让AI给你写代码（9.3）：一点改进，支持扩展本地知识库

改进目标，当输入提示问题后，能匹配到本地知识库的需求，然后AI按匹配到的需求给出代码并进行自动测试；如果无法匹配到本地需求，可以直接输入生成逻辑，再由AI生成，然后支持用户把新需求插入本地库。

改进前的架构参考让AI给你写代码（9.1）：引导AI根据输入的问题，并结合本地知识库的预存需求组成提示模板，生成代码并测试，保存

改进后的架构如下：
在这里插入图片描述
对于代码改进主要是集中在两个地方
1 驱动LLM的上下文模板需要更改:
原来：
CONTEXT_QA_TMPL = “”"
下面的信息({summary_prompt})是否有这个问题({message})有关，
如果你觉得无关请告诉我无法根据提供的上下文回答’{message}'这个问题，简要回答即可，
否则请根据{summary_prompt}对{message}的问题进行回答
“”"

更改为
CONTEXT_QA_TMPL = “”"
下面的信息({summary_prompt})是否有这个问题({message})有关，
如果你觉得无关请告诉我无法根据提供的上下文回答’{message}'这个问题，先回答与上下文无关，再按{message}回答这个问题
否则请根据{summary_prompt}对{message}的问题进行回答
“”“”
希望达成目标，如果匹配本地库失败，LLM不仅仅简单的回复“无关”，而是可以根据输入的内容直接让AI生成代码

2 增加一个插入本地知识库的函数工具

#自定义切分
class Document:def __init__(self, text):self.page_content = textself.metadata = {'source': 'Own'}def insertKnowledge(self, text: str):# 询问用户是否需要将代码插入知识库while True:insert_knowledge = input("是否需要将代码插入知识库？(y/n): ")if insert_knowledge == "y" or insert_knowledge == "Y":msg = text.split("```python...```")[0] + "```python...```"split_docs=[Document(msg)]# 插入知识库db = ElasticVectorSearch.from_documents(split_docs,self.embeddings,elasticsearch_url="http://localhost:9200",index_name=my_index)print(db.client.info())print("需求插入知识库成功")breakelse:print("不插入知识库")break...#主程序修改while True:try:user_input = input("请输入您的问题：")similarDocs = local_db.searchKnowledge(user_input)summary_prompt = "".join([doc.page_content for doc in similarDocs])  # 找到最接近的描述docraw_code = assistant.genCode(user_input, summary_prompt)# print('answer::', llm(prompt))print('raw_code::', raw_code)print('\n')#执行程序result = assistant.py_repl_tool_list(raw_code)print('result::', result)print('\n')#储存需求到本地库（新增）local_db.insertKnowledge(user_input)print('本轮处理完毕'+'\n')except KeyboardInterrupt:break

测试：我们新增一个计算均线的功能，还是用aksahre库，计算A股股票过去M个交易日N天均线
直接看过程
执行前的本地知识库，一共五个需求docs：
在这里插入图片描述
执行过程
请输入您的问题：计算A股股票过去M个交易日N天均线，可以使用akshare库，按按股票代码(stock_code),前复权(qfq)，使用stock_zh_a_hist(symbol=stock_code,adjust=“qfq”)接口，获得该股票历史行情，然后根据收盘价（属性为"收盘"）计算N天均线，计算结果在历史行情的dataframe新增一列，然后获取最近M个交易日的数据作为返回结果，并用print打印，代码格式为python...，请以600029为例计算过去200个交易日内60天均线

（预期，与本地知识库匹配无关）

raw_code:: 与上下文无关。

接下来，我将直接回答关于计算A股股票过去M个交易日N天均线的问题。以600029为例，计算过去200个交易日内60天均线的Python代码如下：

import akshare as ak
import pandas as pd
from datetime import datetime, timedelta# 设置股票代码
stock_code = "600029"
# 设置回溯的交易日数量
M = 200
# 设置均线周期
N = 60# 获取股票历史行情数据，前复权
hist_data = ak.stock_zh_a_hist(symbol=stock_code, adjust="qfq")
# 确保数据按日期升序排列
hist_data = hist_data.sort_values(by='日期')# 计算N天均线
hist_data['MA{}'.format(N)] = hist_data['收盘'].rolling(window=N).mean()# 获取最近M个交易日的数据
end_date = hist_data.iloc[-1]['日期']
start_date = end_date - timedelta(days=M)
recent_data = hist_data[(hist_data['日期'] >= start_date) & (hist_data['日期'] <= end_date)]# 打印结果
print(recent_data[['日期', '收盘', 'MA{}'.format(N)]])

这段代码首先导入了必要的库，并设置了股票代码、需要回溯的交易日数M以及均线周期N。接着，它调用了akshare库的stock_zh_a_hist接口来获取股票的历史行情数据，并对其进行前复权处理。之后，计算了N天的移动平均线并在DataFrame中新增了一列。最后，筛选出了最近M个交易日的数据并打印出来，其中包括日期、收盘价以及计算出的N天均线值。
执行成功:

raw_file_name:: “China_Stock_Analysis.py”

file_name:: China_Stock_Analysis.py

文件保存成功

result:: {0: ’ 日期收盘 MA60\n4830 2023-11-13 5.97 6.202000\n4831 2023-11-14 5.97 6.186333\n4832 2023-11-15 6.02 6.172833\n4833 2023-11-16 6.06 6.161500\n4834 2023-11-17 6.13 6.150833\n… … … …\n4958 2024-05-27 5.98 5.695833\n4959 2024-05-28 5.92 5.695000\n4960 2024-05-29 5.92 5.695500\n4961 2024-05-30 5.90 5.695167\n4962 2024-05-31 5.88 5.698000\n\n[133 rows x 3 columns]\n’}

是否需要将代码插入知识库？(y/n): y
{‘name’: ‘node-1’, ‘cluster_name’: ‘elasticsearch’, ‘cluster_uuid’: ‘F6X7HlMMS-eYJlzY8Tg3Mw’, ‘version’: {‘number’: ‘7.9.2’, ‘build_flavor’: ‘default’, ‘build_type’: ‘tar’, ‘build_hash’: ‘d34da0ea4a966c4e49417f2da2f244e3e97b4e6e’, ‘build_date’: ‘2020-09-23T00:45:33.626720Z’, ‘build_snapshot’: False, ‘lucene_version’: ‘8.6.2’, ‘minimum_wire_compatibility_version’: ‘6.8.0’, ‘minimum_index_compatibility_version’: ‘6.0.0-beta1’}, ‘tagline’: ‘You Know, for Search’}
需求插入知识库成功
本轮处理完毕

执行完成后的本地知识库

在这里插入图片描述
增加成功