diff --git a/backend/app/modules/data_process/algorithms/parsers/pdf.py b/backend/app/modules/data_process/algorithms/parsers/pdf.py index 2c20588..5c31bb8 100644 --- a/backend/app/modules/data_process/algorithms/parsers/pdf.py +++ b/backend/app/modules/data_process/algorithms/parsers/pdf.py @@ -104,7 +104,9 @@ def extract_pdf_page_texts(raw: bytes) -> tuple[PdfPageText, ...]: ) has_text = True if not has_text: - raise ValueError("PDF contains no extractable text; scanned PDF requires OCR") + raise ValueError( + "PDF contains no extractable text; scanned or image-only PDF files are not supported" + ) return tuple(pages) def _pdf_page_lines(page: PdfPageText) -> tuple[_PdfLine, ...]: diff --git a/backend/app/modules/data_process/document_chunking.py b/backend/app/modules/data_process/document_chunking.py index b418e79..830c70a 100644 --- a/backend/app/modules/data_process/document_chunking.py +++ b/backend/app/modules/data_process/document_chunking.py @@ -90,8 +90,10 @@ def _tokenizer() -> tiktoken.Encoding: token, rank = line.split() mergeable_ranks[base64.b64decode(token)] = int(rank) - # 构造 Encoding 对象 - import tiktoken.core + # 构造 Encoding 对象（模块顶部已 import tiktoken， + # 此处不能再 import tiktoken.core，否则会把 tiktoken + # 变成局部变量，使函数开头的 tiktoken.get_encoding 抛 + # UnboundLocalError） return tiktoken.core.Encoding( name="cl100k_base", pat_str=r"""'(?i:[sdmt]|ll|ve|re)|[^\r\n\p{L}\p{N}]?+\p{L}+|\p{N}{1,3}| ?[^\s\p{L}\p{N}]++[\r\n]*|\s*[\r\n]|\s+(?!\S)|\s+""", @@ -260,9 +262,17 @@ def _make_text_chunk(source: str, start: int, end: int) -> DocumentChunk: @lru_cache(maxsize=1) def _document_converter(): - from docling.document_converter import DocumentConverter + from docling.datamodel.base_models import InputFormat + from docling.datamodel.pipeline_options import PdfPipelineOptions + from docling.document_converter import DocumentConverter, PdfFormatOption - return DocumentConverter() + pipeline_options = PdfPipelineOptions() + pipeline_options.do_ocr = False + return DocumentConverter( + format_options={ + InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options), + } + ) class _MarkdownSerializerProvider(ChunkingSerializerProvider): diff --git a/backend/app/modules/data_process/generation.py b/backend/app/modules/data_process/generation.py index 0168e72..ef58e7d 100644 --- a/backend/app/modules/data_process/generation.py +++ b/backend/app/modules/data_process/generation.py @@ -45,6 +45,25 @@ MINIMAX_M3_API_HOSTS = {"api.minimax.io", "api.minimaxi.com"} MINIMAX_M3_MIN_COMPLETION_TOKENS = 4096 logger = logging.getLogger(__name__) +# 问题表述风格规则：防止模型产出“请描述/请说明”式模板化问句。 +_QUESTION_STYLE_RULE = ( + "各条问题必须覆盖不同的信息点并使用不同的句式，只替换关键词套用同一句式视为重复。" + "问题表述要像真实用户自然提出的问题：具体、口语化、直奔信息点，" + "避免“请描述”“请说明”“根据文档”等模板化开头，" + "也不要把原文句子直接改成问句；多条问题时交替使用直接疑问、场景式提问、追问式等句式。" + "表述示例（仅示意风格，不要照搬内容）：" + "避免——“请描述系统的权限控制机制”；" + "推荐——“不同角色能看到的菜单不一样，平台是怎么控制的？”" +) + +# 任务配置未提供提示语时的兜底，与前端内置默认提示语保持同等信息量。 +_DEFAULT_GENERATION_PROMPT = ( + "你是一名专业的数据生成专家。请基于来源内容生成高质量、" + "可直接用于监督微调的问答数据：问题聚焦核心信息点、" + "表述像真实用户自然提出的问题，具体、口语化，多条问题使用不同句式；" + "答案严格依据来源内容，准确、完整、语言自然，不引入来源之外的信息。" +) + def _is_retryable_generation_error(exc: Exception) -> bool: if isinstance(exc, _TerminalModelGenerationError): @@ -310,11 +329,11 @@ def _prompt_messages( ) schema_instruction = ( f"必须只返回 JSON 对象，格式为 {schema}；items 必须包含 {count} 条。" - f"这是总计 {total_count} 条中的第 {start_index}-{end_index} 条，" - "各条必须使用不同的提问角度和表述，避免重复。" - f"{output_rule}不要输出 Markdown 代码围栏或 JSON 之外的说明。" + f"这是总计 {total_count} 条中的第 {start_index}-{end_index} 条。" + f"{_QUESTION_STYLE_RULE}{output_rule}" + "不要输出 Markdown 代码围栏或 JSON 之外的说明。" ) - base_prompt = normalize_text(prompt) or "请根据来源内容生成可用于监督微调的问答数据。" + base_prompt = normalize_text(prompt) or _DEFAULT_GENERATION_PROMPT if "{{ content }}" in base_prompt: user_prompt = base_prompt.replace("{{ content }}", content) return [ diff --git a/backend/tests/test_data_process_algorithms.py b/backend/tests/test_data_process_algorithms.py index 5647d35..cda83f5 100644 --- a/backend/tests/test_data_process_algorithms.py +++ b/backend/tests/test_data_process_algorithms.py @@ -654,7 +654,10 @@ def test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing() -> None: blank_writer = PdfWriter() blank_writer.add_blank_page(width=612, height=792) blank_writer.write(blank_pdf) - with pytest.raises(ValueError, match="scanned PDF requires OCR"): + with pytest.raises( + ValueError, + match="scanned or image-only PDF files are not supported", + ): parse_text_content(blank_pdf.getvalue(), filename="scanned.pdf") aes_pdf_without_open_password = parse_text_content( diff --git a/backend/tests/test_data_process_generation.py b/backend/tests/test_data_process_generation.py index a7eaeb0..439ace9 100644 --- a/backend/tests/test_data_process_generation.py +++ b/backend/tests/test_data_process_generation.py @@ -35,6 +35,8 @@ def test_generate_model_records_uses_prompt_auth_and_stable_split() -> None: assert "客户反馈页面加载慢" in payload["messages"][1]["content"] assert "你正在生成标准监督微调问答数据" in payload["messages"][0]["content"] assert "禁止输出分析、推理过程" in payload["messages"][0]["content"] + assert "真实用户自然提出的问题" in payload["messages"][0]["content"] + assert "模板化开头" in payload["messages"][0]["content"] return httpx.Response( 200, json={ @@ -88,6 +90,59 @@ def test_generate_model_records_uses_prompt_auth_and_stable_split() -> None: assert progress_updates == [(1, 1)] +def test_generate_model_records_falls_back_to_rich_default_prompt() -> None: + captured: dict[str, str] = {} + + def handler(request: httpx.Request) -> httpx.Response: + payload = json.loads(request.content) + captured["system"] = payload["messages"][0]["content"] + captured["user"] = payload["messages"][1]["content"] + return httpx.Response( + 200, + json={ + "choices": [ + { + "message": { + "content": json.dumps( + { + "items": [ + { + "instruction": "平台如何控制不同角色的菜单可见性？", + "input": "", + "output": "按角色分配权限。", + } + ] + }, + ensure_ascii=False, + ) + } + } + ] + }, + ) + + client = httpx.Client(transport=httpx.MockTransport(handler)) + records = generate_model_records( + [{"id": "preview-1", "edited_content": "平台按角色分配菜单权限。"