2ceb26f2cd
Что можно сказать, решает слот-автомат, а не модель: в промпт попадают только раскрытые факты. Иначе LLM услужливо назовёт адрес, которого не спрашивали. Промпты лежат файлами — их правит тот, кто ведёт занятия. Отказ провайдера не роняет занятие: звонящий откатывается на заготовки. Молчащий звонящий хуже шаблонной фразы. Офлайн — таблица, а не локальная модель. Ветвление уже делает слот-автомат, поэтому таблица индексируется парой «событие × настроение» и выходит небольшой: для пожарного сценария 62 реплики, около 36 секунд генерации. Формулировки в ней от облачной модели, а задержка на занятии нулевая — локальная 3–4B дала бы формулировки хуже и за 2.5 секунды. Найдено на бесплатной модели OpenRouter: рассуждающие модели тратят сотни токенов на размышление и при малом бюджете возвращают пустой content с finish_reason=length. Пустой ответ теперь честный отказ, бюджет токенов поднят, рассуждение из ответа исключается. Живые запросы к LLM вынесены из общего прогона: они требуют сети, а рассуждающая модель отвечает десятками секунд.
82 lines
3.4 KiB
Python
82 lines
3.4 KiB
Python
"""Офлайн-звонящий: читает таблицу реплик с диска.
|
||
|
||
Ветвление делает слот-автомат, поэтому таблица индексируется парой
|
||
«событие × настроение», а не хранит граф диалога. На занятии сети не нужно
|
||
вовсе: задержка — это время матчинга эмбеддингами, около 300 мс.
|
||
|
||
Это не запасной костыль, а требование воспроизводимости: сценарий занятия
|
||
проверяется методистом заранее и звучит одинаково у каждой группы
|
||
(docs/arch/STACK.md).
|
||
"""
|
||
|
||
import logging
|
||
from pathlib import Path
|
||
|
||
import yaml
|
||
|
||
from app.dialog.caller import CallerLine, TemplateCaller
|
||
from app.dialog.persona import PersonaState
|
||
from app.dialog.slots import SlotMachine, TurnResult
|
||
from app.domain.events import Mood
|
||
|
||
log = logging.getLogger(__name__)
|
||
|
||
LIBRARY = Path(__file__).resolve().parents[3] / "scenarios" / "pregenerated"
|
||
|
||
|
||
def table_path(scenario_id: str) -> Path:
|
||
return LIBRARY / f"{scenario_id}.yaml"
|
||
|
||
|
||
def has_table(scenario_id: str) -> bool:
|
||
return table_path(scenario_id).exists()
|
||
|
||
|
||
class TreeCaller:
|
||
"""Звонящий по предгенерированной таблице.
|
||
|
||
Чего в таблице нет — берётся у заготовок: пропуск не должен оставлять
|
||
звонящего без голоса посреди занятия.
|
||
"""
|
||
|
||
def __init__(self, scenario_id: str) -> None:
|
||
self._table = yaml.safe_load(table_path(scenario_id).read_text(encoding="utf-8")) or {}
|
||
self._fallback = TemplateCaller()
|
||
self._turn = 0
|
||
self.misses = 0
|
||
|
||
@property
|
||
def first_line(self) -> str | None:
|
||
return self._table.get("first_line")
|
||
|
||
def _line(self, section: str, fact_id: str, mood: Mood) -> str | None:
|
||
return (self._table.get(section, {}).get(fact_id) or {}).get(mood.value)
|
||
|
||
def _filler(self, mood: Mood) -> str | None:
|
||
options = self._table.get("fillers", {}).get(mood.value) or []
|
||
return options[(self._turn - 1) % len(options)] if options else None
|
||
|
||
async def reply(self, turn: TurnResult, persona: PersonaState, slots: SlotMachine) -> CallerLine:
|
||
self._turn += 1
|
||
for _ in turn.repeated:
|
||
persona.on_repeat()
|
||
mood = persona.remember()
|
||
|
||
parts: list[str] = []
|
||
for fact_id in turn.revealed:
|
||
parts.append(self._line("reveal", fact_id, mood) or "")
|
||
for fact_id in turn.repeated:
|
||
parts.append(self._line("repeat", fact_id, mood) or "")
|
||
|
||
if parts and all(parts):
|
||
return CallerLine(text=" ".join(parts), mood=mood)
|
||
if not parts:
|
||
filler = self._filler(mood)
|
||
if filler:
|
||
return CallerLine(text=filler, mood=mood)
|
||
|
||
# В таблице дырка: реплику берём у заготовок, но считаем — по счётчику
|
||
# видно, что предгенерацию пора повторить.
|
||
self.misses += 1
|
||
log.warning("в таблице нет реплики (%s), звонящий отвечает заготовкой", mood.value)
|
||
return await self._fallback.reply(turn, persona, slots)
|