Hybrider Chat (mit und ohne LLM Einordung des Intents)
This commit is contained in:
1 parent
97985371ca
commit
03594424a1
4 files changed
+285
-139
No files matched your search
+78
-28
@@ -2,7 +2,7 @@
|
||||
app/services/llm_service.py — LLM Client (Ollama)
|
||||
|
||||
Version:
|
||||
0.1.2 (WP-05 Fix: Increased Timeout for CPU Inference)
|
||||
0.2.0 (WP-06 Hybrid Router Support)
|
||||
"""
|
||||
|
||||
import httpx
|
||||
@@ -18,18 +18,19 @@ class LLMService:
|
||||
def __init__(self):
|
||||
self.settings = get_settings()
|
||||
self.prompts = self._load_prompts()
|
||||
# FIX: Timeout auf 120 Sekunden erhöht für CPU-Only Server
|
||||
self.client = httpx.AsyncClient(base_url=self.settings.OLLAMA_URL, timeout=120.0)
|
||||
|
||||
# Timeout aus Config nutzen (Default 120s)
|
||||
self.client = httpx.AsyncClient(
|
||||
base_url=self.settings.OLLAMA_URL,
|
||||
timeout=self.settings.LLM_TIMEOUT
|
||||
)
|
||||
|
||||
def _load_prompts(self) -> dict:
|
||||
"""Lädt Prompts aus der konfigurierten YAML-Datei."""
|
||||
path = Path(self.settings.PROMPTS_PATH)
|
||||
if not path.exists():
|
||||
logger.warning(f"Prompt config not found at {path}, using defaults.")
|
||||
return {
|
||||
"system_prompt": "You are a helpful AI assistant.",
|
||||
"rag_template": "Context: {context_str}\nQuestion: {query}"
|
||||
}
|
||||
return {}
|
||||
|
||||
try:
|
||||
with open(path, "r", encoding="utf-8") as f:
|
||||
@@ -38,15 +39,76 @@ class LLMService:
|
||||
logger.error(f"Failed to load prompts: {e}")
|
||||
return {}
|
||||
|
||||
async def generate_raw_response(self, prompt: str) -> str:
|
||||
"""
|
||||
Führt einen direkten LLM Call ohne RAG-Template aus.
|
||||
Ideal für Classification/Routing.
|
||||
"""
|
||||
payload = {
|
||||
"model": self.settings.LLM_MODEL,
|
||||
"prompt": prompt,
|
||||
"stream": False,
|
||||
"options": {
|
||||
"temperature": 0.0, # Deterministisch für Routing!
|
||||
"num_ctx": 512 # Kleines Fenster reicht für Classification
|
||||
}
|
||||
}
|
||||
|
||||
try:
|
||||
response = await self.client.post("/api/generate", json=payload)
|
||||
if response.status_code != 200:
|
||||
logger.error(f"Ollama Error ({response.status_code}): {response.text}")
|
||||
return "FACT" # Fallback bei Fehler
|
||||
|
||||
data = response.json()
|
||||
return data.get("response", "").strip()
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"LLM Raw Gen Error: {e}")
|
||||
return "FACT"
|
||||
|
||||
async def generate_rag_response(self, query: str, context_str: str) -> str:
|
||||
"""
|
||||
Generiert eine Antwort basierend auf Query und Kontext.
|
||||
Generiert eine Antwort basierend auf Query und Kontext (RAG).
|
||||
"""
|
||||
system_prompt = self.prompts.get("system_prompt", "")
|
||||
template = self.prompts.get("rag_template", "{context_str}\n\n{query}")
