from rag_qa.core.prompts import RAGPrompts
# 导入 time 模块，用于计算时间
import time
from base import logger, Config
from rag_qa.core.query_classifier import QueryClassifier # 导入查询分类器
from rag_qa.core.strategy_selector import StrategySelector # 导入策略选择器
conf = Config()
# 定义 RAGSystem 类，封装 RAG 系统的核心逻辑
class RAGSystem:
# 初始化方法，设置 RAG 系统的基本参数
def __init__(self, vector_store, llm):
# 设置向量数据库对象
self.vector_store = vector_store
# 设置大语言模型调用函数
self.llm = llm
# 获取 RAG 提示模板
self.rag_prompt = RAGPrompts.rag_prompt()
# 初始化查询分类器
self.query_classifier = QueryClassifier(
model_path='D:/code/workspace7/integrated_qa_system/rag_qa/models/bert_query_classifier/')
# 初始化策略选择器
self.strategy_selector = StrategySelector()
# 最大 4096 字符
self.max_prompt_length = 4096
# 定义方法，使用假设文档进行检索（HyDE）
def _retrieve_with_hyde(self, query):
logger.info(f"使用 HyDE 策略进行检索 (查询: '{query}')")
# 获取假设问题生成的 Prompt 模板
hyde_prompt_template = RAGPrompts.hyde_prompt() # 使用 template 后缀区分
# 调用大语言模型生成假设答案
try:
hypo_answer = self.llm(hyde_prompt_template.format(query=query)).strip()
logger.info(f"HyDE 生成的假设答案: '{hypo_answer}'")
# 使用假设答案进行检索，并返回检索结果
# 注意：HyDE 通常只用于生成检索向量，不一定需要 rerank 这一步，但这里复用了
return self.vector_store.hybrid_search_with_rerank(
hypo_answer, k=conf.RETRIEVAL_K # 使用 K 而非 M
)
except Exception as e:
logger.error(f"HyDE 策略执行失败: {e}")
return []
# 定义方法，使用子查询进行检索
def _retrieve_with_subqueries(self, query):
logger.info(f"使用子查询策略进行检索 (查询: '{query}')")
# 获取子查询生成的 Prompt 模板
subquery_prompt_template = RAGPrompts.subquery_prompt() # 使用 template 后缀区分
try:
# 调用大语言模型生成子查询列表
subqueries_text = self.llm(subquery_prompt_template.format(query=query)).strip()
subqueries = [q.strip() for q in subqueries_text.split("\n") if q.strip()]
logger.info(f"生成的子查询: {subqueries}")
if not subqueries:
logger.warning("未能生成有效的子查询")
return []
# 初始化空列表，用于存储所有子查询的检索结果
all_docs = []
# 遍历每个子查询
for sub_q in subqueries:
# 使用子查询进行检索，并将结果添加到列表中
# 这里对每个子查询都执行了 hybrid search + rerank，开销可能较大
docs = self.vector_store.hybrid_search_with_rerank(
sub_q, k=conf.RETRIEVAL_K # 使用 K
)
all_docs.extend(docs)
logger.info(f"子查询 '{sub_q}' 检索到 {len(docs)} 个文档")
# 对所有检索结果进行去重 (基于对象内存地址，如果 Document 内容相同但对象不同则无法去重)
# 更可靠的去重方式是基于文档内容或 ID
unique_docs_dict = {doc.page_content: doc for doc in all_docs} # 基于内容去重
unique_docs = list(unique_docs_dict.values())
logger.info(f"所有子查询共检索到 {len(all_docs)} 个文档, 去重后剩 {len(unique_docs)} 个")
# 返回去重后的文档，限制数量 (是否需要在此处限制? retrieve_and_merge 末尾会限制)
# return unique_docs[: Config.CANDIDATE_M]
return unique_docs # 返回所有唯一文档，让 retrieve_and_merge 处理数量
except Exception as e:
logger.error(f"子查询策略执行失败: {e}")
return []
# 定义方法，使用回溯问题进行检索
def _retrieve_with_backtracking(self, query):
logger.info(f"使用回溯问题策略进行检索 (查询: '{query}')")
# 获取回溯问题生成的 Prompt 模板
backtrack_prompt_template = RAGPrompts.backtracking_prompt() # 使用 template 后缀区分
try:
# 调用大语言模型生成回溯问题
simplified_query = self.llm(backtrack_prompt_template.format(query=query)).strip()
logger.info(f"生成的回溯问题: '{simplified_query}'")
# 使用回溯问题进行检索，并返回检索结果
return self.vector_store.hybrid_search_with_rerank(
