dschlueter
3c4d2fb92c
- UNDERSTAND_RETRIES=-1 (A/B-Arm der Verstehensstufe) stürzte seit dem Ablehnungstor ab - Unlösbar-Gegenprobe bekommt Verständnis, Datenprofil und Datendateien; ihre Lösung durchläuft dieselbe Abnahme (_assess_run) - --von pruefung behält Verständnis, Abbildungen und Datenprofil - --resolve überschreibt frühere Befunde nicht mehr (nur Zulässigkeit neu) - --daten wirkt auch mit --resolve und --von - Prüfung und Korrektur sehen das Datenprofil - Reparaturmeldung nennt alle Befundarten zugleich - Test der Balkenhöhe prüft die Höhe tatsächlich; unbenutzte Imports entfernt Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
69 lines
3.5 KiB
Python
69 lines
3.5 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] = (), data_prompt: str = "",
|
||
) -> 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"
|
||
aufgabe = f"{task}\n\n{data_prompt}" if data_prompt else task # Datenprofil wie bei der Extraktion
|
||
return session.create(
|
||
OptimizationModelSpecification,
|
||
[
|
||
{"role": "system", "content": ROUTING_PROMPT_FILE.read_text(encoding="utf-8")},
|
||
{
|
||
"role": "user",
|
||
"content": (
|
||
f"AUFGABENTEXT:\n{aufgabe}\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",
|
||
)
|