gbanyan
5571076406
- Add curated occupations seed files (210 entries in zh/en) with specific domains - Add DBpedia occupations data (2164 entries) for external source option - Refactor expert_source_service to read from local JSON files - Improve keyword generation prompts to leverage expert domain context - Add architecture analysis documentation (ARCHITECTURE_ANALYSIS.md) - Fix expert source selection bug (proper handling of empty custom_experts) - Update frontend to support curated/dbpedia/wikidata expert sources Key changes: - backend/app/data/: Local occupation data files - backend/app/services/expert_source_service.py: Simplified local file reading - backend/app/prompts/expert_transformation_prompt.py: Better domain-aware prompts - Removed expert_cache.py (no longer needed with local files) 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude <noreply@anthropic.com>
278 lines
14 KiB
Markdown
278 lines
14 KiB
Markdown
# novelty-seeking 系統流程與耦合度分析
|
||
|
||
> 生成日期: 2025-12-04
|
||
|
||
## 一、系統整體架構概覽
|
||
|
||
novelty-seeking 是一個創新思維引導系統，由三個核心 Agent 組成：
|
||
- **Attribute Agent**：從查詢到屬性節點的映射
|
||
- **Transformation Agent**：屬性到新關鍵字的轉換
|
||
- **Expert Transformation Agent**：多視角專家角度的屬性轉換
|
||
|
||
---
|
||
|
||
## 二、完整資料流程
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────────────┐
|
||
│ Attribute Agent │
|
||
├─────────────────────────────────────────────────────────────────────┤
|
||
│ 用戶輸入 Query (如「腳踏車」) │
|
||
│ ↓ │
|
||
│ Step 0: 類別分析 (category_mode 決定) │
|
||
│ → 產出: CategoryDefinition[] (如 材料/功能/用途/使用族群) │
|
||
│ ↓ │
|
||
│ Step 1: 屬性列表生成 │
|
||
│ → 產出: {材料: [鋼,木,碳纖維], 功能: [搬運,儲存], ...} │
|
||
│ ↓ │
|
||
│ Step 2: 關係生成 (DAG 邊) │
|
||
│ → 產出: AttributeDAG (nodes + edges) │
|
||
└─────────────────────────────────────────────────────────────────────┘
|
||
↓ (高耦合)
|
||
┌─────────────────────────────────────────────────────────────────────┐
|
||
│ Expert Transformation Agent │
|
||
├─────────────────────────────────────────────────────────────────────┤
|
||
│ 輸入: Query + Category + Attributes (來自 Attribute Agent) │
|
||
│ ↓ │
|
||
│ Step 0: 專家團隊生成 │
|
||
│ → expert_source 決定: llm / curated / dbpedia / wikidata │
|
||
│ → 產出: ExpertProfile[] (如 會計師/心理師/生態學家) │
|
||
│ ↓ │
|
||
│ Step 1: 專家視角關鍵字生成 (對每個 attribute) │
|
||
│ → 產出: ExpertKeyword[] (關鍵字 + 來源專家 + 來源屬性) │
|
||
│ ↓ │
|
||
│ Step 2: 描述生成 (對每個 keyword) │
|
||
│ → 產出: ExpertTransformationDescription[] │
|
||
└─────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
---
|
||
|
||
## 三、Attribute Agent 詳細流程
|
||
|
||
### 3.1 流程架構
|
||
|
||
```
|
||
用戶查詢 (Query)
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 0: 類別分析 (Category Mode 決定) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 輸入: query, suggested_category_count │
|
||
│ 處理: │
|
||
│ - FIXED_ONLY: 使用 4 個固定類別 │
|
||
│ - FIXED_PLUS_CUSTOM: 固定 + 用戶自訂 │
|
||
│ - FIXED_PLUS_DYNAMIC: 固定 + LLM 推薦 │
|
||
│ - CUSTOM_ONLY: 僅 LLM 推薦 │
|
||
│ - DYNAMIC_AUTO: 純 LLM 推薦 (預設) │
|
||
│ 輸出: Step0Result (recommended categories) │
|
||
