor/settings.json：启用 redis-development、postman 插件。

测试
- 新增 test_image_prompt_policy：覆盖「禁止回退」等图片 prompt 策略。
- 更新 test_interview_prompts、test_interview_reply_length、test_experience_regressions、test_json_and_memory_utils，匹配新常量位置、json_utils 与对话/长度行为。
This commit is contained in:
Kevin
2026-04-02 12:00:00 +08:00
parent 43ef260ae2
commit bb16d3a5c9
42 changed files with 894 additions and 580 deletions
Download Patch File Download Diff File Expand all files Collapse all files

22
api/app/agents/memoir/classification_agent.py
View File

@@ -13,13 +13,12 @@ import re
from dataclasses import dataclass
from typing import Any
from app.agents.memoir.prompts import (
CHAPTER_CATEGORIES,
get_chapter_classification_json_prompt,
)
from app.agents.memoir.prompts import get_chapter_classification_json_prompt
from app.agents.stage_constants import CHAPTER_CATEGORIES
from app.agents.stage_constants import STAGE_TO_DEFAULT_CATEGORY
from app.core.json_utils import extract_json_payload
from app.core.langchain_llm import invoke_json_object
from app.core.logging import get_logger
from app.features.memoir.memoir_images.json_payload import extract_json_payload
logger = get_logger(__name__)
@@ -50,15 +49,6 @@ STAGE_KEYWORDS = {
"belief": ["信念", "价值观", "座右铭", "坚持", "原则"],
}
# 5-stage → 默认 8-category 映射（LLM 分类失败时的兜底）
_STAGE_TO_DEFAULT_CATEGORY = {
"childhood": "childhood",
"education": "education",
"career": "career_early",
"family": "family",
"belief": "beliefs",
}
def _detect_stage(text: str, fallback_stage: str) -> str:
"""根据关键词检测消息所属的 5-stage 阶段"""
@@ -176,8 +166,8 @@ class ClassificationAgent:
logger.warning("ClassificationAgent LLM 章节分类失败: {}", e)
stage = _detect_stage(text, fallback_stage)
cat = _STAGE_TO_DEFAULT_CATEGORY.get(
cat = STAGE_TO_DEFAULT_CATEGORY.get(
stage,
_STAGE_TO_DEFAULT_CATEGORY.get(fallback_stage, "childhood"),
STAGE_TO_DEFAULT_CATEGORY.get(fallback_stage, "childhood"),
)
return ChapterClassifyResult(category=cat, llm_said_none=False)

2
api/app/agents/memoir/extraction_agent.py
View File

@@ -12,7 +12,7 @@ from typing import Any, Dict
from app.agents.memoir.prompts import get_state_extraction_prompt
from app.core.langchain_llm import invoke_json_object
from app.core.logging import get_logger
from app.features.memoir.memoir_images.json_payload import extract_json_payload
from app.core.json_utils import extract_json_payload
logger = get_logger(__name__)

2
api/app/agents/memoir/fidelity_check_agent.py
View File

@@ -13,7 +13,7 @@ from typing import Any
from app.core.config import settings
from app.core.langchain_llm import invoke_json_object
from app.core.logging import get_logger
from app.features.memoir.memoir_images.json_payload import extract_json_payload
from app.core.json_utils import extract_json_payload
logger = get_logger(__name__)

2
api/app/agents/memoir/narrative_agent.py
View File

@@ -15,7 +15,7 @@ from app.agents.memoir.prompts import (
)
from app.core.langchain_llm import invoke_json_object
from app.core.logging import get_logger
from app.features.memoir.memoir_images.json_payload import extract_json_payload
from app.core.json_utils import extract_json_payload
logger = get_logger(__name__)

