读取文本并解释关键词

from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langgraph.prebuilt import create_react_agent
import os
import json

# 移除代理设置
os.environ.pop("http_proxy", None)
os.environ.pop("https_proxy", None)

# 初始化 ChatOllama
infer_server_url = "http://localhost:11434"
model_name = "qwen3:1.7b"
model = ChatOllama(
    model=model_name,
    base_url=infer_server_url,
    api_key="none",
    temperature=0,
    stream=False
)

# 读取文本文件
def read_text_file(file_path: str) -> str:
    """读取指定路径的文本文件内容"""
    try:
        with open(file_path, 'r', encoding='utf-8') as file:
            return file.read()
    except Exception as e:
        return f"读取文件失败: {str(e)}"

# 工具 1：提取汽车相关名词
def extract_car_nouns(text: str) -> dict:
    """从文本中提取汽车相关名词"""
    prompt = ChatPromptTemplate.from_messages([
        ("system", """
从以下文本中提取所有与汽车相关的名词，返回 JSON 格式：
{
  "nouns": ["名词1", "名词2", ...]
}
确保只提取与汽车直接相关的名词（如部件、系统等），忽略非名词或无关词汇。
文本：{text}
"""),
        ("human", "{input}")
    ])
    chain = prompt | model | JsonOutputParser()
    return chain.invoke({"input": text, "text": text})

# 工具 2：解释名词的含义、功能和使用方法
def explain_car_nouns(nouns: str) -> dict:
    """解释汽车相关名词的含义、功能和使用方法"""
    prompt = ChatPromptTemplate.from_messages([
        ("system", """
对于以下汽车相关名词列表，解释每个名词的含义、功能和使用方法，返回 JSON 格式：
{
  "explanations": [
    {"noun": "名词1", "meaning": "含义", "function": "功能", "usage": "使用方法"},
    ...
  ]
}
名词列表：{nouns}
"""),
        ("human", "{input}")
    ])
    chain = prompt | model | JsonOutputParser()
    return chain.invoke({"input": nouns, "nouns": nouns})

# 创建 ReAct 代理
tools = [extract_car_nouns, explain_car_nouns]
agent = create_react_agent(model=model, tools=tools, debug=True)

# 主逻辑：处理文件并运行代理
def process_car_file(file_path: str):
    # 读取文件
    text_content = read_text_file(file_path)
    if "失败" in text_content:
        return {"error": text_content}

    # 步骤 1：提取名词
    try:
        extract_response = extract_car_nouns(text_content)
        if not extract_response.get("nouns"):
            return {"error": "未提取到汽车相关名词"}
        nouns = extract_response["nouns"]
    except Exception as e:
        return {"error": f"提取名词失败: {str(e)}"}

    # 步骤 2：解释名词
    try:
        explain_response = explain_car_nouns(json.dumps(nouns))
        return {
            "nouns": nouns,
            "explanations": explain_response["explanations"]
        }
    except Exception as e:
        return {"error": f"解释名词失败: {str(e)}"}

# 测试查询
file_path = "car_info.txt"
result = process_car_file(file_path)

# 输出结果
print("代理响应:", json.dumps(result, ensure_ascii=False, indent=2))

from langchain.llms import OpenAI  # 你可换成其他本地部署的模型接口
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, SequentialChain
from langchain.text_splitter import CharacterTextSplitter

# 1. 读取txt文件内容
with open("your_file.txt", "r", encoding="utf-8") as f:
    file_text = f.read()

# 如文本过长，可拆分;这里只是示例，假设文件不超长
# 如果需要可用下面代码分块
# splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
# chunks = splitter.split_text(file_text)
# file_text = chunks[0]  # 这里只用第一块演示

# 2. 定义两个Prompt

# 第一步：找到汽车相关名词
find_nouns_prompt = PromptTemplate(
    template=(
        "请从以下文本中找出所有与汽车相关的名词，"
        "并用逗号分隔列出这些名词：\n"
        "文本内容：\n"
        "{text}"
    ),
    input_variables=["text"],
)

# 第二步：解释每一个名词
explain_noun_prompt = PromptTemplate(
    template=(
        "请解释名词 “{noun}” 的含义、功能和使用方法，"
        "要求清晰简洁，适合汽车行业相关人员阅读。"
    ),
    input_variables=["noun"],
)

# 3. 初始化LLM，这里用OpenAI接口，你可以换成本地模型
llm = OpenAI(temperature=0)  # 或用别的llm，如HuggingFacePipeline包装本地模型

# 4. 定义第一步Chain：找名词
find_nouns_chain = LLMChain(llm=llm, prompt=find_nouns_prompt, output_key="nouns_str")

# 5. 定义第二步Chain：解释单个名词
explain_chain = LLMChain(llm=llm, prompt=explain_noun_prompt, output_key="explanation")

# 6. 执行第一步，获得名词列表
first_step_result = find_nouns_chain.run(text=file_text)
# first_step_result 是字符串，形如 “车轮, 引擎, 方向盘”
nouns = [noun.strip() for noun in first_step_result.split(",") if noun.strip()]

# 7. 对每个名词调用第二步Chain解释，并收集结果
explanations = {}
for noun in nouns:
    explanation = explain_chain.run(noun=noun)
    explanations[noun] = explanation

# 8. 输出所有解释
for noun, explanation in explanations.items():
    print(f"名词: {noun}\n解释: {explanation}\n{'-'*40}")