└─────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 1: 屬性列表生成 (Attributes) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 輸入: query, final_categories │
|
||
│ LLM 處理: │
|
||
│ - 分析 query 在各類別下的屬性 │
|
||
│ - 每個類別生成 3-5 個屬性 │
|
||
│ 輸出: DynamicStep1Result │
|
||
└─────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 2: 關係映射 (Relationships → DAG) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 輸入: query, categories, attributes │
|
||
│ LLM 處理: │
|
||
│ - 分析相鄰類別之間的因果關係 │
|
||
│ - 生成 (source, target) 關係對 │
|
||
│ 輸出: AttributeDAG │
|
||
└─────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 3.2 關鍵輸入變數
|
||
|
||
| 變數 | 來源 | 影響範圍 | 作用 |
|
||
|------|------|--------|------|
|
||
| `query` | 用戶輸入 | Step 0-2 全部 | 決定分析的物件 |
|
||
| `category_mode` | 用戶選擇 | Step 0 | 決定使用哪些類別 |
|
||
| `suggested_category_count` | 用戶設定 | Step 0 | LLM 推薦類別的數量 |
|
||
| `temperature` | 用戶設定 | Step 0-2 | 控制 LLM 輸出的多樣性 |
|
||
| `model` | 用戶選擇 | Step 0-2 | 選擇不同的 LLM 模型 |
|
||
|
||
---
|
||
|
||
## 四、Expert Transformation Agent 詳細流程
|
||
|
||
### 4.1 流程架構
|
||
|
||
```
|
||
屬性列表 (attributes from Attribute Agent)
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 0: 專家團隊生成 (Expert Generation) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 決定因素: │
|
||
│ - expert_source = 'llm' → LLM 生成 │
|
||
│ - expert_source ∈ ['curated', 'dbpedia', │
|
||
│ 'wikidata'] → 本地檔案隨機選取 │
|
||
│ - 有 custom_experts → 結合 LLM │
|
||
│ │
|
||
│ 輸出: ExpertProfile[] │
|
||
│ [{id, name, domain, perspective}] │
|
||
└─────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 1: 專家視角關鍵字生成 (Keywords) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 迴圈: for each attribute in attributes: │
|
||
│ LLM 為每個專家生成 keywords_per_expert │
|
||
│ 個關鍵字 │
|
||
│ │
|
||
│ 輸出: ExpertKeyword[] │
|
||
│ [{keyword, expert_id, expert_name, │
|
||
│ source_attribute}] │
|
||
└─────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────┐
|
||
│ Step 2: 描述生成 (Descriptions) │
|
||
├─────────────────────────────────────────────┤
|
||
│ 迴圈: for each expert_keyword: │
|
||
│ LLM 生成 15-30 字的創新應用描述 │
|
||
│ │
|
||
│ 輸出: ExpertTransformationDescription[] │
|
||
└─────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 4.2 關鍵輸入變數
|
||
|
||
| 變數 | 來源 | 影響範圍 | 作用 |
|
||
|------|------|--------|------|
|
||
| `expert_source` | 用戶選擇 | Step 0 | 決定專家來源 (llm/curated/dbpedia/wikidata) |
|
||
| `expert_count` | 用戶設定 | Step 0 | 專家數量 (2-8) |
|
||
| `keywords_per_expert` | 用戶設定 | Step 1 | 每專家每屬性關鍵字數 (1-3) |
|
||
| `custom_experts` | 用戶輸入 | Step 0 | 用戶指定的專家名稱 |
|
||
| `temperature` | 用戶設定 | Step 0-2 | 控制多樣性 |
|
||
|
||
### 4.3 關鍵字生成公式
|
||
|
||
```
|
||
總關鍵字數 = len(attributes) × expert_count × keywords_per_expert
|
||
|
||
範例計算:
|
||
├─ 3 個屬性 (搬運, 儲存, 展示)
|
||
├─ 3 位專家 (會計師, 心理師, 生態學家)
|
||
├─ 1 個關鍵字/專家
|
||
└─ = 3 × 3 × 1 = 9 個關鍵字
|
||
```
|
||
|
||
---
|
||
|
||
## 五、關鍵字生成影響因素
|
||
|
||
| 階段 | 影響變數 | 影響程度 | 說明 |
|
||
|------|---------|---------|------|
|
||
| **屬性生成** | `query` | 極高 | 決定 LLM 分析的語義基礎 |
|
||
| | `category_mode` | 高 | 決定類別維度 |
|
||
| | `temperature` | 中 | 越高越多樣 |
|
||
| | `model` | 中 | 不同模型知識基礎不同 |
|
||
| **專家生成** | `expert_source` | 高 | 決定專家來源與品質 |