10
api/app/agents/memoir/orchestrator.py
View File

@@ -53,14 +53,18 @@ class MemoirOrchestrator:
llm: Any,
get_or_create_state: Callable[[], MemoirStateSchema],
update_slot: Callable[[str, str, str, List[str]], MemoirStateSchema],
llm_fast: Any | None = None,
) -> PreparedMemoirBatches:
"""
遍历 segments：Extraction → slot 更新 → Classification → 按 category 分桶。
不含锁与写章节/故事（由调用方显式执行）。
``llm_fast``：分类与抽取专用；未传时与 ``llm`` 相同（叙事/路由仍用 ``llm``）。
"""
state = get_or_create_state()
category_to_segments: Dict[str, List[Segment]] = {}
segment_skip_story_ids: Set[str] = set()
classify_extract_llm = llm_fast if llm_fast is not None else llm
for segment in segments:
text = segment.user_input_text or ""
@@ -79,7 +83,7 @@ class MemoirOrchestrator:
user_message=text,
current_stage=state.current_stage or "childhood",
stage_slots=stage_slots_raw,
llm=llm,
llm=classify_extract_llm,
)
detected_stage = result.detected_stage
for slot_name, snippet in result.slots.items():
@@ -93,7 +97,7 @@ class MemoirOrchestrator:
classify_result = self.classification_agent.classify(
text=text,
fallback_stage=detected_stage,
llm=llm,
llm=classify_extract_llm,
segment_id=segment.id,
)
chapter_category = classify_result.category
@@ -147,6 +151,7 @@ class MemoirOrchestrator:
Tuple[Any, bool],
],
raise_retry: Callable[[], None],
llm_fast: Any | None = None,
) -> Tuple[Set[str], int]:
"""
执行回忆录流水线。
@@ -158,6 +163,7 @@ class MemoirOrchestrator:
prepared = self.prepare_batches(
segments=segments,
llm=llm,
llm_fast=llm_fast,
get_or_create_state=get_or_create_state,
update_slot=update_slot,
)

