feat: async search 一并返回提取的结果

app/utils/milvus_utils.py

@@ -1,13 +1,15 @@
 import asyncio
 from typing import List, Optional
 
+from langchain_core.output_parsers import StrOutputParser
+from langchain_core.prompts import ChatPromptTemplate
 from llama_index.core import Document, VectorStoreIndex
 from llama_index.core.vector_stores import MetadataFilters, MetadataFilter, FilterOperator
 from llama_index.vector_stores.milvus import MilvusVectorStore
 from pydantic import BaseModel, Field
 
 from app.config.env import env
-from app.utils.llm_utils import create_embeddings
+from app.utils.llm_utils import create_embeddings, create_llm
 from app.utils.nltk_utils import load_nltk
 
 
@@ -47,7 +49,7 @@ class MilvusService:
 
   # 检查Milvus连接是否正常
   async def check_milvus_connection(self):
-    await self.async_search("hello")
+    await self.async_search(KnowledgeQueryParam(question="hello", kb_code=""))
     print("✅ Milvus connection successful：", f"Milvus://{env.milvus_username}:{env.milvus_password}@{env.milvus_uri}/{env.llama_index_database}/{env.llama_index_collection}")
 
   async def async_create_index_from_documents(self, documents: List[Document]) -> VectorStoreIndex:
@@ -86,11 +88,36 @@ class MilvusService:
 
     result_nodes = await retriever.aretrieve(param.question)
 
-    # 异步执行查询
+    chain = ChatPromptTemplate.from_template("""
-    # response = await query_engine.aquery(query)
+        你将收到一个用户问题和一组来自LlamaIndex的检索结果。你的任务是：
+        1. 分析检索结果内容
+        2. 提取与用户问题直接相关的信息片段
+        3. 基于这些相关信息生成准确、简洁且有帮助的回答
+
+        用户问题如下<question/>标签中的内容所示：
+        <question>
+        {question}
+        </question>
+
+        检索结果如下<context/>标签中的内容所示：
+        <context>
+        {context}
+        </context>
+
+        处理要求：
+        - 仅关注检索结果中与用户问题直接相关的内容
+        - 忽略任何无关或关联性较弱的信息
+        - 如果检索结果中没有相关信息，请明确回答："在提供的资料中未找到相关信息"
+        - 不要添加检索结果之外的额外知识
+        - 回答时优先使用检索结果中的原文表述
+      """) | create_llm() | StrOutputParser()
+
+    chain_input = {"context": "\n".join([node.node.text for node in result_nodes]), "question": param.question}
+    print("chain_input", chain_input)
+    relative_content = await chain.ainvoke(chain_input)
 
     return {
-      # "answer": str(response),
+      "answer": relative_content,
       "sources": [
         {
           "text": node.node.text,