from toolbox import CatchException, update_ui, report_exception from crazy_functions.crazy_utils import request_gpt_model_in_new_thread_with_ui_alive from crazy_functions.plugin_template.plugin_class_template import ( GptAcademicPluginTemplate, ) from crazy_functions.plugin_template.plugin_class_template import ArgProperty # 以下是每类图表的PROMPT SELECT_PROMPT = """ “{subject}” ============= 以上是从文章中提取的摘要,将会使用这些摘要绘制图表。请你选择一个合适的图表类型: 1 流程图 2 序列图 3 类图 4 饼图 5 甘特图 6 状态图 7 实体关系图 8 象限提示图 不需要解释原因，仅需要输出单个不带任何标点符号的数字。 """ # 没有思维导图!!!测试发现模型始终会优先选择思维导图 # 流程图 PROMPT_1 = """ 请你给出围绕“{subject}”的逻辑关系图，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid graph TD P("编程") --> L1("Python") P("编程") --> L2("C") P("编程") --> L3("C++") P("编程") --> L4("Javascipt") P("编程") --> L5("PHP") ``` """ # 序列图 PROMPT_2 = """ 请你给出围绕“{subject}”的序列图，使用mermaid语法。 mermaid语法举例： ```mermaid sequenceDiagram participant A as 用户 participant B as 系统 A->>B: 登录请求 B->>A: 登录成功 A->>B: 获取数据 B->>A: 返回数据 ``` """ # 类图 PROMPT_3 = """ 请你给出围绕“{subject}”的类图，使用mermaid语法。 mermaid语法举例： ```mermaid classDiagram Class01 <|-- AveryLongClass : Cool Class03 *-- Class04 Class05 o-- Class06 Class07 .. Class08 Class09 --> C2 : Where am i? Class09 --* C3 Class09 --|> Class07 Class07 : equals() Class07 : Object[] elementData Class01 : size() Class01 : int chimp Class01 : int gorilla Class08 <--> C2: Cool label ``` """ # 饼图 PROMPT_4 = """ 请你给出围绕“{subject}”的饼图，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid pie title Pets adopted by volunteers "狗" : 386 "猫" : 85 "兔子" : 15 ``` """ # 甘特图 PROMPT_5 = """ 请你给出围绕“{subject}”的甘特图，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid gantt title "项目开发流程" dateFormat YYYY-MM-DD section "设计" "需求分析" :done, des1, 2024-01-06,2024-01-08 "原型设计" :active, des2, 2024-01-09, 3d "UI设计" : des3, after des2, 5d section "开发" "前端开发" :2024-01-20, 10d "后端开发" :2024-01-20, 10d ``` """ # 状态图 PROMPT_6 = """ 请你给出围绕“{subject}”的状态图，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid stateDiagram-v2 [*] --> "Still" "Still" --> [*] "Still" --> "Moving" "Moving" --> "Still" "Moving" --> "Crash" "Crash" --> [*] ``` """ # 实体关系图 PROMPT_7 = """ 请你给出围绕“{subject}”的实体关系图，使用mermaid语法。 mermaid语法举例： ```mermaid erDiagram CUSTOMER ||--o{ ORDER : places ORDER ||--|{ LINE-ITEM : contains CUSTOMER { string name string id } ORDER { string orderNumber date orderDate string customerID } LINE-ITEM { number quantity string productID } ``` """ # 象限提示图 PROMPT_8 = """ 请你给出围绕“{subject}”的象限图，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid graph LR A["Hard skill"] --> B("Programming") A["Hard skill"] --> C("Design") D["Soft skill"] --> E("Coordination") D["Soft skill"] --> F("Communication") ``` """ # 思维导图 PROMPT_9 = """ {subject} ========== 请给出上方内容的思维导图，充分考虑其之间的逻辑，使用mermaid语法，注意需要使用双引号将内容括起来。 mermaid语法举例： ```mermaid mindmap root((mindmap)) ("Origins") ("Long history") ::icon(fa fa-book) ("Popularisation") ("British popular psychology author Tony Buzan") ::icon(fa fa-user) ("Research") ("On effectiveness
