neue chunker strategie mit smart chunking
This commit is contained in:
1 parent
49cdc9a13f
commit
cd28a9d35c
4 files changed
+329
-487
No files matched your search
@@ -1,136 +1,87 @@
|
||||
"""
|
||||
app/services/semantic_analyzer.py
|
||||
Kapselt die LLM-Strategie für Chunking und Kanten-Extraktion.
|
||||
app/services/semantic_analyzer.py — Edge Validation & Filtering
|
||||
Der Service ist nun primär dafür zuständig, Kanten aus einer Liste dem gegebenen Chunk zuzuordnen.
|
||||
"""
|
||||
|
||||
import json
|
||||
import logging
|
||||
import re
|
||||
from typing import List, Dict, Any, Optional
|
||||
from dataclasses import dataclass
|
||||
|
||||
# Import der benötigten Services (Annahme: llm_service und discovery sind verfügbar.)
|
||||
# Import der benötigten Services (Annahme: llm_service ist verfügbar.)
|
||||
from app.services.llm_service import LLMService
|
||||
from app.services.discovery import DiscoveryService
|
||||
|
||||
logger = logging.getLogger(__name__)
|
||||
|
||||
@dataclass
|
||||
class SemanticChunkResult:
|
||||
content: str
|
||||
suggested_edges: List[str] # Format: "kind:Target"
|
||||
# Ein Singleton-Muster für den Analyzer (wie zuvor)
|
||||
_analyzer_instance: Optional['SemanticAnalyzer'] = None
|
||||
|
||||
def get_semantic_analyzer():
|
||||
global _analyzer_instance
|
||||
if _analyzer_instance is None:
|
||||
_analyzer_instance = SemanticAnalyzer()
|
||||
return _analyzer_instance
|
||||
|
||||
class SemanticAnalyzer:
|
||||
def __init__(self):
|
||||
# Der DiscoveryService wird hier nicht mehr direkt benötigt.
|
||||
self.llm = LLMService()
|
||||
self.discovery = DiscoveryService()
|
||||
self.MAX_CONTEXT_TOKENS = 3000
|
||||
|
||||
async def analyze_and_chunk(self, text: str, source_type: str) -> List[SemanticChunkResult]:
|
||||
async def filter_edges_for_chunk(self, chunk_text: str, all_note_edges: List[str], note_type: str) -> List[str]:
|
||||
"""
|
||||
Zerlegt Text mittels LLM in semantische Abschnitte und extrahiert Kanten.
|
||||
[Schritt 4 des Workflows] Sendet Chunk und alle Kanten an LLM, um die relevanten Kanten für diesen Chunk zu filtern.
|
||||
:param chunk_text: Der Text des Chunks zur Analyse.
|
||||
:param all_note_edges: Alle für die gesamte Notiz gefundenen Kanten (Format: "kind:Target").
|
||||
:param note_type: Der Typ der Notiz.
|
||||
:return: Liste der relevanten Kanten für diesen Chunk.
|
||||
"""
|
||||
system_prompt = (
|
||||
"Du bist ein Knowledge Graph Experte. Deine Aufgabe ist es, Rohtext in "
|
||||
"thematisch geschlossene Abschnitte (Chunks) zu zerlegen.\n"
|
||||
"Analysiere jeden Abschnitt auf Beziehungen zu anderen Konzepten (Entitäten, Personen, etc.).\n"
|
||||
"Antworte AUSSCHLIESSLICH mit validem JSON in diesem Format:\n"
|
||||
"[\n"
|
||||
" {\n"
|
||||
" \"content\": \"Der Text des Abschnitts...\",\n"
|
||||
" \"relations\": [{\"target\": \"Entität X\", \"type\": \"related_to\"}]\n"
|
||||
" }\n"
|
||||
"]\n"
|
||||
"Halte die Chunks mittellang (ca. 100-300 Wörter). Verändere den Inhalt nicht, nur die Struktur."
|
||||
)
|
||||
if not all_note_edges:
|
||||
return []
|
||||
|
||||
edge_list_str = "\n".join([f"- {e}" for e in all_note_edges])
|
||||
|
||||
user_prompt = f"Dokument-Typ: {source_type}\n\nTEXT:\n{text}"
|
||||
system_prompt = (
|
||||
"Du bist ein Edge Filter Agent. Deine Aufgabe ist es, aus einer gegebenen Liste von potentiellen "
|
||||
"Knowledge Graph Kanten (Edges) jene auszuwählen, die *semantisch relevant* für den vorliegenden "
|
||||
"Textausschnitt sind. Alle Kanten beziehen sich auf die Hauptnotiz.\n"
|
||||
"Antworte AUSSCHLIESSLICH mit einer validen JSON-Liste von Kanten-Strings, die im Text direkt erwähnt oder "
|
||||
"klar impliziert werden. Es ist KEIN Array von Objekten, sondern ein Array von Strings.\n"
|
||||
"Format: [\"kind:Target\", \"kind:Target\", ...]\n"
|
||||
"Wähle nur Kanten, die der Chunk *aktiv* benötigt oder referenziert."
|
||||
)
|
||||
|
||||
user_prompt = (
|
||||
f"Notiz-Typ: {note_type}\n"
|
||||
f"Textausschnitt:\n---\n{chunk_text}\n---\n\n"
|
||||
f"Gesamte Kanten der Notiz (AUSWAHL):\n{edge_list_str}\n\n"
|
||||
"Welche der oben genannten Kanten sind für diesen Textabschnitt relevant? Liste sie im JSON-Array auf."
