CN117743545A - 一种基于toB企服项目交付系统业务数据获取方法和系统 - Google Patents
一种基于toB企服项目交付系统业务数据获取方法和系统 Download PDFInfo
- Publication number
- CN117743545A CN117743545A CN202311767176.5A CN202311767176A CN117743545A CN 117743545 A CN117743545 A CN 117743545A CN 202311767176 A CN202311767176 A CN 202311767176A CN 117743545 A CN117743545 A CN 117743545A
- Authority
- CN
- China
- Prior art keywords
- llm
- tob
- input
- delivery system
- subtasks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于toB企服项目交付系统业务数据获取方法和系统，方法包括：接收用户输入问题；将PlanPrompt和问题输入LLM模型生成多个子任务；按照子任务生成顺序依次使子任务执行以下内容：将子任务以设定规则生成Prompt指令，将Prompt指令和访问toB企服项目交付系统多个API输入LLM模型生成对应访问交付系统指令以及API，根据生成内容获取业务数据，设定规则：第一个子任务直接生成Prompt指令，其余子任务与上一个子任务业务数据结合生成Prompt指令；将所有子任务对应业务数据整合利用LLM模型获取自然语言业务数据。通过本申请方法，能够提高用户使用便利性。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于toB企服项目交付系统业务数据获取方法和系统。
背景技术
在toB企服项目安装交付管理软件中，获取项目信息等其他信息的方式都是基于GUI(Graphical UI，图形化页面交付)，toB业务比较复杂，一般toB企服项目安装交付管理软件的布局为左侧大量菜单，右侧大量列表，普通的网站交付方式导致获取信息方式复杂，需要点击各种“菜单+tab+固定的图表”来获取自己想要的完整的信息，而且UI页面是标准的，一旦定型，任何个性化的数据获取，都会变的很复杂。综上，亟需获取一种便于业务数据获取的方法。
发明内容
基于此，针对上述技术问题，提供一种基于toB企服项目交付系统业务数据获取方法，用以解决现有技术获取业务数据复杂的问题。
第一方面，一种基于toB企服项目交付系统业务数据获取方法，所述方法包括：
步骤S1：接收用户输入的问题；
步骤S2：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
步骤S3：按照子任务的生成顺序依次使每个子任务执行以下内容：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
步骤S4：将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
上述方案中，可选地，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为Context。
上述方案中，可选地，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
上述方案中，可选地，，所述将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解后，包括：任务拆解失败，直接输出不支持所述输入问题的业务数据的获取。
上述方案中，可选地，若将所述Prompt指令输入至LLM模型中后，LLM模型不能生成所述子任务对应的访问toB企服项目交付系统的指令以及API，则直接输出不支持所述输入问题的业务数据的获取。
第二方面，一种基于toB企服项目交付系统业务数据获取系统，所述系统包括：
Input模块：用于接收用户输入的问题；
Plan计划模块：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
Collect数据收集模块：用于按照子任务的生成顺序依次使每个子任务执行下面步骤：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
Output结果封装模块：用于将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
上述方案中，可选地，所述系统还包括：
解析模块：用于对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为LLM模型的Context。
上述方案中，可选地，所述系统还包括：
判断模块：用于对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的一种基于toB企服项目交付系统业务数据获取方法的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的一种基于toB企服项目交付系统业务数据获取方法的步骤。
本申请至少具有以下有益效果：
本申请通过对用户的问题进行任务拆解，然后对于每一个子任务进行访问toB企服项目交付系统的指令以及API的分配，以此调用各个子任务的业务数据的收集，最后对收集的业务数据进行整合，以自然语言的形式进行输出。因此，本申请只需要用户输入问题，便可自动进行业务数据的输出，不需要用户进行多次选择菜单，提高用户使用的便利性。
附图说明
图1为本申请一个实施例提供的一种基于toB企服项目交付系统业务数据获取方法的流程示意图；
图2为本申请一个实施例提供一种基于toB企服项目交付系统业务数据获取系统的模块框架图；
