68 lines
3.3 KiB
Python
68 lines
3.3 KiB
Python
|
"""Stufen 2 und 5 der Pipeline: Modellspezifikation aus dem Text extrahieren und nach der Prüfung korrigieren."""
|
|||
|
|
from pathlib import Path
|
|||
|
|
from typing import List
|
|||
|
|
|
|||
|
|
from core.llm import LLMSession
|
|||
|
|
from core.model_schema import (
|
|||
|
|
AssumptionReview,
|
|||
|
|
CheckIssue,
|
|||
|
|
CheckSeverity,
|
|||
|
|
OptimizationModelSpecification,
|
|||
|
|
TaskUnderstanding,
|
|||
|
|
)
|
|||
|
|
|
|||
|
|
ROUTING_PROMPT_FILE = Path(__file__).parent / "Routing-und-Extraktions-Prompt.txt"
|
|||
|
|
|
|||
|
|
|
|||
|
|
def text_to_model(session: LLMSession, task: str,
|
|||
|
|
understanding: TaskUnderstanding | None = None,
|
|||
|
|
data_prompt: str = "") -> OptimizationModelSpecification:
|
|||
|
|
inhalt = task if not data_prompt else f"{task}\n\n{data_prompt}"
|
|||
|
|
if understanding is not None:
|
|||
|
|
# Die Verstehensstufe hat Teilfragen und Zahlen schon erfasst – die Extraktion muss den Text
|
|||
|
|
# nicht noch einmal danach absuchen, sondern baut darauf auf.
|
|||
|
|
inhalt += ("\n\nBEREITS ERFASSTES VERSTÄNDNIS (Teilfragen und Zahlen; übernimm die Werte aus facts "
|
|||
|
|
"in extracted_values, statt sie neu zu suchen):\n" + understanding.model_dump_json(indent=2))
|
|||
|
|
return session.create(
|
|||
|
|
OptimizationModelSpecification,
|
|||
|
|
[
|
|||
|
|
{"role": "system", "content": ROUTING_PROMPT_FILE.read_text(encoding="utf-8")},
|
|||
|
|
{"role": "user", "content": inhalt},
|
|||
|
|
],
|
|||
|
|
step="Extraktion",
|
|||
|
|
)
|
|||
|
|
|
|||
|
|
|
|||
|
|
def revise_model(
|
|||
|
|
session: LLMSession, task: str, spec: OptimizationModelSpecification, review: AssumptionReview,
|
|||
|
|
issues: List[CheckIssue] = (),
|
|||
|
|
) -> OptimizationModelSpecification:
|
|||
|
|
errors = [i for i in issues if i.severity == CheckSeverity.ERROR]
|
|||
|
|
check_text = "\n".join(f"- [{i.code}] {i.message}" for i in errors) or "keine"
|
|||
|
|
# Warnungen lösen für sich keine Korrekturrunde aus; findet aber ohnehin eine statt,
|
|||
|
|
# sollen sie mit behoben werden – sonst erreicht z. B. unerklärter Fachjargon das LLM nie.
|
|||
|
|
hinweise = [i for i in issues if i.severity == CheckSeverity.WARNING]
|
|||
|
|
hinweis_text = "\n".join(f"- [{i.code}] {i.message}" for i in hinweise) or "keine"
|
|||
|
|
return session.create(
|
|||
|
|
OptimizationModelSpecification,
|
|||
|
|
[
|
|||
|
|
{"role": "system", "content": ROUTING_PROMPT_FILE.read_text(encoding="utf-8")},
|
|||
|
|
{
|
|||
|
|
"role": "user",
|
|||
|
|
"content": (
|
|||
|
|
f"AUFGABENTEXT:\n{task}\n\n"
|
|||
|
|
f"BISHERIGE MODELLSPEZIFIKATION:\n{spec.model_dump_json(indent=2)}\n\n"
|
|||
|
|
f"PRÜFBERICHT:\n{review.model_dump_json(indent=2)}\n\n"
|
|||
|
|
f"FEHLER DER AUTOMATISCHEN KONSISTENZPRÜFUNG:\n{check_text}\n\n"
|
|||
|
|
f"HINWEISE DER AUTOMATISCHEN PRÜFUNG (kein Fehler, aber zu verbessern):\n{hinweis_text}\n\n"
|
|||
|
|
"Überarbeite die Modellspezifikation: Setze alle Korrekturen aus dem Prüfbericht um, "
|
|||
|
|
"behebe alle Fehler der Konsistenzprüfung, passe die betroffenen Restriktionen, Variablen "
|
|||
|
|
"und Parameter an und weise fehlende Annahmen in open_assumptions aus. "
|
|||
|
|
"Arbeite auch die Hinweise ab, soweit das Modell dadurch nicht schlechter wird – "
|
|||
|
|
"unerklärte Fachbegriffe gehören in executive_summary, nicht weggelassen. "
|
|||
|
|
"Behalte korrekte Teile unverändert bei."
|
|||
|
|
),
|
|||
|
|
},
|
|||
|
|
],
|
|||
|
|
step="Korrektur",
|
|||
|
|
)
|