LLM 处理模块¶

def build_document_prompt(ocr_text):
    """构建文档处理的提示"""
    # 从 prompts.py 获取文档处理提示模板
    prompt_template = DOCUMENT_PROMPT_TEMPLATE

    # 将 OCR 文本插入提示模板
    prompt = prompt_template.format(document_text='\n'.join(ocr_text))

    return prompt

def build_form_prompt(ocr_text):
    """构建表单处理的提示"""
    # 从 prompts.py 获取表单处理提示模板
    prompt_template = FORM_PROMPT_TEMPLATE

    # 将 OCR 文本插入提示模板
    prompt = prompt_template.format(form_text='\n'.join(ocr_text))

    return prompt

def build_form_filling_prompt(ocr_text, user_data):
    """构建表单填充的提示"""
    # 从 prompts.py 获取表单填充提示模板
    prompt_template = FORM_FILLING_PROMPT_TEMPLATE

    # 将 OCR 文本和用户数据插入提示模板
    prompt = prompt_template.format(
        form_text='\n'.join(ocr_text),
        user_data=json.dumps(user_data, ensure_ascii=False)
    )

    return prompt

def call_llm_api(prompt, max_tokens=4096):
    """调用 LLM API 处理提示"""
    try:
        # 调用智谱 AI 的 API
        response = zhipuai.model_api.invoke(
            model="chatglm_pro",
            prompt=prompt,
            temperature=0.7,
            max_tokens=max_tokens
        )

        # 检查响应状态
        if response['code'] == 200:
            return response['data']['choices'][0]['content']
        else:
            raise Exception(f"LLM API 调用失败: {response['msg']}")
    except Exception as e:
        raise Exception(f"LLM API 调用异常: {str(e)}")

def parse_document_result(llm_response):
    """解析文档处理的 LLM 响应"""
    try:
        # 尝试解析 JSON 格式的响应
        if llm_response.strip().startswith('{') and llm_response.strip().endswith('}'):
            return json.loads(llm_response)

        # 尝试提取 JSON 部分
        json_match = re.search(r'```json\s*([\s\S]*?)\s*```', llm_response)
        if json_match:
            json_str = json_match.group(1)
            return json.loads(json_str)

        # 如果无法解析为 JSON，返回原始文本
        return {"text": llm_response, "parsed": False}
    except Exception as e:
        # 解析失败，返回错误信息和原始响应
        return {
            "error": f"解析失败: {str(e)}",
            "raw_response": llm_response,
            "parsed": False
        }

def parse_form_result(llm_response):
    """解析表单处理的 LLM 响应"""
    # 类似于 parse_document_result，但针对表单结果
    # ...

def parse_form_filling_result(llm_response):
    """解析表单填充的 LLM 响应"""
    # 类似于 parse_document_result，但针对表单填充结果
    # ...

def format_document_result(parsed_result):
    """格式化文档处理结果"""
    # 确保结果包含必要的字段
    result = {
        "title": parsed_result.get("title", "未知标题"),
        "content": parsed_result.get("content", {}),
        "metadata": {
            "processed_at": int(time.time()),
            "source": "document_processing"
        }
    }

    return result

def format_form_result(parsed_result):
    """格式化表单处理结果"""
    # 类似于 format_document_result，但针对表单结果
    # ...

def format_form_filling_result(parsed_result):
    """格式化表单填充结果"""
    # 类似于 format_document_result，但针对表单填充结果
    # ...

你是一个专业的文档分析助手。请分析以下文档内容，提取关键信息并按照指定格式输出。

文档内容：
{document_text}

请提供以下信息：
1. 文档标题
2. 文档类型（如：报告、合同、通知等）
3. 主要内容摘要
4. 关键日期和数字
5. 重要人名和机构

请以JSON格式输出结果，包含以下字段：
- title: 文档标题
- document_type: 文档类型
- summary: 内容摘要（100-200字）
- key_dates: 关键日期列表，每项包含date（日期）和context（上下文）
- key_figures: 关键数字列表，每项包含figure（数字）和context（上下文）
- key_entities: 重要人名和机构列表，每项包含name（名称）和role（角色）

你是一个专业的表单分析助手。请分析以下表单内容，提取所有字段及其值。

表单内容：
{form_text}

请执行以下任务：
1. 识别表单的类型和标题
2. 提取所有字段名称和对应的值
3. 对字段进行分类（个人信息、联系方式、其他信息等）

请以JSON格式输出结果，包含以下字段：
- form_title: 表单标题
- form_type: 表单类型
- fields: 字段列表，每个字段包含：
  - name: 字段名称
  - value: 字段值
  - category: 字段类别
- metadata: 表单元数据，包含表单ID、日期等信息（如果有）

你是一个专业的表单填充助手。请根据用户提供的信息，填充以下表单。

表单内容：
{form_text}

用户信息：
{user_data}

请执行以下任务：
1. 分析表单结构，识别所有需要填写的字段
2. 将用户提供的信息与表单字段进行匹配
3. 对于缺失的必填字段，标记为"缺失"
4. 对于可以推断的字段，尝试合理推断

请以JSON格式输出结果，包含以下字段：
- form_title: 表单标题
- filled_fields: 已填充的字段列表，每个字段包含：
  - name: 字段名称
  - value: 填充的值
  - source: 值的来源（"user_provided", "inferred", "default"）
- missing_fields: 缺失的必填字段列表
- complete: 表单是否完整填写（布尔值）