串联 langchain 开放的的深度搜索提示词

为了串联项目执行流程并翻译提示词指令，我们需要根据prompts.py文件中的内容来详细描述每一步的执行流程及其对应的提示词指令。

项目执行流程及对应提示词指令

1. 生成搜索查询以帮助计划报告

• Eingabeaufforderung:

  report_planner_query_writer_instructions = """
  你是一名专家技术写手，正在帮助计划一份报告。
  <报告主题>
  {topic}
  </报告主题>
  <报告组织>
  {report_organization}
  </报告组织>
  <任务>
  你的目标是生成 {number_of_queries} 个搜索查询，以帮助收集全面的信息来规划报告部分。
  这些查询应当：
  1. 与报告主题相关
  2. 帮助满足报告组织中规定的要求
  使查询足够具体，以找到高质量、相关的资源，同时覆盖报告结构所需的广度。
  </任务>
  """
  

2. 生成报告计划

• Eingabeaufforderung:

  report_planner_instructions = """
  我需要一个报告计划。
  <任务>
  生成一个报告部分的列表。
  每个部分应当包含以下字段：
  - 名称 - 报告部分的名称。
  - 描述 - 本部分涵盖的主要主题的简要概述。
  - 研究 - 是否需要为本部分报告进行网络研究。
  - 内容 - 本部分的内容，现在可以留空。
  例如，介绍和结论将不需要研究，因为它们将从报告的其他部分提炼信息。
  </任务>
  <主题>
  报告的主题是：
  {topic}
  </主题>
  <报告组织>
  报告应遵循此组织：
  {report_organization}
  </报告组织>
  <上下文>
  以下是用于规划报告部分的上下文：
  {context}
  </上下文>
  <反馈>
  以下是对报告结构的审查反馈（如果有）：
  {feedback}
  </反馈>
  """
  

3. 编写搜索查询

• Eingabeaufforderung:

  query_writer_instructions = """
  你是一名专家技术写手，正在编写有针对性的网络搜索查询，以收集撰写技术报告部分的全面信息。
  <部分主题>
  {section_topic}
  </部分主题>
  <任务>
  你的目标是生成 {number_of_queries} 个搜索查询，以帮助收集有关本部分主题的全面信息。
  这些查询应当：
  1. 与主题相关
  2. 检查该主题的不同方面
  使查询足够具体，以找到高质量、相关的资源。
  </任务>
  """
  

4. 撰写报告部分

• Eingabeaufforderung:

  section_writer_instructions = """
  你是一名专家技术写手，正在撰写技术报告的一个部分。
  <部分主题>
  {section_topic}
  </部分主题>
  <现有部分内容（如果已填写）>
  {section_content}
  </现有部分内容>
  <源材料>
  {context}
  </源材料>
  <撰写指南>
  1. 如果现有部分内容未填写，则从头撰写新的部分。
  2. 如果现有部分内容已填写，请撰写一个新的部分，将现有内容与新信息综合起来。
  <长度和风格>
  - 严格限制在150-200字
  - 不使用营销语言
  - 技术重点
  - 使用简单、清晰的语言
  - 用**加粗**的最重要的见解开头
  - 使用简短的段落（每段最多2-3句话）
  - 使用 ## 作为部分标题（Markdown格式）
  - 仅在有助于澄清观点时使用一个结构元素：
  * 要么是比较2-3个关键项目的集中表格（使用Markdown表格语法）
  * 要么是使用正确的Markdown列表语法的简短列表（3-5项）：
  - 使用 `*` 或 `-` 表示无序列表
  - 使用 `1.` 表示有序列表
  - 确保正确的缩进和间距
  - 以参考以下源材料的###来源结束：
  * 列出每个来源的标题、日期和URL
  * 格式：`- 标题 : URL`
  </长度和风格>
  <质量检查>
  - 恰好150-200字（不包括标题和来源）
  - 仔细使用一个结构元素（表格或列表），仅在有助于澄清观点时
  - 一个具体的例子/案例研究
  - 以加粗见解开头
  - 在创建部分内容之前不作任何序言
  - 在结尾引用来源
  </质量检查>
  """
  

5. 评估报告部分

• Eingabeaufforderung:

  section_grader_instructions = """
  审核相对于指定主题的报告部分：
  <部分主题>
  {section_topic}
  </部分主题>
  <部分内容>
  {section}
  </部分内容>
  <任务>
  评估该部分是否通过检查技术准确性和深度，充分涵盖了主题。
  如果该部分未满足任何标准，请生成具体的后续搜索查询以收集缺失的信息。
  </任务>
  <格式>
  grade: Literal["pass","fail"] = Field(
  description="评估结果，指示响应是否符合要求（'通过'）或需要修订（'失败'）。"
  )
  follow_up_queries: List[SearchQuery] = Field(
  description="后续搜索查询列表。",
  )
  </格式>
  """
  