}], + model={ + "name": "Qwen", + "online_model_name": "qwen-plus", + "api_url": "model.example", + }, + config={}, + task_id="task-fallback", + split={"train": 100, "validation": 0, "test": 0}, + qa_pairs_per_item=1, + client=client, + ) + + assert len(records) == 1 + assert records[0]["status"] == "valid" + assert "数据生成专家" in captured["system"] + assert "真实用户自然提出的问题" in captured["system"] + assert "平台按角色分配菜单权限。" in captured["user"] + + def test_generate_model_records_builds_native_dpo_pair() -> None: def handler(request: httpx.Request) -> httpx.Response: payload = json.loads(request.content) diff --git a/backend/tests/test_document_chunking.py b/backend/tests/test_document_chunking.py index cf02442..f705104 100644 --- a/backend/tests/test_document_chunking.py +++ b/backend/tests/test_document_chunking.py @@ -1,10 +1,14 @@ from __future__ import annotations +import sys +from types import ModuleType, SimpleNamespace + from llama_index.core.embeddings import MockEmbedding from app.modules.data_process.document_chunking import ( DocumentChunk, _compact_with_offsets, + _document_converter, _project_layout_span, chunk_fixed_text, chunk_semantic_text, @@ -42,6 +46,48 @@ def test_semantic_splitter_uses_llamaindex_and_reapplies_maximum_size() -> None: assert "".join(chunk.original_content for chunk in chunks) == text +def test_layout_converter_disables_ocr(monkeypatch) -> None: + class FakePipelineOptions: + def __init__(self) -> None: + self.do_ocr = True + + class FakePdfFormatOption: + def __init__(self, *, pipeline_options) -> None: + self.pipeline_options = pipeline_options + + class FakeDocumentConverter: + def __init__(self, *, format_options) -> None: + self.format_options = format_options + + docling_module = ModuleType("docling") + docling_module.__path__ = [] + document_converter_module = ModuleType("docling.document_converter") + document_converter_module.DocumentConverter = FakeDocumentConverter + document_converter_module.PdfFormatOption = FakePdfFormatOption + datamodel_module = ModuleType("docling.datamodel") + datamodel_module.__path__ = [] + base_models_module = ModuleType("docling.datamodel.base_models") + base_models_module.InputFormat = SimpleNamespace(PDF="pdf") + pipeline_options_module = ModuleType("docling.datamodel.pipeline_options") + pipeline_options_module.PdfPipelineOptions = FakePipelineOptions + for name, module in { + "docling": docling_module, + "docling.document_converter": document_converter_module, + "docling.datamodel": datamodel_module, + "docling.datamodel.base_models": base_models_module, + "docling.datamodel.pipeline_options": pipeline_options_module, + }.items(): + monkeypatch.setitem(sys.modules, name, module) + + _document_converter.cache_clear() + try: + converter = _document_converter() + options = converter.format_options["pdf"].pipeline_options + assert options.do_ocr is False + finally: + _document_converter.cache_clear() + + def test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines() -> None: source = "标题\n第一条 这是正文。