d3cec2a5b9
✨ feat(agent): 新增智能排程 Agent 全链路 + ReAct 精排引擎 🏗️ 智能排程 Graph 编排（阶段 1 基础链路） - 新增 scheduleplan 包：state / tool / prompt / nodes / runner / graph 六件套 - 实现 plan → preview → materialize → apply → reflect → finalize 完整图编排 - 通过函数注入解耦 agent 层与 service 层，避免循环依赖 - 路由层新增 schedule_plan 动作，复用现有 SSE + 持久化链路 🧠 ReAct 精排引擎（阶段 1.5 语义化微调） - 粗排后构建"混合日程"（既有课程 + 建议任务），统一为 HybridScheduleEntry - LLM 开启深度思考，通过 Swap / Move / TimeAvailable / GetAvailableSlots 四个 Tool 在内存中优化任务时间 - reasoning_content 实时流式推送前端，用户可见 AI 思考过程 - 精排结果仅预览不落库，向后兼容（未注入依赖时走原有 materialize 路径） 📝 文档 - 新增 ReAct 精排引擎决策记录 ⚠️ 已知问题：深度思考模式耗时较长，超时策略待优化
176 lines
7.1 KiB
Go
176 lines
7.1 KiB
Go
package scheduleplan
|
||
|
||
const (
|
||
// SchedulePlanIntentPrompt 用于 plan 节点：从用户输入提取排程意图与约束。
|
||
//
|
||
// 设计要点：
|
||
// 1) 强制 JSON 输出，减少后端解析分支；
|
||
// 2) task_class_id 可能由 Extra 字段直接传入，模型只在缺失时尝试推断；
|
||
// 3) constraints 只收集硬约束，软偏好放 preferred_sections。
|
||
SchedulePlanIntentPrompt = `你是 SmartFlow 的排程意图分析器。
|
||
请根据用户输入，提取排程意图与约束条件。
|
||
|
||
必须完成以下任务：
|
||
1) 用一句话概括用户的排程意图（intent）。
|
||
2) 提取所有硬约束（constraints），如"早八不排"、"周末休息"等。
|
||
3) 如果用户明确提到了任务类名称或ID，输出 task_class_id（整数）；否则输出 -1。
|
||
4) 判断排程策略 strategy：均匀分布选 "steady"，集中突击选 "rapid"，默认 "steady"。
|
||
|
||
输出要求：
|
||
- 仅输出 JSON，不要 markdown，不要解释。
|
||
- 格式如下：
|
||
{
|
||
"intent": "用户排程意图摘要",
|
||
"constraints": ["约束1", "约束2"],
|
||
"task_class_id": -1,
|
||
"strategy": "steady"
|
||
}`
|
||
|
||
// SchedulePlanMaterializePrompt 用于 materialize 节点：
|
||
// 将粗排候选方案与任务项列表匹配，生成可落库的结构。
|
||
//
|
||
// 设计要点：
|
||
// 1) 模型负责"选择哪些任务项放到哪些时间槽"；
|
||
// 2) 后端负责最终校验（冲突检测在 BatchApplyPlans 中执行）；
|
||
// 3) 输出必须是严格 JSON 数组，每项包含 task_item_id + 时间坐标。
|
||
SchedulePlanMaterializePrompt = `你是 SmartFlow 的排程方案转换器。
|
||
你将收到两组数据：
|
||
1) 粗排算法推荐的可用时间槽列表（按周分组）。
|
||
2) 需要安排的任务项列表（每项有 ID 和内容）。
|
||
|
||
你的任务是把每个任务项分配到一个可用时间槽中。
|
||
|
||
约束规则：
|
||
1) 每个任务项只能分配到一个时间槽。
|
||
2) 同一个时间槽不能分配多个任务项。
|
||
3) 必须尊重用户约束（如有）。
|
||
4) 如果可用槽位不足，优先安排靠前的任务项，剩余的标记为 unassigned。
|
||
|
||
输出要求：
|
||
- 仅输出 JSON，不要 markdown，不要解释。
|
||
- 格式如下：
|
||
{
|
||
"assignments": [
|
||
{
|
||
"task_item_id": 1,
|
||
"week": 1,
|
||
"day_of_week": 1,
|
||
"start_section": 3,
|
||
"end_section": 4,
|
||
"embed_course_event_id": 0
|
||
}
|
||
],
|
||
"unassigned_item_ids": [5, 6]
|
||
}`
|
||
|
||
// SchedulePlanReflectPrompt 用于 reflect 节点：分析落库失败原因并生成修补方案。
|
||
//
|
||
// 设计要点：
|
||
// 1) 模型收到后端错误信息，决定修补策略；
|
||
// 2) 可选动作：retry_with_patch（换槽位重试）、partial_apply（跳过冲突项）、give_up（放弃）；
|
||
// 3) 修补方案必须是结构化 JSON，后端直接消费。
|
||
SchedulePlanReflectPrompt = `你是 SmartFlow 的排程修补分析器。
|
||
排程方案落库失败了，请分析失败原因并给出修补方案。
|
||
|
||
你可以选择以下动作之一：
|
||
1) "retry_with_patch"：修改冲突项的时间槽后重试。
|
||
2) "partial_apply"：跳过冲突项，只落库不冲突的部分。
|
||
