from typing import Optional, List, Set,Iterable,Any try: import ahocorasick except ImportError: ahocorasick = None import re import json import logging try: from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate except ImportError: try: from langchain.prompts import FewShotPromptTemplate, PromptTemplate except ImportError: class PromptTemplate: def __init__(self, input_variables=None, template: str = ""): self.input_variables = input_variables or [] self.template = template def format(self, **kwargs): return self.template.format(**kwargs) class FewShotPromptTemplate: def __init__( self, examples=None, example_prompt=None, prefix: str = "", suffix: str = "", input_variables=None, example_separator: str = "\n\n", ): self.examples = examples or [] self.example_prompt = example_prompt self.prefix = prefix self.suffix = suffix self.input_variables = input_variables or [] self.example_separator = example_separator def format(self, **kwargs): rendered_examples = [] for example in self.examples: rendered_examples.append(self.example_prompt.format(**example)) parts = [self.prefix] if rendered_examples: parts.append(self.example_separator.join(rendered_examples)) parts.append(self.suffix.format(**kwargs)) return self.example_separator.join(part for part in parts if part) from openai.types.chat import ChatCompletionSystemMessageParam, ChatCompletionUserMessageParam, ChatCompletionMessageParam logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) REVIEW_TYPE_ERROR_MAP = { "基础校对": { "错别字", "错别词语", "标点不规范", "格式不规范", "重复内容", "错误词汇", }, "逻辑校对": {"逻辑不通"}, "合规性检查": {"合规问题", "敏感词汇"}, } REVIEW_TYPE_ORDER = tuple(REVIEW_TYPE_ERROR_MAP) def normalize_review_types(types: List[str]) -> List[str]: """按前端传入顺序去重，只保留支持的校对类型。""" return list(dict.fromkeys( review_type for review_type in types if review_type in REVIEW_TYPE_ERROR_MAP )) def get_allowed_review_error_types(types: List[str]) -> Set[str]: """返回本次所选校对项允许输出的错误类型。""" allowed = set() for review_type in normalize_review_types(types): allowed.update(REVIEW_TYPE_ERROR_MAP[review_type]) return allowed def cotprompt(query, types: Optional[List[str]] = None): # 精简 Few-Shot：只示范「输入文本 -> 结构化修改结果」，不再包含推理过程/思考链， # 从源头杜绝模型输出解释、分析、括号备注等多余内容，同时大幅缩短每次请求的前缀长度。 basic_examples = [ { # 综合示例：覆盖错别字/错别词语/标点不规范/重复内容， # 重点示范：多余标点(。。。)、全半角括号 -> 标点不规范（不是逻辑不通） "question": "现,代教育中，智能教学系统【】让每个雪生受益，自动文达系统很方便。现就安全生产大检查工作提出如下意见。。。(本报记者 小陈)", "answer": ( "###\n" "错误：标点不规范\n原文：现,代教育\n建议：现代教育\n\n" "错误：标点不规范\n原文：智能教学系统【】\n建议：智能教学系统\n\n" "错误：错别字\n原文：每个雪生\n建议：每个学生\n\n" "错误：错别词语\n原文：自动文达系统\n建议：自动问答系统\n\n" "错误：标点不规范\n原文：如下意见。。。\n建议：如下意见。\n\n" "错误：标点不规范\n原文：(本报记者 小陈)\n建议：（本报记者 小陈）\n" "###" ), }, { # 重复内容的原文必须带唯一上下文，建议返回删除后的完整片段。 "question": "2026年通知：2026年通知内容如下：\n\n一、项目推进方面\n各部门需加快项目进度，确保按时交付。\n\n二、培训学习方面\n公司将组织系列培训课程，提升员工专业技能。具体时间、地点另行通知。员工需按时参加，不得无辜缺席。自即日起，严禁在工作时间从事与工作无关的活动。\n\n二、纪律要求\n近期发现部分员工上班时间做与工作无关的事情，如炒股、聊天等，严重影响工作效率和公司形象。自即日起，严禁在工作时间从事与工作无关的活动。违反规定者，将按照公司规章制度严肃处理。