249
api/app/agents/memoir/prompts.py
View File

@@ -3,7 +3,6 @@
"""
import json
import re
from typing import Optional
from app.agents.chat.background_voice import get_background_voice_narrative_block
@@ -13,129 +12,6 @@ from app.features.memory.evidence_format import (
format_evidence_chunks_for_prompt,
)
CHAPTER_CATEGORIES = {
"childhood": "童年与成长背景",
"education": "教育经历与青年时期",
"career_early": "崭露头角",
"career_achievement": "主要成就与巅峰时刻",
"career_challenge": "挫折、挑战与重大转折",
"family": "家庭与情感",
"beliefs": "信念与价值观",
"summary": "人生总结",
}
CHAPTER_ORDER = [
"childhood",
"education",
"career_early",
"career_achievement",
"career_challenge",
"family",
"beliefs",
"summary",
]
STAGE_TO_ORDER = {
"childhood": 0,
"education": 1,
"career": 2,
"career_early": 2,
"career_achievement": 3,
"career_challenge": 4,
"family": 5,
"belief": 6,
"beliefs": 6,
"summary": 7,
}
IMAGE_PLACEHOLDER_TEMPLATE = (
"温暖怀旧风格，年代感复古色调，柔和光影，朴素温馨氛围，安静治愈，低饱和度，"
"质感柔和细腻，简约构图，充满岁月沉淀感与故事感，高清唯美插画封面，不要包含文字，"
"要适合老年人审美，画面要真实可信、让老年人产生共鸣与代入感，"
"场景环境、建筑风格、服饰器物必须严格符合所述时代背景和地域特色，"
"有朦胧怀旧的年代感。"
)
_IMAGE_PLACEHOLDER_ANY_BRACES_RE = re.compile(
r"(\{\{)+IMAGE:\s*([^}]+)(\}\})+",
re.DOTALL,
)
def inject_image_placeholder_template(content: str) -> str:
"""
对正文中的 IMAGE 占位符拼上固定风格模板（四层花括号）。
**线上写路径已不使用**；保留供离线迁移脚本处理历史数据。
"""
if not content or not content.strip():
return content
def replace_one(match: re.Match) -> str:
inner = (match.group(2) or "").strip()
if not inner:
return match.group(0)
if inner.startswith(IMAGE_PLACEHOLDER_TEMPLATE):
desc = inner[len(IMAGE_PLACEHOLDER_TEMPLATE) :].lstrip("。").strip()
return (
"{{{{IMAGE:"
+ IMAGE_PLACEHOLDER_TEMPLATE
+ ("。" + desc if desc else "")
+ "}}}}"
)
return "{{{{IMAGE:" + IMAGE_PLACEHOLDER_TEMPLATE + "。" + inner + "}}}}"
content = _IMAGE_PLACEHOLDER_ANY_BRACES_RE.sub(replace_one, content)
return content
def get_memoir_editor_system_prompt() -> str:
"""传记整理 Agent 的系统提示词（口语转书面、章节归类；与访谈对话用的 system prompt 不同）。"""
return """你是一位专业的传记作家和文字编辑，擅长将口语化的对话内容整理成优雅的书面语回忆录章节。
你的任务：
1. 接收对话段落文本（口语化，可能来自语音转写）
2. **先提炼对话中与人生经历相关的核心内容**，过滤掉无关信息
3. 识别内容主题，归类到对应章节（童年/教育/事业/家庭/信念/总结）
4. 将口语化表达改写为书面语，保持原意和情感
5. 生成合适的章节标题和段落结构
6. 提取关键信息，形成连贯的叙述
## 内容筛选原则（最重要）
对话中往往夹杂大量与回忆录无关的噪音，你必须严格筛选，只保留有价值的内容：
应该保留的内容：
- 具体的人生事件、经历、故事
- 提到的人物及其关系（家人、朋友、同事、恩师等）
- 地点、时间、场景描写
- 用户的情感表达、内心感受
- 人生感悟、价值观、信念
- 具体的细节（食物、声音、画面等）
应该过滤掉的内容：
- 语气词、填充词（嗯、啊、那个、就是说、对对对、然后呢等）
- 对话中的寒暄、问候（你好、谢谢、好的等）
- 用户与AI助手之间的交互指令（你帮我、我想问、你说得对等）
- 重复、冗余的表述（取核心含义即可）
- 与个人经历完全无关的闲聊内容
## 改写原则
- 保持用户的真实情感
- 使用优雅但不失亲切的书面语，不要直接引用对话原话
- 适当添加过渡句，使段落连贯
- 保留生动的细节，但将口语表达改写为书面叙述
- 去除口语中的填充词和无意义重复
- 保持时间顺序和逻辑清晰
## 章节分类规则
- 童年相关 → "童年与成长背景"
- 学校、老师、同学 → "教育经历与青年时期"
- 工作、职业、成就 → "主要成就与巅峰时刻" 或 "崭露头角"
- 困难、挫折 → "挫折、挑战与重大转折"
- 伴侣、孩子、家庭生活 → "家庭与情感"
- 价值观、信念、座右铭 → "信念与价值观"
- 总结、感悟、展望 → "人生总结"
"""
def _memoir_fidelity_core_rules() -> str:
"""事实边界 1–4 条（与文体第 5 条拆分，供 story 叙事与标题等复用）。"""
@@ -159,7 +35,7 @@ def _memoir_fidelity_user_profile_rules() -> str:
def get_memoir_fidelity_system_prompt() -> str:
"""叙事/标题生成专用：准确性优先，禁止编造事实（与 get_memoir_editor_system_prompt 分离）。"""
"""叙事/标题生成专用：准确性优先，禁止编造事实。"""
return f"""你是回忆录编辑助手，任务是把用户口述整理为第一人称书面叙述。
{_memoir_fidelity_core_rules()}
@@ -179,7 +55,7 @@ def get_memoir_fidelity_facts_only_prompt() -> str:
def _memoir_editor_narrative_style_block() -> str:
"""与 `get_memoir_editor_system_prompt` 对齐的传记作家改写要点（用于写入 chapter 的 story 正文）。"""
"""传记作家改写要点（用于写入 chapter 的 story 正文）。"""
return """## 传记作家文体（须同时遵守上文「事实边界」）
你是一位专业的传记作家和文字编辑，擅长将口语化的对话内容整理成优雅、有温度的书面语回忆录章节。
@@ -193,7 +69,7 @@ def _memoir_editor_narrative_style_block() -> str:
- 保留生动的细节，将口语表达改写为有画面感的书面叙述
- 去除口语中的填充词和无意义重复
- 保持时间顺序和逻辑清晰
- **在事实边界内，鼓励使用有温度的传记笔法**，让读者感受到讲述者当时的心情；可有文学性的表达与恰当的情感渲染，但不得虚构新的事实来增色
- **在事实边界内，鼓励使用有温度的传记笔法**，让读者感受到讲述者当时的心情；可有文学性的表达与恰当的情感渲染；**须同时遵守上文「事实边界」规则 1–4**
### 示例（仅供参考允许的改写程度；只改语气、不加新事实）
- 原文：「那时候穷啊，一家人挤一间房。」
@@ -224,45 +100,11 @@ def get_narrative_editor_system_prompt(
def _short_classification_edit_prefix() -> str:
"""章节分类专用短系统前缀（不重复整段 get_memoir_editor_system_prompt）。"""
"""章节分类专用短系统前缀。"""
return """你是回忆录编辑。先忽略语气词与寒暄，只根据**与人生经历有关的实质内容**判断归类。
保留：事件、人物关系、地点时间、情感与信念。过滤：纯寒暄、与 AI 的交互、无关闲聊。"""
def get_chapter_classification_prompt(segments_text: str) -> str:
"""获取章节分类的提示词（短系统段 + 规则；供纯文本输出路径或兼容）。"""
return f"""{_short_classification_edit_prefix()}
请分析以下对话内容，判断应归类到哪个章节类别，或是否不足以写入回忆录正文。
## 章节类别
- childhood: 童年与成长背景
- education: 教育经历与青年时期
- career_early: 崭露头角（早期事业）
- career_achievement: 主要成就与巅峰时刻
- career_challenge: 挫折、挑战与重大转折
- family: 家庭与情感
- beliefs: 信念与价值观
- summary: 人生总结
## 何时必须返回 none（与「零散档案点」区分）
若去掉寒暄后，内容仅为**档案式点状信息**，**没有可讲述的叙事骨架**（无事件、场景、过程、互动或情绪展开），则必须返回 **none**，例如：
- 仅出生年份、籍贯一笔、职业名词、姓名等单句事实；
- 仅罗列事实、无画面与过程的短答。
以下情况**不是** none：篇幅短但已构成**微型故事**（有画面、动作、对话、转折、感受），应归入最贴合的章节类别。
## 示例（仅作判断参考）
- 应返回 none：「我1999年出生的。」「籍贯上海。」「工程师。」
- 应返回 childhood（或其它合适类别）：「小学时有次下大雨，爷爷背我过河，鞋全湿了，他一直笑。」
对话内容：
{segments_text}
请只返回章节类别英文 key（如：childhood），不要返回其它说明。
若内容不足以独立成篇、仅为零散信息，返回 none。"""
def get_chapter_classification_json_prompt(segments_text: str) -> str:
"""章节分类：JSON 输出（与 invoke_json_object 配合）。"""
return f"""{_short_classification_edit_prefix()}
@@ -270,7 +112,7 @@ def get_chapter_classification_json_prompt(segments_text: str) -> str:
## 章节 key（英文）
childhood, education, career_early, career_achievement, career_challenge, family, beliefs, summary；不足以成篇则 **none**。
规则与「何时必须返回 none」同 `get_chapter_classification_prompt`（档案点、无叙事骨架 → none）。
当去掉寒暄后仅为档案式点状信息、无可讲述叙事骨架（无事件/场景/过程/互动/情绪展开）→ **none**；短但有画面的微型故事应归入最贴类别。
对话内容：
{segments_text}
@@ -295,9 +137,10 @@ def get_state_extraction_prompt(
"belief": ["value", "regret", "pride", "lesson"],
}
return f"""{get_memoir_fidelity_system_prompt()}
return f"""你是回忆录访谈信息抽取助手。从用户话语中提取结构化信息，判断用户实际在谈论哪个人生阶段。
只提取口述中确有依据的片段，不得编造或推测。
你需要从用户话语中**先提炼与人生经历相关的核心内容**，然后抽取结构化信息，并判断用户实际在谈论哪个人生阶段（slots 仅填口述中确有依据的片段）。
你需要从用户话语中**先提炼与人生经历相关的核心内容**，然后抽取结构化信息（slots 仅填口述中确有依据的片段）。
**JSON 输出**：接口已启用 `response_format=json_object`，你必须只输出一个合法 JSON 对象，不要 markdown 代码块或其它文字。
@@ -406,61 +249,6 @@ def get_creative_title_json_prompt(
)