and features") ::icon(fa fa-search) ("On Automatic creation") ::icon(fa fa-robot) ("Uses") ("Creative techniques") ::icon(fa fa-lightbulb-o) ("Strategic planning") ::icon(fa fa-flag) ("Argument mapping") ::icon(fa fa-comments) ("Tools") ("Pen and paper") ::icon(fa fa-pencil) ("Mermaid") ::icon(fa fa-code) ``` """ def 解析历史输入(history, llm_kwargs, file_manifest, chatbot, plugin_kwargs): ############################## <第 0 步，切割输入> ################################## # 借用PDF切割中的函数对文本进行切割 TOKEN_LIMIT_PER_FRAGMENT = 2500 txt = ( str(history).encode("utf-8", "ignore").decode() ) # avoid reading non-utf8 chars from crazy_functions.pdf_fns.breakdown_txt import ( breakdown_text_to_satisfy_token_limit, ) txt = breakdown_text_to_satisfy_token_limit( txt=txt, limit=TOKEN_LIMIT_PER_FRAGMENT, llm_model=llm_kwargs["llm_model"] ) ############################## <第 1 步，迭代地历遍整个文章，提取精炼信息> ################################## results = [] MAX_WORD_TOTAL = 4096 n_txt = len(txt) last_iteration_result = "从以下文本中提取摘要。" for i in range(n_txt): NUM_OF_WORD = MAX_WORD_TOTAL // n_txt i_say = f"Read this section, recapitulate the content of this section with less than {NUM_OF_WORD} words in Chinese: {txt[i]}" i_say_show_user = f"[{i+1}/{n_txt}] Read this section, recapitulate the content of this section with less than {NUM_OF_WORD} words: {txt[i][:200]} ...." gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive( i_say, i_say_show_user, # i_say=真正给chatgpt的提问， i_say_show_user=给用户看的提问 llm_kwargs, chatbot, history=[ "The main content of the previous section is?", last_iteration_result, ], # 迭代上一次的结果 sys_prompt="Extracts the main content from the text section where it is located for graphing purposes, answer me with Chinese.", # 提示 ) results.append(gpt_say) last_iteration_result = gpt_say ############################## <第 2 步，根据整理的摘要选择图表类型> ################################## gpt_say = str(plugin_kwargs) # 将图表类型参数赋值为插件参数 results_txt = "\n".join(results) # 合并摘要 if gpt_say not in [ "1", "2", "3", "4", "5", "6", "7", "8", "9", ]: # 如插件参数不正确则使用对话模型判断 i_say_show_user = ( f"接下来将判断适合的图表类型,如连续3次判断失败将会使用流程图进行绘制" ) gpt_say = "[Local Message] 收到。" # 用户提示 chatbot.append([i_say_show_user, gpt_say]) yield from update_ui(chatbot=chatbot, history=[]) # 更新UI i_say = SELECT_PROMPT.format(subject=results_txt) i_say_show_user = f'请判断适合使用的流程图类型,其中数字对应关系为:1-流程图,2-序列图,3-类图,4-饼图,5-甘特图,6-状态图,7-实体关系图,8-象限提示图。由于不管提供文本是什么,模型大概率认为"思维导图"最合适,因此思维导图仅能通过参数调用。' for i in range(3): gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive( inputs=i_say, inputs_show_user=i_say_show_user, llm_kwargs=llm_kwargs, chatbot=chatbot, history=[], sys_prompt="", ) if gpt_say in [ "1", "2", "3", "4", "5", "6", "7", "8", "9", ]: # 判断返回是否正确 break if gpt_say not in ["1", "2", "3", "4", "5", "6", "7", "8", "9"]: gpt_say = "1" ############################## <第 3 步，根据选择的图表类型绘制图表> ################################## if gpt_say == "1": i_say = PROMPT_1.format(subject=results_txt) elif gpt_say == "2": i_say = PROMPT_2.format(subject=results_txt) elif gpt_say == "3": i_say = PROMPT_3.format(subject=results_txt) elif gpt_say == "4": i_say = PROMPT_4.format(subject=results_txt) elif gpt_say == "5": i_say = PROMPT_5.format(subject=results_txt) elif gpt_say == "6": i_say = PROMPT_6.format(subject=results_txt) elif gpt_say == "7": i_say = PROMPT_7.replace("{subject}", results_txt) # 由于实体关系图用到了{}符号 elif gpt_say == "8": i_say = PROMPT_8.format(subject=results_txt) elif gpt_say == "9": i_say = PROMPT_9.format(subject=results_txt) i_say_show_user = f"请根据判断结果绘制相应的图表。