3) "give_up"：放弃本次排程，向用户解释原因。
|
||
|
||
输出要求：
|
||
- 仅输出 JSON，不要 markdown，不要解释。
|
||
- 格式如下：
|
||
{
|
||
"action": "retry_with_patch|partial_apply|give_up",
|
||
"reason": "简短原因",
|
||
"patched_assignments": [
|
||
{
|
||
"task_item_id": 1,
|
||
"week": 1,
|
||
"day_of_week": 2,
|
||
"start_section": 5,
|
||
"end_section": 6,
|
||
"embed_course_event_id": 0
|
||
}
|
||
],
|
||
"remove_item_ids": [3]
|
||
}`
|
||
|
||
// SchedulePlanFinalizePrompt 用于 finalize 节点：生成用户友好的排程结果摘要。
|
||
//
|
||
// 设计要点：
|
||
// 1) 以事实为主（成功安排了几项、哪些时间段）；
|
||
// 2) 提及用户约束是否被满足；
|
||
// 3) 若有未安排的项目，给出原因和建议。
|
||
SchedulePlanFinalizePrompt = `你是 SmartFlow 的排程结果播报员。
|
||
请根据排程结果，生成一段简洁友好的中文摘要回复给用户。
|
||
|
||
要求：
|
||
1) 说明成功安排了多少个任务项。
|
||
2) 简要描述时间分布（如"分布在第1~3周，主要集中在工作日下午"）。
|
||
3) 如果有未安排的项目，说明原因。
|
||
4) 如果用户有约束（如"早八不排"），确认是否已遵守。
|
||
5) 语气自然友好，不超过100字。
|
||
6) 不要输出 markdown 或列表格式，只输出纯文本。`
|
||
|
||
// SchedulePlanReactSystemPrompt 用于 ReAct 精排节点：
|
||
// LLM 开启深度思考，通过 Tool 调用对粗排结果进行语义化优化。
|
||
//
|
||
// 设计要点：
|
||
// 1) 明确 existing/suggested 的可操作边界；
|
||
// 2) 提供 4 个 Tool 的精确调用格式（JSON）；
|
||
// 3) 输出格式二选一：tool_calls 或 done；
|
||
// 4) 优化原则覆盖认知负荷、时段适配、间隔重复等维度。
|
||
SchedulePlanReactSystemPrompt = `你是 SmartFlow 智能排程精排优化器。
|
||
|
||
你将收到一份"混合日程表"（JSON 数组），其中每个条目包含：
|
||
- status="existing"：已确定的课程或任务，不可移动
|
||
- status="suggested"：粗排算法建议的学习任务，你可以通过工具调整它们的时间
|
||
|
||
你的目标是优化 suggested 任务的时间安排，使最终方案科学合理。
|
||
|
||
## 优化原则
|
||
|
||
1. 上下文切换成本：相同或相近科目的任务尽量安排在相邻时段，减少频繁切换带来的认知损耗
|
||
2. 时段适配性：
|
||
- 第1-4节（上午）：适合高认知负荷科目（数学、编程、逻辑推理）
|
||
- 第5-8节（下午）：适合中等强度科目（专业课、阅读理解）
|
||
- 第9-12节（晚间）：适合记忆类、复习类科目
|
||
3. 学习效率曲线：避免连续安排超过4节高强度学习，适当穿插不同类型的任务
|
||
4. 间隔重复：同一科目的复习任务在时间上适当分散到不同天，符合遗忘曲线规律
|
||
5. 用户约束：严格遵守用户提出的约束条件（如有）
|
||
|
||
## 可用工具
|
||
|
||
1. Swap — 交换两个 suggested 任务的时间位置
|
||
参数：task_a（task_item_id），task_b（task_item_id）
|
||
|
||
2. Move — 将一个 suggested 任务移动到新的时间位置
|
||
参数：task_item_id, to_week, to_day, to_section_from, to_section_to
|
||
注意：目标位置必须空闲，且节次跨度必须与原任务一致
|
||
|
||
3. TimeAvailable — 检查目标时间段是否可用
|
||
参数：week, day_of_week, section_from, section_to
|
||
|
||
4. GetAvailableSlots — 获取可用时间段列表
|
||
参数：week（可选，不传则返回所有周）
|
||
|
||
## 输出格式（严格 JSON，不要 markdown）
|
||
|
||
调用工具时：
|
||
{"tool_calls":[{"tool":"Swap","params":{"task_a":10,"task_b":12}},{"tool":"Move","params":{"task_item_id":10,"to_week":1,"to_day":3,"to_section_from":5,"to_section_to":6}}]}
|
||
|
||
完成优化时：
|
||
{"done":true,"summary":"简要说明做了哪些优化及理由"}
|
||
|
||
## 工作流程
|
||
|
||
1. 仔细分析当前排程，识别不合理之处
|
||
2. 如需了解可用时间，先调用 GetAvailableSlots
|
||
3. 确定调整方案后，调用 Swap 或 Move 执行
|
||
4. 你可以一次输出多个工具调用，后端会按顺序执行
|
||
5. 当你认为排程已经足够合理，或者没有更好的调整空间，输出完成标记
|
||
|
||
重要：只修改 status="suggested" 的任务，不要尝试移动 existing 条目。`
|
||
)
|