|
||||
)
|
||||
|
||||
try:
|
||||
# 2. LLM Call (Async)
|
||||
# 1. LLM Call
|
||||
response_json = await self.llm.generate_raw_response(
|
||||
user_prompt,
|
||||
system=system_prompt,
|
||||
force_json=True
|
||||
)
|
||||
|
||||
# 3. JSON Parsing & Validierung
|
||||
# 2. Robustes JSON Parsing
|
||||
clean_json = response_json.replace("```json", "").replace("```", "").strip()
|
||||
data = json.loads(clean_json)
|
||||
|
||||
# FIX: Typsicherheit auf der Wurzel
|
||||
if isinstance(data, dict):
|
||||
# LLM hat ein Einzelobjekt geliefert -> wandle es in ein Array
|
||||
data = [data]
|
||||
elif not isinstance(data, list):
|
||||
logger.error("SemanticAnalyzer: JSON root ist weder Array noch Objekt. Fehlerhafte LLM-Antwort.")
|
||||
raise ValueError("Root element is not a list or dictionary.")
|
||||
|
||||
results = []
|
||||
for item in data:
|
||||
# Typsicherheit auf Item-Ebene
|
||||
if not isinstance(item, dict):
|
||||
logger.warning(f"SemanticAnalyzer: Ungültiges Chunk-Element ignoriert: {item}")
|
||||
continue
|
||||
|
||||
content = item.get("content", "").strip()
|
||||
if not content: continue
|
||||
|
||||
raw_rels = item.get("relations", [])
|
||||
refined_edges = []
|
||||
|
||||
for rel in raw_rels:
|
||||
# Typsicherheit auf Relation-Ebene
|
||||
if not isinstance(rel, dict):
|
||||
logger.warning(f"SemanticAnalyzer: Ignoriere ungültige Relation: {rel}")
|
||||
continue
|
||||
|
||||
target = rel.get("target")
|
||||
raw_type = rel.get("type", "related_to")
|
||||
|
||||
if target:
|
||||
# 1. Typ-Auflösung (für Matrix)
|
||||
target_entity_type = self._get_target_type_from_title(target)
|
||||
|
||||
# 2. Matrix-Logik anwenden:
|
||||
final_kind = self.discovery._resolve_edge_type(source_type, target_entity_type)
|
||||
|
||||
# 3. Priorisierung: Wählt den Matrix-Vorschlag, wenn er spezifischer ist.
|
||||
if final_kind not in ["related_to", "references"] and target_entity_type != "concept":
|
||||
edge_str = f"{final_kind}:{target}"
|
||||
else:
|
||||
edge_str = f"{raw_type}:{target}"
|
||||
|
||||
refined_edges.append(edge_str)
|
||||
|
||||
results.append(SemanticChunkResult(content=content, suggested_edges=refined_edges))
|
||||
|
||||
return results
|
||||
|
||||
except json.JSONDecodeError:
|
||||
logger.error("SemanticAnalyzer: LLM lieferte KEIN valides JSON. Fallback auf Raw Text.")
|
||||
return [SemanticChunkResult(content=text, suggested_edges=[])]
|
||||
except Exception as e:
|
||||
logger.error(f"SemanticAnalyzer Unbehandelter Fehler: {e}")
|
||||
return [SemanticChunkResult(content=text, suggested_edges=[])]
|
||||
|
||||
# NEU: Helper zur Abfrage des Typs (muss die bestehenden Funktionen nutzen)
|
||||
def _get_target_type_from_title(self, title: str) -> str:
|
||||
"""Simuliert den Abruf des Notiztyps basierend auf dem Titel aus dem Index (für Matrix-Logik)."""
|
||||
|
||||
title_lower = title.lower()
|
||||
|
||||
if "leitbild-werte" in title_lower or "integrität" in title_lower:
|
||||
return "value"
|
||||
if "leitbild-prinzipien" in title_lower:
|
||||
return "principle"
|
||||
if "leitbild-rollen" in title_lower:
|
||||
return "profile"
|
||||
if "leitbild-rituale-system" in title_lower:
|
||||
return "concept"
|
||||
if isinstance(data, list):
|
||||
# Filtere nach Strings, die den Doppelpunkt enthalten, um das Format "kind:Target" zu garantieren.
|
||||
return [s for s in data if isinstance(s, str) and ":" in s]
|
||||
|
||||
return "concept"
|
||||
logger.warning(f"SemanticAnalyzer: LLM lieferte non-list beim Edge-Filtern: {data}")
|
||||
return []
|
||||
|
||||
except json.JSONDecodeError as e:
|
||||
logger.error(f"SemanticAnalyzer: LLM lieferte KEIN valides JSON beim Edge-Filtern: {e}")
|
||||
return []
|
||||
except Exception as e:
|
||||
logger.error(f"SemanticAnalyzer Unbehandelter Fehler beim Edge-Filtern: {e}")
|
||||
return []
|
||||
|
||||
async def close(self):
|
||||
# Stellt sicher, dass der AsyncClient geschlossen wird (gute Praxis)
|
||||
if self.llm:
|
||||
await self.llm.close()
|
||||
Reference in new issue
Block a user