如需绘制思维导图请使用参数调用,同时过大的图表可能需要复制到在线编辑器中进行渲染。" gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive( inputs=i_say, inputs_show_user=i_say_show_user, llm_kwargs=llm_kwargs, chatbot=chatbot, history=[], sys_prompt="", ) history.append(gpt_say) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 # 界面更新 @CatchException def 生成多种Mermaid图表( txt, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt, web_port ): """ txt 输入栏用户输入的文本，例如需要翻译的一段话，再例如一个包含了待处理文件的路径 llm_kwargs gpt模型参数，如温度和top_p等，一般原样传递下去就行 plugin_kwargs 插件模型的参数，用于灵活调整复杂功能的各种参数 chatbot 聊天显示框的句柄，用于显示给用户 history 聊天历史，前情提要 system_prompt 给gpt的静默提醒 web_port 当前软件运行的端口号 """ import os # 基本信息：功能、贡献者 chatbot.append( [ "函数插件功能？", "根据当前聊天历史或指定的路径文件(文件内容优先)绘制多种mermaid图表，将会由对话模型首先判断适合的图表类型，随后绘制图表。\ \n您也可以使用插件参数指定绘制的图表类型,函数插件贡献者: Menghuan1918", ] ) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 if os.path.exists(txt): # 如输入区无内容则直接解析历史记录 from crazy_functions.pdf_fns.parse_word import extract_text_from_files file_exist, final_result, page_one, file_manifest, exception = ( extract_text_from_files(txt, chatbot, history) ) else: file_exist = False exception = "" file_manifest = [] if exception != "": if exception == "word": report_exception( chatbot, history, a=f"解析项目: {txt}", b=f"找到了.doc文件，但是该文件格式不被支持，请先转化为.docx格式。", ) elif exception == "pdf": report_exception( chatbot, history, a=f"解析项目: {txt}", b=f"导入软件依赖失败。使用该模块需要额外依赖，安装方法```pip install --upgrade pymupdf```。", ) elif exception == "word_pip": report_exception( chatbot, history, a=f"解析项目: {txt}", b=f"导入软件依赖失败。使用该模块需要额外依赖，安装方法```pip install --upgrade python-docx pywin32```。", ) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 else: if not file_exist: history.append(txt) # 如输入区不是文件则将输入区内容加入历史记录 i_say_show_user = f"首先你从历史记录中提取摘要。" gpt_say = "[Local Message] 收到。" # 用户提示 chatbot.append([i_say_show_user, gpt_say]) yield from update_ui(chatbot=chatbot, history=history) # 更新UI yield from 解析历史输入( history, llm_kwargs, file_manifest, chatbot, plugin_kwargs ) else: file_num = len(file_manifest) for i in range(file_num): # 依次处理文件 i_say_show_user = f"[{i+1}/{file_num}]处理文件{file_manifest[i]}" gpt_say = "[Local Message] 收到。" # 用户提示 chatbot.append([i_say_show_user, gpt_say]) yield from update_ui(chatbot=chatbot, history=history) # 更新UI history = [] # 如输入区内容为文件则清空历史记录 history.append(final_result[i]) yield from 解析历史输入( history, llm_kwargs, file_manifest, chatbot, plugin_kwargs ) class Mermaid_Gen(GptAcademicPluginTemplate): def __init__(self): pass def define_arg_selection_menu(self): gui_definition = { "Type_of_Mermaid": ArgProperty( title="绘制的Mermaid图表类型", options=[ "由LLM决定", "流程图", "序列图", "类图", "饼图", "甘特图", "状态图", "实体关系图", "象限提示图", "思维导图", ], default_value="由LLM决定", description="选择'由LLM决定'时将由对话模型判断适合的图表类型(不包括思维导图)，选择其他类型时将直接绘制指定的图表类型。", type="dropdown", ).model_dump_json(), } return gui_definition def execute( txt, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt, user_request ): options = [ "由LLM决定", "流程图", "序列图", "类图", "饼图", "甘特图", "状态图", "实体关系图", "象限提示图", "思维导图", ] plugin_kwargs = options.index(plugin_kwargs['Type_of_Mermaid']) yield from 生成多种Mermaid图表( txt, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt, user_request, )