\n第二条 后续正文。" compact_source, offsets = _compact_with_offsets(source) diff --git a/docs/data-process-design.md b/docs/data-process-design.md index 7b9cb48..337a1ef 100644 --- a/docs/data-process-design.md +++ b/docs/data-process-design.md @@ -118,7 +118,7 @@ pending ──start/generate──> running ──success──> completed 抽取幻灯片文本与表格，随后统一进入切片算法。 - 旧版二进制 DOC、XLS、PPT 不直接解析，返回 415 并提示分别转换为 DOCX、XLSX、PPTX。 -- 扫描 PDF 没有文本层时明确提示需要 OCR；当前流程不执行 OCR。加密、损坏或 +- 扫描 PDF 没有文本层时明确提示扫描版或图片型 PDF 不支持。加密、损坏或 超出页数/工作表/行列/解压规模限制的文件整批拒绝。 现代 Office 文件在交给解析库前检查 ZIP 成员路径、重复成员、加密标记、活动 diff --git a/docs/superpowers/plans/2026-08-18-disable-ocr.md b/docs/superpowers/plans/2026-08-18-disable-ocr.md new file mode 100644 index 0000000..9f4c907 --- /dev/null +++ b/docs/superpowers/plans/2026-08-18-disable-ocr.md @@ -0,0 +1,204 @@ +# 屏蔽数据处理 OCR 能力实施计划 + +> **For agentic workers:** REQUIRED SUB-SKILL: Use superpowers:subagent-driven-development (recommended) or superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (`- [ ]`) syntax for tracking. + +**Goal:** 在保留 Docling 版面分析和 `layout_hybrid` 的前提下，显式关闭 PDF pipeline 的 OCR，并拒绝无文本层 PDF。 + +**Architecture:** 只修改 `document_chunking.py` 中的 Docling converter 构造，使 PDF 使用 `PdfPipelineOptions(do_ocr=False)`；不修改切分方式、依赖、前端配置或版面 chunker。pypdf 继续负责上传阶段文本提取和扫描 PDF 边界判断。 + +**Tech Stack:** Python 3.12、FastAPI、pypdf、Docling 2.115.0、LlamaIndex、pytest、Ruff、Vue 3、Node 回归脚本。 + +## Global Constraints + +- 必须保留 `layout_hybrid`、Docling 版面分析和现有前端切分选项。 +- 只能关闭 OCR，不删除 Docling、版面/表格分析、PDF 页码映射或普通切分。 +- 纯扫描/图片型 PDF 明确拒绝；混合 PDF 保留，图片页不产生文字。 +- 不新增 OCR 开关，不提供重新开启 OCR 的参数或环境变量。 +- 不修改 `.codex-tmp/` 和 `outputs/` 等既有未跟踪用户文件。 +- 不执行 `git commit`；提交前必须取得用户明确确认。 + +--- + +### Task 1: 显式关闭 Docling PDF OCR + +**Files:** +- Modify: `backend/app/modules/data_process/document_chunking.py:261-265` +- Test: `backend/tests/test_document_chunking.py` + +**Interfaces:** +- `_document_converter()` 保持无参数、缓存和返回 `DocumentConverter` 的现有接口。 +- PDF 的 `PdfFormatOption` 必须收到 `pipeline_options.do_ocr is False`。 + +- [ ] **Step 1: Add a failing configuration test** + +在 `backend/tests/test_document_chunking.py` 导入 `_document_converter`、`sys`、`ModuleType` 和 `SimpleNamespace`，添加使用假的 Docling 模块的测试： + +```python +def test_layout_converter_disables_ocr(monkeypatch) -> None: + class FakePipelineOptions: + def __init__(self) -> None: + self.do_ocr = True + + class FakePdfFormatOption: + def __init__(self, *, pipeline_options) -> None: + self.pipeline_options = pipeline_options + + class FakeDocumentConverter: + def __init__(self, *, format_options) -> None: + self.format_options = format_options + + # 将这些 fake 类注册到 docling.document_converter、 + # docling.datamodel.base_models 和 docling.datamodel.pipeline_options。 + # 调用 _document_converter 后断言： + _document_converter.cache_clear() + converter = _document_converter() + assert converter.format_options["pdf"].pipeline_options.do_ocr is False + _document_converter.cache_clear() +``` + +测试保留现有版面投影和 provenance 测试，证明本任务不是删除版面分析。 + +- [ ] **Step 2: Run the new test before implementation** + +Run: + +```bash +cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr -q +``` + +Expected: FAIL，因为当前 `_document_converter()` 没有 PDF pipeline options，fake converter 不会收到 `format_options`。 + +- [ ] **Step 3: Implement the explicit PDF options** + +将 `_document_converter()` 改为： + +```python +@lru_cache(maxsize=1) +def _document_converter(): + from docling.datamodel.base_models import InputFormat + from docling.datamodel.pipeline_options import PdfPipelineOptions + from docling.document_converter import DocumentConverter, PdfFormatOption + + pipeline_options = PdfPipelineOptions() + pipeline_options.do_ocr = False + return DocumentConverter( + format_options={ + InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options), + } + ) +``` + +不要删除 `_MarkdownSerializerProvider`、`chunk_layout_document`、`HybridChunker`、来源页码或 bbox 代码。 + +- [ ] **Step 4: Run OCR and layout regression tests** + +Run: + +```bash +cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr tests/test_document_chunking.py::test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines -q +``` + +Expected: PASS；OCR 配置关闭，版面文本投影仍通过。 + +--- + +### Task 2: 更新无文本 PDF 的错误和文档 + +**Files:** +- Modify: `backend/app/modules/data_process/algorithms/parsers/pdf.py:106-108` +- Modify: `backend/tests/test_data_process_algorithms.py:650-658` +- Modify: `docs/data-process-design.md:121-122` + +**Interfaces:** +- `extract_pdf_page_texts()` 的判定逻辑不变，只更新无文本 PDF 的错误文案。 +- 混合 PDF 仍由 `has_text` 判定为可处理。 + +- [ ] **Step 1: Update the expected error** + +将测试断言改为： + +```python +with pytest.raises( + ValueError, + match="scanned or image-only PDF files are not supported", +): + parse_text_content(blank_pdf.getvalue(), filename="scanned.pdf") +``` + +- [ ] **Step 2: Change only the error message** + +将解析器分支改为： + +```python +if not has_text: + raise ValueError( + "PDF contains no extractable text; scanned or image-only PDF files are not supported" + ) +``` + +不要修改 `has_text` 逻辑，以保留混合 PDF。 + +- [ ] **Step 3: Update the design documentation** + +将 `docs/data-process-design.md` 中“扫描 PDF 没有文本层时明确提示需要 OCR；当前流程不执行 OCR”改为“扫描版或图片型 PDF 不支持”，保留其余格式限制说明。 + +- [ ] **Step 4: Run PDF boundary tests** + +Run: + +```bash +cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_data_process_algorithms.py::test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing -q +``` + +Expected: PASS；纯扫描 PDF 明确拒绝。 + +--- + +### Task 3: 运行受影响验证并检查范围 + +**Files:** +- Test: `backend/tests/test_document_chunking.py` +- Test: `backend/tests/test_data_process_algorithms.py` +- Test: `frontend/scripts/regression-data-process-wizard.mjs` + +- [ ] **Step 1: Run targeted backend tests and Ruff** + +Run: + +```bash +cd backend && PYTHONPATH=. .venv/bin/pytest tests/test_document_chunking.py::test_layout_converter_disables_ocr tests/test_document_chunking.py::test_layout_projection_ignores_layout_whitespace_but_keeps_source_lines tests/test_data_process_algorithms.py::test_office_zip_bomb_and_invalid_pdf_are_rejected_before_parsing -q +.venv/bin/ruff check app/modules/data_process/document_chunking.py tests/test_document_chunking.py app/modules/data_process/algorithms/parsers/pdf.py +``` + +Expected: targeted tests pass. Any pre-existing Ruff findings outside the changed OCR configuration must be reported separately, not fixed as unrelated refactoring. + +- [ ] **Step 2: Run the frontend regression and type check** + +Run: + +```bash +cd frontend && node scripts/regression-data-process-wizard.mjs +npm run type-check +``` + +Expected: existing `layout_hybrid`/semantic/fixed assertions remain unchanged; any unrelated pre-existing regression failure is reported separately. + +- [ ] **Step 3: Check OCR references and final diff** + +Run from the repository root: + +```bash +rg -n -i --hidden \ + --glob '!.git/**' \ + --glob '!node_modules/**' \ + --glob '!dist/**' \ + --glob '!outputs/**' \ + --glob '!.codex-tmp/**' \ + '(tesseract|paddleocr|easyocr|ocrmypdf|pytesseract)' \ + backend frontend docs/data-process-design.md + +git diff --check +git status --short +``` + +Expected: no OCR engine dependency or executable OCR integration; the only intended OCR-related runtime setting is `do_ocr = False`, and the diff does not touch layout options, frontend method choices, Docling dependencies, `.codex-tmp/` or `outputs/`. diff --git a/docs/superpowers/specs/2026-08-18-disable-ocr-design.md b/docs/superpowers/specs/2026-08-18-disable-ocr-design.md new file mode 100644 index 0000000..98384b3 --- /dev/null +++ b/docs/superpowers/specs/2026-08-18-disable-ocr-design.md @@ -0,0 +1,69 @@ +# 屏蔽数据处理中的 OCR 能力设计 + +日期：2026-08-18 + +## 1. 目标 + +屏蔽数据处理运行时的 OCR 能力，同时保留 Docling、`layout_hybrid` 版面分析、文本型 PDF 解析和现有前端切分选项。版面分析继续使用 Docling 的结构识别模型，但 PDF pipeline 必须显式设置 `do_ocr=False`，不再从图片或扫描页面识别文字。 + +## 2. 行为边界 + +- `layout_hybrid`、`semantic`、`fixed` 三种切分方式保持不变。 +- `layout_hybrid` 继续通过 Docling 识别文本层 PDF 的版面、阅读顺序、表格和列表结构。 +- OCR 是独立阶段，只在 Docling PDF pipeline 中关闭；不删除 Docling 版面/表格分析模型。 +- 整份 PDF 没有可提取文本时继续拒绝，并提示扫描版或图片型 PDF 不支持。 +- 混合 PDF 继续接收；有文本页正常处理，无文本图片页不产生文字，也不触发 OCR。 +- TXT、Markdown、结构化文件、DOCX、XLSX、PPTX 和文本型 PDF 的其他流程不变。 +- 不新增 OCR 配置项，不提供任何重新开启 OCR 的请求参数或环境开关。 + +## 3. 数据流 + +上传阶段仍由 `pypdf` 提取 PDF 文本。整份 PDF 没有文本层时在上传阶段失败；混合 PDF 保留空文本页。 + +预览阶段的 `layout_hybrid` 仍读取原始文件并调用 `DocumentConverter`，但转换器使用 PDF 专用配置： + +```python +pipeline_options = PdfPipelineOptions() +pipeline_options.do_ocr = False +DocumentConverter( + format_options={ + InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options), + } +) +``` + +这样 Docling 仍可对已有文本层执行版面分析，图片内容不会被 OCR 成文字。`semantic` 继续使用 LlamaIndex/HuggingFace embedding 模型；该模型与 OCR 无关。 + +## 4. 代码改动 + +### 4.1 PDF 版面转换 + +修改 `backend/app/modules/data_process/document_chunking.py` 的 `_document_converter()`： + +- 导入 `InputFormat`、`PdfPipelineOptions` 和 `PdfFormatOption`； +- 创建 `PdfPipelineOptions` 后将 `do_ocr` 固定为 `False`； +- 只为 `InputFormat.PDF` 注册该配置； +- 保留现有 `HybridChunker`、版面序列化、来源页码和 bbox 映射。 + +### 4.2 扫描 PDF 错误与文档 + +将无文本 PDF 的错误从“需要 OCR”改为“扫描版或图片型 PDF 不支持”，避免向用户暗示系统可以提供 OCR。同步更新数据处理设计文档；不删除测试中与 DPO 字段验证无关的历史文本样例。 + +### 4.3 依赖与界面 + +不删除 `docling`、`docling_core`、`layout_hybrid`、前端版面切分选项或相关配置。仅增加 OCR 关闭回归测试，不修改切分类型、默认值和前端交互。 + +## 5. 测试设计 + +- 使用假的 Docling 模块测试 `_document_converter()` 传入的 PDF pipeline options 最终为 `do_ocr=False`，不要求测试环境安装 Docling 才能验证配置。 +- 保留并运行版面投影、来源页码、短块合并和已有文本 PDF 测试，确认版面分析代码未被删除。 +- 更新纯扫描 PDF 错误断言。 +- 运行受影响的后端 pytest、Ruff 和前端数据处理回归；前端切分方式回归应继续要求 `layout_hybrid`、`semantic`、`fixed` 三种配置。 +- 静态检查确认没有新增 OCR 开关、OCR 调用或 OCR 引擎依赖；`do_ocr=False` 是唯一运行时设置。 + +## 6. 非目标 + +- 不移除版面结构混合切分。 +- 不移除 Docling 或其版面/表格分析模型。 +- 不把 `layout_hybrid` 改为语义或固定切分。 +- 不删除 PDF 支持，不改变混合 PDF 的接收策略。 diff --git a/frontend/src/layouts/MainLayout.vue b/frontend/src/layouts/MainLayout.vue index 6cb75d7..574b6f3 100644 --- a/frontend/src/layouts/MainLayout.vue +++ b/frontend/src/layouts/MainLayout.vue @@ -72,6 +72,12 @@ onUnmounted(() => { overflow-y: hidden; } + /* 表格页画布需允许收缩，否则内容自然高度超出视口时分页条会被裁掉且无滚动条可及 */ + &:has(.data-table-page) .page-canvas { + flex: 1 1 auto; + min-height: 0; + } + &:has(.create-wizard-layout) { overflow-y: hidden; diff --git a/frontend/src/views/data-process/create/dataProcessCreateState.ts b/frontend/src/views/data-process/create/dataProcessCreateState.ts index c487cde..f3615b6 100644 --- a/frontend/src/views/data-process/create/dataProcessCreateState.ts +++ b/frontend/src/views/data-process/create/dataProcessCreateState.ts @@ -52,7 +52,7 @@ export const PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT_3 = `你是一名具 数据格式要求： 请确保每条生成的数据清晰包含“问题”、“中间思考过程”和“最终答案”三个部分，且内容充实、专业。` -export const DEFAULT_STANDARD_GENERATION_PROMPT = `你是一名专业的数据生成专家。请基于下方来源内容，生成高质量、可直接用于大模型监督微调（SFT）的问答数据。 +export const PREVIOUS_DEFAULT_STANDARD_GENERATION_PROMPT_4 = `你是一名专业的数据生成专家。请基于下方来源内容，生成高质量、可直接用于大模型监督微调（SFT）的问答数据。 来源内容： {{ content }} @@ -62,7 +62,7 @@ export const DEFAULT_STANDARD_GENERATION_PROMPT = `你是一名专业的数据 2. 答案忠于来源：严格依据来源内容作答，不得引入来源中不存在的事实、观点或数据；若来源信息不足以完整回答该问题，请如实说明不足，不要编造或臆测。 3. 答案完整且自然：回答应直接回应问题，要点完整、逻辑清晰、语言流畅；涉及多项内容时建议分点陈述，但不必照搬原文措辞。` -export const DEFAULT_REASONING_GENERATION_PROMPT = `你是一名具有深厚专业知识的推理数据生成专家。请基于下方来源内容，生成包含完整思维链、可用于训练推理大语言模型（如 O1、DeepSeek-R1）的问答数据。 +export const PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT_4 = `你是一名具有深厚专业知识的推理数据生成专家。