6. 撰写最终的报告部分

• Eingabeaufforderung:

  final_section_writer_instructions = """
  你是一名专家技术写手，正在撰写综合报告其他部分信息的部分。
  <部分主题>
  {section_topic}
  </部分主题>
  <可用报告内容>
  {context}
  </可用报告内容>
  <任务>
  1. 部分特定方法：
  对于介绍：
  - 使用 # 作为报告标题（Markdown格式）
  - 50-100字限制
  - 使用简单和清晰的语言
  - 重点介绍报告的核心动机，1-2段
  - 使用清晰的叙述弧线介绍报告
  - 不使用任何结构元素（无列表或表格）
  - 不需要来源部分
  对于结论/总结：
  - 使用 ## 作为部分标题（Markdown格式）
  - 100-150字限制
  - 对于比较报告：
  * 必须包含使用Markdown表格语法的集中比较表
  * 表格应提炼报告中的见解
  * 保持表格条目清晰简洁
  - 对于非比较报告：
  * 仅在有助于提炼报告中的要点时使用一个结构元素：
  * 要么是比较报告中项目的集中表格（使用Markdown表格语法）
  * 要么是使用正确的Markdown列表语法的简短列表：
  - 使用 `*` 或 `-` 表示无序列表
  - 使用 `1.` 表示有序列表
  - 确保正确的缩进和间距
  - 以具体的下一步或影响结束
  - 不需要来源部分
  3. 撰写方法：
  - 使用具体细节而非一般陈述
  - 每个字都要有意义
  - 重点突出最重要的一点
  </任务>
  <质量检查>
  - 对于介绍：50-100字限制，# 作为报告标题，无结构元素，无来源部分
  - 对于结论：100-150字限制，## 作为部分标题，仅使用一个结构元素，无来源部分
  - Markdown格式
  - 不在响应中包含字数或任何序言
  </质量检查>
  """
  

串联执行流程

1. 初始化（Start）

• Einfuhr ：用户提供的主题，例如“AI推理市场的概述，重点是Fireworks、Together.ai、Groq”。
• 过程 ：系统初始化状态，将主题存储为状态的一部分，无需AI模型调用。
• Ausfuhren ：包含主题的状态，供后续步骤使用。

2. 规划（Planning）

• Einfuhr ：包含主题的状态。
• 过程 ：使用规划模型（如默认OpenAI o3-mini或Groq的deepseek-r1-distill-llama-70b）生成研究计划。提示词为：“给定主题[主题]，创建研究计划，分解为子主题，遵循报告结构：引言、主体部分和结论。”
• Ausfuhren ：状态更新为包含研究计划（子主题列表），例如“1. AI推理市场的定义；2. Fireworks的角色；3. Gemeinsam.ai的案例分析”等。
• 提示词来源 ：从configuration.py的DEFAULT_REPORT_STRUCTURE推测，结构包括引言、主体部分和结论，主体部分需涵盖关键概念、定义和实例。

3. 查询生成（Query Generation）

• Einfuhr ：包含研究计划的状态。
• 过程 ：使用AI模型为每个子主题生成搜索查询，提示词为：“对于[研究计划]中的每个子主题，生成[number_of_queries]个搜索查询以查找相关信息。”默认number_of_queries为2。
• Ausfuhren ：状态更新为包含搜索查询列表，例如“AI推理市场定义 2023”、“Fireworks AI服务案例”等。
• 提示词来源 ：从项目文档中提到可配置查询数量，假设提示词为生成查询的通用形式。

4. 网页搜索（Web Search）

• Einfuhr ：包含搜索查询的状态。
• 过程 ：使用搜索API（如默认Tavily）执行每个查询，获取网页搜索结果。无AI模型调用，直接通过工具执行。
• Ausfuhren ：状态更新为包含搜索结果（URL或片段列表），例如Tavily返回的网页摘要。
• Technische Einzelheiten ：依赖tavily-python>=0.5.0，需配置TAVILY_API_KEY。

5. 数据处理（Data Processing）

• Einfuhr ：包含搜索结果的状态。
• 过程 ：使用AI模型总结每个子主题的搜索结果，提示词为：“总结每个子主题的搜索结果信息。”
• Ausfuhren ：状态更新为包含处理数据（摘要），例如“AI推理市场定义：指使用AI模型进行实时预测的行业，2023年增长迅速。”
• 提示词来源 ：假设为总结任务的通用提示，基于项目目标为生成报告。

6. 报告撰写（Report Writing）

• Einfuhr ：包含处理数据的状态。
• 过程 ：使用撰写模型（如默认Anthropic Claude 3.5 Sonnet）根据处理数据撰写报告部分，提示词为：“使用处理数据为每个子主题撰写报告部分，遵循报告结构。”
• Ausfuhren ：状态更新为包含报告部分，例如“引言：AI推理市场是AI应用的重要领域；主体部分1：Fireworks提供高效推理服务，案例包括云端部署。”
• 提示词来源 ：结合DEFAULT_REPORT_STRUCTURE，报告需包括概述、关键概念和实例。

7. 反思（Reflection）

• Einfuhr ：包含报告部分的状态。
• 过程 ：使用AI模型审查报告，决定是否需要更多研究，提示词为：“审查报告部分，识别任何差距或需要更多研究的领域。如果需要更多研究，建议新的子主题或查询。”
• Ausfuhren ：状态更新为包含迭代决定（例如需要更多研究）或最终报告。如果需要迭代，输出新的子主题或查询建议。
• 提示词来源 ：从项目文档提到支持反射和迭代，假设提示词为审查和建议的通用形式。

8. 输出（Output）

• Einfuhr ：包含最终报告的状态（当Reflection决定报告完成）。
• 过程 ：编译所有报告部分，生成Markdown格式的最终报告，无AI模型调用。
• Ausfuhren ：最终报告，例如完整的Markdown文档，供用户下载或查看。