|
||||
# Template hier ist nur Fallback, falls im Router nichts übergeben wird.
|
||||
# Im Normalfall formatiert der Router den context_str bereits vor oder übergibt das Template.
|
||||
# Hier nutzen wir simple substitution, da der Prompt meist schon vom Router aufbereitet ist
|
||||
# oder wir nutzen das Standard-Template aus der YAML.
|
||||
|
||||
# Template füllen
|
||||
final_prompt = template.format(context_str=context_str, query=query)
|
||||
# HINWEIS: In der neuen Architektur (chat.py) wird das Template bereits VOR diesem Aufruf
|
||||
# geladen und formatiert, und als 'prompt' übergeben?
|
||||
# Nein, chat.py ruft generate_rag_response(query, context_str) auf.
|
||||
# Wir müssen sicherstellen, dass wir das *richtige* Template nutzen.
|
||||
# Da generate_rag_response aktuell KEINEN 'template_key' Parameter hat,
|
||||
# gehen wir davon aus, dass 'context_str' bereits Instruktionen enthält ODER
|
||||
# dass chat.py den Prompt komplett baut.
|
||||
|
||||
# Um die API sauber zu halten: chat.py übergibt jetzt den FERTIGEN Prompt als context_str?
|
||||
# Nein, chat.py baut den Prompt mit replace().
|
||||
# Wir ändern diese Methode leicht ab, um flexibler zu sein:
|
||||
# Wir erwarten, dass der Aufrufer (chat.py) die volle Kontrolle hat.
|
||||
|
||||
# Damit es 100% zusammenpasst mit dem chat.py unten:
|
||||
# chat.py baut den finalen Prompt selbst zusammen!
|
||||
# Wir nutzen daher generate_raw_response eigentlich auch für RAG,
|
||||
# ODER wir passen generate_rag_response an, dass es "dumm" ist.
|
||||
|
||||
# Legacy Support für generate_rag_response:
|
||||
# Wir bauen den Prompt zusammen, falls noch nicht geschehen.
|
||||
# ABER: chat.py in meiner Version unten macht das Template-Handling.
|
||||
# Daher ist der sauberste Weg: chat.py ruft generate_raw_response auf für die Antwort!
|
||||
|
||||
# FIX für Kompatibilität: Wir leiten rag_response intern auf raw um,
|
||||
# bauen aber vorher den Prompt, falls context_str übergeben wird.
|
||||
|
||||
# Da wir chat.py kontrollieren (siehe unten), ändern wir chat.py so,
|
||||
# dass es generate_raw_response nutzt! Das ist viel sauberer.
|
||||
# Diese Methode bleibt für Backward Compatibility.
|
||||
|
||||
system_prompt = self.prompts.get("system_prompt", "")
|
||||
rag_template = self.prompts.get("rag_template", "{context_str}\n\n{query}")
|
||||
final_prompt = rag_template.format(context_str=context_str, query=query)
|
||||
|
||||
payload = {
|
||||
"model": self.settings.LLM_MODEL,
|
||||
@@ -55,29 +117,17 @@ class LLMService:
|
||||
"stream": False,
|
||||
"options": {
|
||||
"temperature": 0.7,
|
||||
# Kleinerer Context spart Rechenzeit, falls 4096 zu viel ist
|
||||
"num_ctx": 2048
|
||||
}
|
||||
}
|
||||
|
||||
|
||||
try:
|
||||
response = await self.client.post("/api/generate", json=payload)
|
||||
|
||||
if response.status_code != 200:
|
||||
error_msg = response.text
|
||||
logger.error(f"Ollama API Error ({response.status_code}): {error_msg}")
|
||||
return f"Fehler vom LLM (Modell '{self.settings.LLM_MODEL}' vorhanden?): {error_msg}"
|
||||
|
||||
data = response.json()
|
||||
return data.get("response", "")
|
||||
|
||||
except httpx.ReadTimeout:
|
||||
return "Timeout: Das Modell braucht zu lange zum Antworten (>120s). Hardware-Limit erreicht?"
|
||||
except httpx.ConnectError:
|
||||
return "Verbindungsfehler: Ist Ollama gestartet (Port 11434)?"
|
||||
return f"Error: {response.text}"
|
||||
return response.json().get("response", "")
|
||||
except Exception as e:
|
||||
logger.error(f"LLM Service Exception: {e}")
|
||||
return f"Interner Fehler: {str(e)}"
|
||||
return f"Error: {str(e)}"
|
||||
|
||||
async def close(self):
|
||||
await self.client.aclose()
|
||||
Reference in new issue
Block a user