请基于下方来源内容，生成包含完整思维链、可用于训练推理大语言模型（如 O1、DeepSeek-R1）的问答数据。 来源内容： {{ content }} @@ -73,7 +73,7 @@ export const DEFAULT_REASONING_GENERATION_PROMPT = `你是一名具有深厚专 3. 信息不足时如实处理：遇到来源信息缺失或相互矛盾时，需在推理中明确指出，并基于来源做出合理假设，但不得编造与来源无关的内容。 4. 最终答案须能从前面的推理过程中自然得出，语言简洁、结构清晰。` -export const DEFAULT_DPO_GENERATION_PROMPT = `你是一名偏好数据构造专家。请基于下方来源内容，生成可用于直接偏好优化（DPO）的成对问答数据。 +export const PREVIOUS_DEFAULT_DPO_GENERATION_PROMPT = `你是一名偏好数据构造专家。请基于下方来源内容，生成可用于直接偏好优化（DPO）的成对问答数据。 来源内容： {{ content }} @@ -84,6 +84,41 @@ export const DEFAULT_DPO_GENERATION_PROMPT = `你是一名偏好数据构造专 3. Rejected 应当表面合理但包含可辨认的缺陷，例如遗漏关键条件、事实偏差、逻辑不完整或表达含混；不得用乱码、空话或危险内容凑数。 4. Chosen 与 Rejected 必须明显不同，且都直接回答同一个问题。` +export const DEFAULT_STANDARD_GENERATION_PROMPT = `你是一名专业的数据生成专家。请基于下方来源内容，生成高质量、可直接用于大模型监督微调（SFT）的问答数据。 + +来源内容： +{{ content }} + +任务要求： +1. 提问有价值：问题应聚焦来源内容的核心信息点，避免无意义的字面抄录或过于宽泛的提问；优先设计需要理解、归纳或推理才能回答的问题，例如主旨概括、细节追问、因果解释或场景应用。 +2. 问题表述自然：问题要像真实用户自然提出的问题——具体、口语化、直奔信息点；避免“请描述”“请说明”“根据文档”等模板化开头，不要把原文句子直接改成问句；多条问题应交替使用直接疑问、场景式提问、追问式等不同句式，不要只换关键词套用同一句式。 +3. 答案忠于来源：严格依据来源内容作答，不得引入来源中不存在的事实、观点或数据；若来源信息不足以完整回答该问题，请如实说明不足，不要编造或臆测。 +4. 答案完整且自然：回答应直接回应问题，要点完整、逻辑清晰、语言流畅；涉及多项内容时建议分点陈述，但不必照搬原文措辞。` + +export const DEFAULT_REASONING_GENERATION_PROMPT = `你是一名具有深厚专业知识的推理数据生成专家。请基于下方来源内容，生成包含完整思维链、可用于训练推理大语言模型（如 O1、DeepSeek-R1）的问答数据。 + +来源内容： +{{ content }} + +任务要求： +1. 提问有挑战性：从来源内容中提炼需要多步思考才能回答的问题，避免可直接定位答案的简单事实抽取；可涉及因果分析、逻辑推断或跨信息整合。 +2. 问题表述自然：问题要像真实用户自然提出的问题——具体、口语化；避免“请分析”“请说明”等模板化开头连用；多条问题应交替使用不同句式，不要只换关键词套用同一句式。 +3. 推理可核验：逐步展开思考过程，每个关键结论都应标注其在来源中的依据或必要的中间推导；不得跳过关键步骤只给结论，也不得引入来源中完全不存在的事实。 +4. 信息不足时如实处理：遇到来源信息缺失或相互矛盾时，需在推理中明确指出，并基于来源做出合理假设，但不得编造与来源无关的内容。 +5. 最终答案须能从前面的推理过程中自然得出，语言简洁、结构清晰。` + +export const DEFAULT_DPO_GENERATION_PROMPT = `你是一名偏好数据构造专家。请基于下方来源内容，生成可用于直接偏好优化（DPO）的成对问答数据。 + +来源内容： +{{ content }} + +任务要求： +1. 问题应聚焦来源内容的核心信息，并具有实际训练价值。 +2. 问题表述自然：问题要像真实用户提出的问题——具体、口语化，避免“请描述”“请说明”等模板化开头。 +3. Chosen 必须准确、完整、清晰且严格忠于来源内容。 +4. Rejected 应当表面合理但包含可辨认的缺陷，例如遗漏关键条件、事实偏差、逻辑不完整或表达含混；不得用乱码、空话或危险内容凑数。 +5. Chosen 与 Rejected 必须明显不同，且都直接回答同一个问题。` + export function defaultGenerationPrompt(outputType: 'standard' | 'reasoning' | 'dpo') { if (outputType === 'reasoning') return DEFAULT_REASONING_GENERATION_PROMPT if (outputType === 'dpo') return DEFAULT_DPO_GENERATION_PROMPT @@ -98,9 +133,12 @@ export function isBuiltInGenerationPrompt(value: string) { PREVIOUS_DEFAULT_STANDARD_GENERATION_PROMPT, PREVIOUS_DEFAULT_STANDARD_GENERATION_PROMPT_2, PREVIOUS_DEFAULT_STANDARD_GENERATION_PROMPT_3, + PREVIOUS_DEFAULT_STANDARD_GENERATION_PROMPT_4, PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT, PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT_2, PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT_3, + PREVIOUS_DEFAULT_REASONING_GENERATION_PROMPT_4, + PREVIOUS_DEFAULT_DPO_GENERATION_PROMPT, DEFAULT_STANDARD_GENERATION_PROMPT, DEFAULT_REASONING_GENERATION_PROMPT, DEFAULT_DPO_GENERATION_PROMPT,