def get_narrative_prompt(
stage: str,
slots: dict,
new_content: str,
existing_content: str = "",
user_profile: str = "",
birth_year: Optional[int] = None,
archived_summaries: str = "",
background_voice: str = "default",
occupation: str = "",
) -> str:
"""将新对话改写为叙述（只输出新内容的改写，不重复已有内容）"""
context_tail = ""
if existing_content:
context_tail = (
existing_content[-300:] if len(existing_content) > 300 else existing_content
)
context_section = (
f"\n\n【衔接上下文（已有内容的末尾，仅供参考衔接，不要重复）】：\n{context_tail}"
if context_tail
else ""
)
archived_section = (
f"\n\n【已删除的该类别历史章节（仅供参考，请勿直接使用或重复）】：\n{archived_summaries}"
if archived_summaries
else ""
)
profile_section = f"\n\n用户基本信息：\n{user_profile}" if user_profile else ""
age_hint = _build_age_hint(stage, birth_year)
time_section = f"\n时间参考：{age_hint}" if age_hint else ""
return f"""{get_narrative_editor_system_prompt(background_voice=background_voice, occupation=occupation)}
阶段：{stage}
可用信息（slots，仅可复述其中已出现事实）：{slots}{profile_section}{time_section}
输入材料（请严格区分「本段口述」与参考区，规则见系统说明）：
{new_content}
{context_section}
{archived_section}
## 步骤
1. 从「本段用户口述」提炼可写事实；丢弃语气词、寒暄、与 AI 的交互。
2. 改写为第一人称书面叙述（优雅、连贯，可适当过渡；可调整语序与用词），**不得**新增事实。
3. 若材料中无值得记录的人生经历内容，输出空字符串。
## 格式
- 不要插入章节标题或 `#`、`##`；不要用 Markdown 表格。
- 不要写入与「本段用户口述」无关的交互套话。
只输出改写后的正文。无内容则输出空字符串。
"""
def get_narrative_json_prompt(
stage: str,
slots: dict,
@@ -499,11 +287,9 @@ def get_narrative_json_prompt(
{context_section}
## 要求
1. **只展开「本段用户口述」**；若有参考摘录区，不得把摘录中的具体事实写成本轮亲历经历（见系统说明）。
2. 过滤语气词、寒暄、与 AI 的交互；不重复已有故事全文；本批只写同一主题/事件链。
3. 段落数量与每段长度**随材料而定**，禁止为凑字数编造。
4. 使用第一人称、**优雅书面语**，改写须符合系统说明中的「传记作家文体」与「改写原则」（含示例）：在事实边界内可做书面化、过渡与情感渲染，**须基于口述事实**；不要直接引用原话；不要用 `#`、`##`、表格。
5. **不推断结局**：若用户未明确说结果（是否录取、是否被选中等），不要凭常识补全为确定结论；只复述已说清楚的内容。
1. **格式与输出**：只输出 JSON；第一人称；不使用 `#`、`##`、表格；`content` 仅含正文。
2. **事实与取材**：（须遵守系统说明中的事实边界规则 1–4）。只展开「本段用户口述」；若有参考摘录区，不得把摘录中的具体事实写成本轮亲历；过滤语气词与寒暄；不重复已有故事全文；本批同一主题/事件链；段落数量与长度随材料，禁止为凑字数编造。
3. **不推断结局**：用户未明确说结果（是否录取、是否被选中等）时，不要凭常识补全为确定结论。
## 输出格式（严格 JSON）
{{
@@ -578,11 +364,10 @@ def get_narrative_merge_json_prompt(
{existing_section}
## 要求
1. 输出为**完整故事正文**（不是仅写本段）：`paragraphs` 须包含重组后的**全文**。
2. **禁止编造**：不得新增用户未在「已有」或「本段」中出现的人名、地点、时间、对话、数字。
3. 若本段与旧文完全重复或无新信息，可仅输出与旧文等价重组后的正文（不得无故缩短到明显少于旧文）。
4. 使用第一人称、**优雅书面语**，改写须符合系统说明中的「传记作家文体」与「改写原则」（含示例）：在事实边界内可做书面化、过渡与情感渲染，**须基于口述与旧文已有事实**；不要用 `#`、`##`、表格。
5. **不推断结局**：本段口述未明确结果时，不要用常识补全落选/未通过等确定说法，除非旧文中已有同一事实。
1. **全文输出**：`paragraphs` 须为重组后的**完整故事正文**（非仅本段）。
2. **事实边界**：（须遵守系统说明中的事实边界规则 1–4）。不得新增「已有」或「本段」未出现的人名、地点、时间、对话、数字；第一人称、优雅书面语须符合上文传记作家文体说明；不用 `#`、`##`、表格。
3. 若本段与旧文完全重复或无新信息，可输出与旧文等价重组的正文（不得无故缩短到明显少于旧文）。
4. **不推断结局**：本段未明确结果时，不要补全落选/未通过等确定说法，除非旧文中已有同一事实。
## 输出格式（严格 JSON）
{{
@@ -714,7 +499,3 @@ def format_narrative_user_content(oral_text: str, evidence_text: str = "") -> st
# dedupe_evidence_chunk_rows / format_evidence_chunks_for_prompt 见 app.features.memory.evidence_format
# 向后兼容：旧代码中的 get_system_prompt 指「回忆录编辑」系统提示，勿与访谈模块的 get_system_prompt 混淆
get_system_prompt = get_memoir_editor_system_prompt