\n\n特此通知：", "answer": ( "###\n" "错误：错别词语、重复内容\n" "原文：公司将组织系列培训课程，提升员工专业技能。具体时间、地点另行通知。员工需按时参加，不得无辜缺席。自即日起，严禁在工作时间从事与工作无关的活动。\n" "建议：公司将组织系列培训课程，提升员工专业技能。具体时间、地点另行通知。员工需按时参加，不得无故缺席。\n\n" "错误：标点不规范\n" "原文：特此通知：\n" "建议：特此通知。\n" "###" ), }, ] logic_examples = [ { "question": "项目计划于2026年1月启动，并于2025年12月完成验收。", "answer": ( "###\n" "错误：逻辑不通\n" "原文：项目计划于2026年1月启动，并于2025年12月完成验收。\n" "建议：项目计划于2026年1月启动，并于2026年12月完成验收。\n" "###" ), }, ] logic_scope_examples = [ { # 单选逻辑校对时，错别字、格式和措辞润色都必须忽略。 "question": "实习培训是理论与时间结合的关键环节。3.9保秘性。第二步：再输入密码连接服务器。", "answer": "###\n###", }, ] compliance_examples = [ { "question": "数据库连接地址为postgresql://admin:password123@10.0.0.8:5432/app。", "answer": ( "###\n" "错误：合规问题\n" "原文：postgresql://admin:password123@10.0.0.8:5432/app\n" "建议：postgresql://admin:***@10.0.0.8:5432/app\n" "###" ), }, ] compliance_scope_examples = [ { # 普通保密、军用、核心技术等客观表述不因名称本身构成违规。 "question": "本章介绍保密资料、军用设备维修手册、未公开方案和核心技术参数。文中另有“维休”“保秘性”等错字。", "answer": "###\n###", }, ] selected_types = normalize_review_types(types or list(REVIEW_TYPE_ORDER)) selected_type_set = set(selected_types) examples = [] if "基础校对" in selected_type_set: examples.extend(basic_examples) if "逻辑校对" in selected_type_set: examples.extend(logic_examples) if "合规性检查" in selected_type_set: examples.extend(compliance_examples) if selected_type_set == {"逻辑校对"}: examples.extend(logic_scope_examples) elif selected_type_set == {"合规性检查"}: examples.extend(compliance_scope_examples) examples.append({ "question": "全年审核采购合同、对账单据数百份，均按规定完成登记归档。", "answer": "###\n###", }) # 单个示例模板：只保留 问题/答案，删除“推理过程” example_prompt = PromptTemplate( input_variables=["question", "answer"], template="问题：{question}\n答案：{answer}", ) few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_prompt, prefix=( "你是专业文本校对专家，具备检查错别字、错别词语、错误标点、标题格式、重复内容、逻辑不通及合规问题的能力；本次只执行任务要求中明确选中的校对项。\n" "输出规则（务必严格遵守）：\n" "1. 每个错误必须连续占三行：第一行“错误：<错误类型>”，第二行“原文：<有错的原文片段>”，第三行“建议：<修改后的正确文本>”。三行之间不得插入空行；不同错误之间空一行。整体用 ### 包裹。\n" "2. 错误类型只能从以下选择：错别字、错别词语、标点不规范、格式不规范、重复内容、错误词汇、逻辑不通、合规问题、敏感词汇。同一连续原文片段存在修改范围重叠的多类错误时，必须合并为一条，错误类型用中文顿号连接，并在一条建议中一次改正。\n" "3. 凡是标点问题（多余或重复标点如“。。。”、全角/半角标点混用如英文括号()应为中文（）、标点缺失或误用），一律归为“标点不规范”，禁止归为“逻辑不通”；“逻辑不通”只用于前后文语义矛盾、指代不清等真正的逻辑问题。\n" "4. 建议字段只写修改后的正确内容，禁止输出任何解释、分析、推理、评论或括号备注（例如禁止出现“（删除该句……）”“（此处无明显错误……）”“（通常……可接受）”这类内容）。原文和建议必须确有差异；两者相同或仅空白不同不得输出。相同原文不得重复输出。\n" "5. 判定重复内容时，必须结合全文语义判断是否造成冗余，不能仅凭文字相同判错。若两处分别承担必要的说明、强调、引用或衔接作用，则不得输出校对项。\n" "6. 确认属于重复内容后，必须比较每次出现位置与标题主题、前后文和表达作用的匹配程度，保留主题最匹配、逻辑最完整的一处，禁止机械删除第一次或最后一次。\n" "7. 删除局部重复内容时，原文必须包含足以唯一定位的连续上下文；建议必须返回删除重复内容后的同一完整片段，不得留空。只有整个原文片段均为应删除的纯冗余内容时，建议才可留空。\n" "8. 独占一行的各级标题允许不带句末标点，不得机械添加冒号或句号。只有原文明确采用“标题与正文在同一行”的格式且标点确有错误时，才校对标题末尾标点。\n" "9. 原文和建议字段都只能占一行、不得包含换行。若版式把“名称”和“主发动机”等标签与值分成多行，而实际仅缺冒号，应输出最小替换片段，例如“原文：名称”“建议：名称：”，不得把下一行值合并进建议。\n" "10. 输入是从长文中截取的中间分块，无法获知全文标题序号和图号。禁止新增、删除、替换或重排任何标题序号，不得把“（二）”改为“一、”，也不得把“三、”改为“一、”。“图：故障定位”这类图片说明是允许的原文格式，禁止补成“图1：故障定位”，也禁止新增、删除或修改任何图号。标题序号与图片全局编号均不属于本次校对范围。\n" "11. 必须仅对本次任务选中的类别逐项检查全文。发现某类错误后仍须继续检查其他已选类别，但禁止检查和输出未选类别。\n" "12. 若整段文本没有任何错误，只返回：###\n###，不要输出其它任何字符。