|
||
| | `expert_count` | 中 | 2-8 位專家 |
|
||
| | `custom_experts` | 中 | 與 LLM 結合 |
|
||
| **關鍵字生成** | `experts[].domain` | 極高 | 直接決定關鍵字視角 |
|
||
| | `keywords_per_expert` | 低 | 控制數量 |
|
||
| | `source_attribute` | 高 | 決定思考起點 |
|
||
|
||
---
|
||
|
||
## 六、耦合度分析
|
||
|
||
### 6.1 高耦合連接 ⚠️
|
||
|
||
| 連接 | 耦合度 | 原因 | 風險 |
|
||
|------|--------|------|------|
|
||
| Attribute → Expert Transform | 高 | Expert 依賴 Attribute 輸出 | 結構變更需同步修改 |
|
||
| Expert 生成 → Keyword 生成 | 高 | domain 直接影響關鍵字 | domain 品質差→關鍵字無關 |
|
||
| Prompt → LLM 輸出結構 | 高 | prompt 定義 JSON 格式 | 改 prompt 需改 schema |
|
||
|
||
### 6.2 低耦合連接 ✓
|
||
|
||
| 連接 | 耦合度 | 原因 | 優點 |
|
||
|------|--------|------|------|
|
||
| curated/dbpedia/wikidata | 低 | 獨立本地檔案 | 可單獨更新 |
|
||
| SSE 通信格式 | 低 | 標準化解耦 | 向後相容 |
|
||
| useAttribute/useExpertTransformation | 低 | 獨立 hook | 可單獨複用 |
|
||
|
||
### 6.3 耦合度矩陣
|
||
|
||
| | Attribute | Transformation | Expert Transform |
|
||
|----|-----------|---------------|----|
|
||
| **Attribute** | - | 低 | 高 |
|
||
| **Transformation** | 低 | - | 低 |
|
||
| **Expert Transform** | 高 | 低 | - |
|
||
|
||
---
|
||
|
||
## 七、專家來源比較
|
||
|
||
| 來源 | 檔案 | 筆數 | Domain 品質 | 特點 |
|
||
|------|------|------|------------|------|
|
||
| `llm` | - | 動態 | 高 | LLM 根據 query 生成相關專家 |
|
||
| `curated` | curated_occupations_zh/en.json | 210 | 高 | 精選職業，含具體領域 |
|
||
| `dbpedia` | dbpedia_occupations_en.json | 2164 | 低 | 全是 "Professional Field" |
|
||
| `wikidata` | - | - | - | 未實作本地化 |
|
||
|
||
---
|
||
|
||
## 八、決策變化追蹤範例
|
||
|
||
```
|
||
Query: "腳踏車"
|
||
↓
|
||
Category Mode: DYNAMIC_AUTO
|
||
→ LLM 建議 [材料, 功能, 用途, 使用族群]
|
||
↓
|
||
Expert Source: "curated"
|
||
→ 隨機選取 [外科醫師(醫療與健康), 軟體工程師(資訊科技), 主廚(餐飲與服務)]
|
||
↓
|
||
Attribute "搬運" + Expert "外科醫師"
|
||
→ LLM 思考: 醫療視角看搬運
|
||
→ Keyword: "器官運輸", "急救物流"
|
||
↓
|
||
Description 生成:
|
||
→ "從急救醫療角度，腳踏車可改良為緊急醫療運輸工具..."
|
||
```
|
||
|
||
---
|
||
|
||
## 九、改進建議
|
||
|
||
| 問題 | 現狀 | 建議改進 |
|
||
|------|------|---------|
|
||
| domain 品質 | DBpedia 全是通用值 | ✅ 已建立精選職業 |
|
||
| 重複計算 Expert | 每類別重新生成 | 考慮 Expert 全局化 |
|
||
| Temperature 統一 | 整流程同一值 | 可按 Step 分開設定 |
|
||
| 缺乏快取 | 每次重新分析 | 加入 Attribute 快取層 |
|
||
| 語言支援 | 主要中文 | ✅ 已建立英文版 |
|
||
|
||
---
|
||
|
||
## 十、關鍵檔案清單
|
||
|
||
### Backend
|
||
- `app/routers/analyze.py` - Attribute Agent 路由
|
||
- `app/routers/expert_transformation.py` - Expert Transformation 路由
|
||
- `app/prompts/step_prompts.py` - Attribute Agent 提示詞
|
||
- `app/prompts/expert_transformation_prompt.py` - Expert Transformation 提示詞
|
||
- `app/services/expert_source_service.py` - 專家來源服務
|
||
- `app/services/llm_service.py` - LLM 調用服務
|
||
- `app/data/curated_occupations_zh.json` - 精選職業（中文）
|
||
- `app/data/curated_occupations_en.json` - 精選職業（英文）
|
||
- `app/data/dbpedia_occupations_en.json` - DBpedia 職業
|
||
|
||
### Frontend
|
||
- `src/App.tsx` - 主狀態管理
|
||
- `src/hooks/useAttribute.ts` - Attribute Agent Hook
|
||
- `src/hooks/useExpertTransformation.ts` - Expert Transformation Hook
|
||
- `src/components/TransformationInputPanel.tsx` - 轉換控制面板
|
||
- `src/types/index.ts` - 類型定義
|