simplified_query, k=conf.RETRIEVAL_K # 使用 K
)
except Exception as e:
logger.error(f"回溯问题策略执行失败: {e}")
return []
# 定义方法，检索并合并相关文档
def retrieve_and_merge(self, query, source_filter=None, strategy=None): # 新增 strategy 参数
# 如果未指定检索策略，则使用策略选择器选择
if not strategy:
strategy = self.strategy_selector.select_strategy(query)
# 根据检索策略选择不同的检索方式
ranked_sub_chunks = [] # 初始化
if strategy == "回溯问题检索":
ranked_sub_chunks = self._retrieve_with_backtracking(query)
elif strategy == "子查询检索":
ranked_sub_chunks = self._retrieve_with_subqueries(query) # 返回的是唯一文档列表
# 注意：子查询返回的是已 rerank 过的父文档或子块列表，后续合并逻辑可能需要调整
# 当前实现中，子查询返回的是初步检索（可能已rerank）的块，再进行合并
elif strategy == "假设问题检索":
ranked_sub_chunks = self._retrieve_with_hyde(query)
else: # 默认或“直接检索”
logger.info(f"使用直接检索策略 (查询: '{query}')")
ranked_sub_chunks = self.vector_store.hybrid_search_with_rerank(
query, k=conf.RETRIEVAL_K // 2, source_filter=source_filter
) # 注意 hybrid_search_with_rerank 返回的是 rerank 后的父文档
logger.info(f"策略 '{strategy}' 检索到 {len(ranked_sub_chunks)} 个候选文档 (可能已是父文档)")
final_context_docs = ranked_sub_chunks[:conf.CANDIDATE_M]
logger.info(f"最终选取 {len(final_context_docs)} 个文档作为上下文")
return final_context_docs
# 定义方法，生成答案
def generate_answer(self, query, source_filter=None):
# 记录查询开始时间
start_time = time.time()
logger.info(f"开始处理查询: '{query}', 学科过滤: {source_filter}")
# 判断查询类型
query_category = self.query_classifier.predict_category(query)
logger.info(f"查询分类结果：{query_category} (查询: '{query}')")
# 如果查询属于“通用知识”类别，则直接使用 LLM 回答
if query_category == "通用知识":
logger.info("查询为通用知识，直接调用 LLM")
prompt_input = self.rag_prompt.format(
context="", question=query, phone=conf.CUSTOMER_SERVICE_PHONE, history="",
) # 不使用上下文
try:
answer = self.llm(prompt_input)
except Exception as e:
logger.error(f"直接调用 LLM 失败: {e}")
answer = f"抱歉，处理您的通用知识问题时出错。请联系人工客服：{conf.CUSTOMER_SERVICE_PHONE}"
processing_time = time.time() - start_time
logger.info(
f"通用知识查询处理完成 (耗时: {processing_time:.2f}s, 查询: '{query}')"
)
return answer
# 否则，进行 RAG 检索并生成答案
logger.info("查询为专业咨询，执行 RAG 流程")
# 选择检索策略
strategy = self.strategy_selector.select_strategy(query)
# 检索相关文档
context_docs = self.retrieve_and_merge(
query, source_filter=source_filter, strategy=strategy
) # 传递 strategy
# 准备上下文
if context_docs:
context = "\n\n".join([doc.page_content for doc in context_docs]) # 使用换行符分隔文档
logger.info(f"构建上下文完成，包含 {len(context_docs)} 个文档块")
# logger.debug(f"上下文内容:\n{context[:500]}...") # Debug 日志可以打印部分上下文
else:
context = ""
logger.info("未检索到相关文档，上下文为空")
# 构造 Prompt，调用大语言模型生成答案
prompt_input = self.rag_prompt.format(
context=context, question=query, phone=conf.CUSTOMER_SERVICE_PHONE, history="",
)
logger.debug(f"最终生成的 Prompt:\n{prompt_input}") # Debug 日志
try:
answer = self.llm(prompt_input)
except Exception as e:
logger.error(f"调用 LLM 生成最终答案失败: {e}")
answer = f"抱歉，处理您的专业咨询问题时出错。请联系人工客服：{conf.CUSTOMER_SERVICE_PHONE}"
# 记录查询处理完成的日志
processing_time = time.time() - start_time
logger.info(f"查询处理完成 (耗时: {processing_time:.2f}s, 查询: '{query}')")
return answer