输出完全部真实问题后立即结束，严禁重复已有记录或为了凑数量继续输出。\n" "请参照以下示例完成校对：" ), suffix=( "问题：{question}\n" "输出答案前只对任务要求中明确选中的类别完成内部扫描，不要输出扫描过程：\n" "选择基础校对时，检查错别字、错别词语、标点、标题文字格式、重复内容及错误词汇，但不得修改标题序号；\n" "选择逻辑校对时，检查前后矛盾、时间冲突、因果关系、指代和上下文逻辑；\n" "选择合规性检查时，检查合规问题及敏感词汇。\n" "未选中的类别不得检查、修改和输出。输出完真实问题后立即结束，不得重复记录。\n" "每条原文必须从本次输入正文中逐字、连续、原样复制，严禁提前采用修改结果。建议只能写可直接替换的最终正文。\n" "答案：" ), input_variables=["question"], example_separator="\n\n", ) return few_shot_prompt.format(question=query) def build_review_prompt(types: List[str], content: str, require: Optional[str]) -> Iterable[ChatCompletionMessageParam]: if require is None: require = "" require = require.strip() selected_types = normalize_review_types(types) excluded_types = [ review_type for review_type in REVIEW_TYPE_ORDER if review_type not in selected_types ] review_t = "现在需要你帮我完成以下文本校对任务：\n" for i, t in enumerate(selected_types, start=1): if t =="逻辑校对": review_t += ( f"{i}. 逻辑校对：只检查正文内部有明确证据的前后矛盾、" "时间先后冲突、因果关系错误、主体或指代冲突。" "错别字、漏字、标点、编号、命令写法、术语纠正、措辞润色、" "补充“共几部分”等信息完整性问题均不属于逻辑校对，禁止输出；" "不能仅凭孤立词句推测逻辑错误。\n" ) if t =="基础校对": review_t += f"{i}.1 进行错别字校对，错别字错误主要以文本用字不当为主，例如：星光店电，正确的应该为：星光点点。\n" review_t += f"{i}.2 进行标点校对，主要以标点符号使用不当为主，例如：星光点点；万里无云，正确的应该为：星光点点，万里无云\n" review_t += f"{i}.3 进行格式规范校对，但不得修改标题序号或图片编号\n" review_t += f"{i}.4 进行重复内容校对，主要以原文中出现重复词语、句子或文本为主，例如：“今天今天心情相当不错，我很开心。我很开心。“，正确的内容应该为：今天心情相当不错，我很开心。\n" if t=="合规性检查": review_t += ( f"{i}. 合规性检查：只检查明文账号口令、访问密钥、令牌等凭据泄露，" "以及正文中有明确依据的违法违规、隐私泄露或安全合规问题。" "“保密资料”“军用设备”“未公开方案”“核心技术参数”等客观名称本身不构成错误，" "不得为了降敏而改写事实。错别字、格式、逻辑和措辞问题均禁止输出。" "只有额外要求明确提供了敏感词表时，才能输出“敏感词汇”，" "且原文必须是词表中实际命中的原词。\n" ) scope_text = ( f"本次选中的校对项：{'、'.join(selected_types)}。\n" f"本次禁止检查和输出的校对项：{'、'.join(excluded_types) if excluded_types else '无'}。\n" "只允许输出所选校对项对应的错误类型；未选类别即使发现问题也禁止修改和输出。" ) require_text = f"\n额外要求：{require}\n" if require else "" query = f""" 任务要求： {review_t} 校对范围： {scope_text} {require_text} 注意：只输出结构化校对结果（错误/原文/建议），每条结果的错误、原文、建议必须连续三行，三行之间不得有空行；建议只写修改后的正确文本；没有错误时只返回 ###\n###。 必须仅完整检查上方明确选中的校对项，禁止检查和输出未选类别。重复内容必须结合标题和上下文判断；删除局部重复内容时，原文必须带唯一上下文，建议必须返回删除后的完整上下文。同一片段中修改范围重叠的多类错误必须合并为一条。 待校对正文开始： {content} 待校对正文结束。 """.strip() combined_prompt = cotprompt(query, selected_types) return [ ChatCompletionUserMessageParam(role="user", content=combined_prompt), ] def length_convert(length: Optional[str]): """将篇幅解析为 {target, max}：target 为建议目标字数，max 为硬上限。""" if length == "短": return {"target": 700, "max": 1000} if length == "中": return {"target": 2500, "max": 3000} if length == "长": return {"target": 4500, "max": 5000} # 兜底：从自定义篇幅字符串里解析出最大字数 if length: nums = re.findall(r"\d+", length) if nums: max_chars = int(nums[-1]) return {"target": int(max_chars * 0.8), "max": max_chars} return None def length_display(length: Optional[str]) -> str: """模板 {length} 占位符用的字符串。""" info = length_convert(length) if info: return f"{info['target']}字左右（不超过{info['max']}字）" return length or "" def build_length_instruction(length: Optional[str]) -> str: """把 target/max 写进提示词：建议目标 + 硬上限 + 优先级。""" info = length_convert(length) if not info: return "" return ( f"全文建议写到{info['target']}字左右，绝对不得超过{info['max']}字；" "字数为硬性要求，不得注水或重复凑字数。" ) def normalize_words(words: List[str]) -> Set[str]: return {word.strip() for word in words if word and word.strip()} def find_keywords(text: str, keyword_set: Set[str]) -> List[str]: if not text or not keyword_set: return [] if ahocorasick is None: return [keyword for keyword in keyword_set if keyword in text] automaton = ahocorasick.Automaton() for idx, keyword in enumerate(keyword_set): automaton.add_word(keyword, (idx, keyword)) automaton.make_automaton() found = set() for _, (_, keyword) in automaton.iter(text): found.add(keyword) return list(found) def append_dictionary_results( items: List[dict], content: str, sensitive_words: Set[str], negative_words: Set[str], ) -> List[dict]: for word in find_keywords(content, sensitive_words): items.append({ "original": word, "error": "敏感词汇", "suggestion": "", }) for word in find_keywords(content, negative_words): items.append({ "original": word, "error": "错误词汇", "suggestion": "", }) return items def filter_positive_word_false_positives( items: List[dict], positive_words: Set[str], ) -> List[dict]: if not positive_words: return items result = [] for item in items: original = str(item.get("original", "")) suggestion = str(item.get("suggestion", "")) error = str(item.get("error", "")) has_positive_word = any(word in original for word in positive_words) changes_positive_word = any( word in original and word not in suggestion for word in positive_words ) is_typo_error = ( "错别字" in error or "错别词" in error or "错别词语" in error ) if changes_positive_word or (has_positive_word and is_typo_error): continue result.append(item) return result def dedupe_and_filter(items: List[dict], source_text: str) -> List[dict]: seen = set() result = [] for item in items: original = str(item.get("original", "")).strip() error = str(item.get("error", "")).strip() suggestion = str(item.get("suggestion", "")).strip() if not original: continue if original == suggestion: continue if original not in source_text: continue key = (original, error, suggestion) if key in seen: continue seen.add(key) result.append({ "original": original, "error": error, "suggestion": suggestion, }) return result # =============== 辅助函数 =============== def process_rag_prompt(rag_prompt: Any) -> str: """ 处理 rag_prompt 参数，将各种类型转换为字符串 Args: rag_prompt: 可以是字符串、列表、字典等任意类型 Returns: 处理后的字符串 """ if rag_prompt is None: return "" # 如果是字符串，直接返回 if isinstance(rag_prompt, str): return rag_prompt.strip() # 如果是列表，转换为多行字符串 if isinstance(rag_prompt, list): # 将列表中的每个元素转换为字符串，并用换行符连接 return "\n".join(str(item) for item in rag_prompt if item) # 如果是字典，转换为 JSON 字符串 if isinstance(rag_prompt, dict): try: return json.dumps(rag_prompt, ensure_ascii=False, indent=2) except Exception as e: logger.warning(f"rag_prompt 字典转换失败: {e}") return str(rag_prompt) # 其他类型，直接转换为字符串 return str(rag_prompt).strip()