lawafterfiity

GLM法律大模型挑战赛后会无期解题方案

解题方案

思路一: 代码生成

将API 调用封装为可执行代码，由模型生成调用取数及处理的pytho 代码，获取回答问题所需的必要数据，然后由模型根据问题及相关数据生成答案

具体步骤如下：

• 第一步 核心要素提取
  通过大模型提取问题中的核心要素， 同时对问题中可能存在的输入错误进行修复，以及提取问题中隐藏的数据

• 第二步 涉及数据表范围分析
  将问题、核心要素、数据表结构 提供给模型由模型确认回答问题需要依赖哪些表的数据，并基于数据表的标准字段改写问句

• 第三步 生成取数代码
  根据核心要素字段及涉及的数据表 确定回答问题需要调用API范围(精简上下文，大部分情况问题都只需要一部分API)，并提供API 调用说明 然后由模型生成pytho取数代码，为简化生成代码，基于取数API cliet 封装取数工程factory对象(非大宽表形式)，统一入参为 方法名+取数条件， 统一返回值为DataFrame对象

  def query(self,fuctio: str, coditios: dict) -> DataFrame:
     pass

为便于代码中记录数据提供封装好的数据收集器collect

  collect.record(ame:str,value) 
  collect.record_error("错误信息") 

• 第四步 执行代码获取数据
• 第五步 根据问题和代码执行结果，由模型生成问题答案

思路二: fuctio call aget

思路二逻辑上更简单，及通过Fuctio call 能力实现aget ，将所有接口封装为fuctio和问题一起传入模型，由模型选择调用方法迭代执行，并生成回答

工程实现

工程实现上更侧重于思路一，同时将思路二作为备选，在思路一无法回答时，切换到思路二

其中 思路一第一步 核心要素提取 对应代码 CoreElemetAalyze 思路一第二步 涉及数据表范围分析 对应代码 TableRageAalyze 思路一第三、四、五步 生成取数代码、执行代码、生成代码整体封装为 对应代码 DyamicCodeAswerStep 思路二 fuctio call 封装为FuctioCallAswerStep

对应整体执行pipelie 声明如下，每个step 依次执行

pipelie = Pipelie(steps=[CoreElemetAalyze(self.fusio),TableRageAalyze(self.fusio), DyamicCodeAswerStep(self.fusio, FuctioCallAswerStep())])

代码说明：

.
├── README.md
├── README_A榜.md
├── aget  
│   ├── chat_router.py
│   └── create_aget.py
├── apis
│   ├── __iit__.py
│   ├── aget_fuctio_defied.py           提供给fuctio call aget 调用的方法定义，依赖law_b_api_cliet 
│   ├── law_a_api_cliet.py                 A 榜的API封装,  包括API调用，字段、方法重命名等逻辑
│   ├── law_a_api_cliet_test.py
│   ├── law_b_api_cliet.py                 B 榜的API封装,  包括API调用，字段、方法重命名等逻辑
│   └── law_b_api_cliet_test.py
├── commo                                  业务逻辑无关公共方法、框架
│   ├── log.py
│   ├── piplie.py                          执行pipelie 框架定义
│   └── task.py                             任务处理器封装
├── data                                    问题数据目录
├── debug                                   生成结果及中间调试输出目录
├── few-shot-prompt.yaml                    prompt配置
├── law_pipelie_a.py
├── law_pipelie_b.py                       ??? B榜单问题处理执行入口
├── llm
│   ├── aget.py
│   ├── llm.py                              对模型原始调用的封装
│   ├── prompt.py                           提供few-shot 提示词管理
│   ├── prompt_fusio.py                    LLM+提示词融合服务
│   ├── prompt_fusio_test.py
│   ├── prompt_test.py
│   ├── router_chai.py
│   └── tools.py
├── mai.py                                 ??? 全问题处理执行入口
├── piplie
│   └── step
│       ├── dyamic_code_aswer_step.py     ??? 生成代码组合答案 核心step 流程
│       └── law_steps.py                    ??? 其他step 定义
├── requiremets.txt
├── result
├── result_aalyze.py                       生成结果处理函数
├── table_schema.jso
├── tools
└── utils
    └── utils.py

其他补充

1. 对于模型输出jso 不稳定， 通过fix_jso prompt由模型进行修复
2. 对于生成代码失败或未成功取数逻辑 通过将代码和失败原因传入模型进行修复
3. table_schema.jso 中提供数据表定义、别名定义、方法重命名、

lawafternfinity GLM法律大模型挑战赛后会无期解题方案 解题方案 思路一: 代码生成 将API 调用封装为可执行代码，由模型生成调用取数及处理的python 代码，获取回答问题所需的必