LangChain/app/chains/qa_chain.py

from app.chains.base_chain import BaseChain
from app.core.logger import logger
from app.core.config import settings
from typing import List, Dict, Optional

class QAChain(BaseChain):
    """
    问答链类，继承自基础链，专门用于处理问答任务
    
    该类使用预定义的提示模板来格式化问题，并通过基础链获取回答
    """
    
    def __init__(self, model_name: str = None, temperature: float = None):
        """
        初始化问答链
        
        Args:
            model_name (str, optional): 使用的模型名称，默认使用配置中的值
            temperature (float, optional): 模型温度参数，控制输出的随机性，默认使用配置中的值
        """
        super().__init__(
            model_name=model_name or settings.DEFAULT_MODEL,
            temperature=temperature or settings.TEMPERATURE
        )
        logger.info("初始化问答链，创建提示模板")
        self.chain = self.create_chain(
            template="""你是一个有帮助的AI助手。请根据以下对话历史回答问题：

            历史对话:
            {chat_history}
            
            当前问题: {question}
            
            回答:""",
            input_variables=["question", "chat_history"]
        )
    
    def answer(self, question: str, chat_history: Optional[List[Dict[str, str]]] = None) -> str:
        """
        获取问题的回答
        
        Args:
            question (str): 用户的问题
            chat_history (List[Dict[str, str]], optional): 聊天历史记录
            
        Returns:
            str: 模型的回答
        """
        logger.info(f"处理问题: {question}")
        
        # 格式化聊天历史
        formatted_history = ""
        if chat_history:
            formatted_history = "\n".join([
                f"{'用户' if msg['role'] == 'user' else 'AI'}: {msg['content']}"
                for msg in chat_history
            ])
        
        # 运行链
        answer = self.run(self.chain, {
            "question": question,
            "chat_history": formatted_history
        })
        
        logger.info(f"生成回答完成，长度: {len(answer)}")
        return answer