图3为本申请一个实施例中提供一种基于toB企服项目交付系统业务数据获取方法的详细流程示意图；
图4为本申请一个实施例提供一种基于toB企服项目交付系统业务数据获取系统的一页面展示图；
图5为本申请一个实施例提供一种基于toB企服项目交付系统业务数据获取系统的另一页面展示图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
LLM大模型：LLM大模型是指Language Model with Large-scalepretraining的缩写，翻译过来就是具有大规模预训练的语言模型。LLM大模型是一种基于深度学习的人工智能模型，用于自然语言处理和文本生成任务。它是通过在大规模文本数据上进行预训练来学习语言的统计规律和语义表示，使得模型能够对自然语言进行理解和生成。
Prompt:提示词，LLM大模型里的prompt通常指的是输入给模型的一段文本，它可以是一个问题、一句话、一篇文章等等。这段文本中通常包含了一些关键信息，模型会根据这些信息生成相应的文本结果。在一些自然语言处理任务中，prompt的设计可以对生成结果产生重要影响，因此需要仔细考虑prompt的内容和结构。
在一个实施例中，如图1所示，提供了一种基于toB企服项目交付系统业务数据获取方法，包括以下步骤：
步骤S1：接收用户输入的问题；
步骤S2：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
步骤S3：按照子任务的生成顺序依次使每个子任务执行以下内容：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
步骤S4：将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
具体地，在本实施例中，包括以下步骤：
1.假如输入的input为“黑龙江鹤岗第三煤矿的交付项目现在整体状况怎么样了？”
2.这一步会携带“系统人设”到上下文(Context)中，“系统人设”也叫SystemPrompt(系统提示词)，如用户可以输入如下的系统人设：你是一个在泛工业领域，尤其是装备制造业领域，负责项目交付管理系统的资深项目经理，请你后续回答问题的时候都以专业的口吻来回答，不要有多余的回复，不用展示你的思考过程和分析过程，直接给到结果，如果不知道，就回复不知道三个字。
该系统人设可以和用户输入的问题一起输入，也可以分开输入。
3.Plan计划模块：把Plan计划模块的Prompt作为Context喂给LLM大模型。LLM大模型根据我们的PlanPrompt提示词，自主进行子问题拆解，然后把子问题拆解的结果告诉我们。
Plan计划模块的Prompt提示词如下，也是LLM大模型拆解问题的主要依据：
请根据用户的输入{input}来进行子任务拆解，目前支持的子任务有：
1)模块判断：判断{input}属于哪个模块。
如支持的模块包含：“项目Project模块”，“工单Ticket模块”，“物流Logistic模块”，“质量Quality模块”，“风险Risk模块”，如果找不到合适的模块，则直接返回不知道，不用继续往下拆解子任务。
2)是否需要生成分析报告。如果用户的{input}中，有想了解模块整体情况的动机和目的时，生成该子任务。
3)是否需要以图表的样式进行展示。如果用户的{input}中，有可以用图形来展示的数字，则优先使用图形展示。一般来说认为图形化展示的用户体验比文本展示更好。
比如1)中的这个input,LLM大模型会根据预设的Prompt提示词拆解为3个子问题：
a.子任务1：请获取“黑龙江鹤岗第三煤矿项目”的项目模块的信息。一般来说，项目的模块信息包括项目整体进度，负责人，里程碑，相关时间，人员等信息；
b.子任务2：获取“黑龙江鹤岗第三煤矿项目”的交付风险分析报告；
c.子任务3：对项目的子任务进度进行一个甘特图的图形化展示。
4.LLM大模型返回Plan计划模块子任务拆解后的结果，如：
如{“子任务1：xxxx”，“子任务2：xxxxxx”，“子任务3：xxxxxx”}；
5.Assign工具分配模块：Plan模块把子任务放到Context中，并和input一起发给Assign工具分配模块，该模块负责分配API和元数据。
6.根据Plan模块返回的子任务，再把各个子任务所需要的Assign模块的Prompt作为Context喂给LLM大模型。
Prompt大体如下：
如果{module}是项目模块，则对应的API列表为：xxxx(省略)，同时对应的mongo表的元数据为：xxxx(省略)；
其它模块也是类似的描述方式，核心逻辑是把各个模块所需要的API列表和对应的数据表结构预置到Prompt中。
7.LLM大模型返回相关的API+对应的入参+可执行的SQL。
8.Collect数据收集模块：把API+入参+SQL传给Collect数据收集模块，Collect模块会和LLM大模型通过CollectPrompt进行交互。
9.获取业务数据：通过API和执行SQL，访问“项目交付管理”系统微服务和数据库，获取到相关的业务数据。
10.返回业务数据的结果。
11.Output模块：接收业务数据，进行整合和拟人化总结，转换。(如业务数据+图表+报告分析，三者的整合)。
12.发给LLM大模型：让LLM大模型对JSON结果进行解读，比如可以根据一段JSON，转成中文描述。
13.LLM大模型把结果返回给Output模块。
14.Output模块把结果返回给聊天程序。
15.转成echarts需要的图表风格。
16.前端渲染最终结果。
17.结果返回给用户。
上述一种基于toB企服项目交付系统业务数据获取方法中，通过对用户的问题进行任务拆解，然后对于每一个子任务进行访问toB企服项目交付系统的指令以及API的分配，以此调用各个子任务的业务数据的收集，最后对收集的业务数据进行整合，以自然语言的形式进行输出。因此，本申请只需要用户输入问题，便可自动进行业务数据的输出，不需要用户进行多次选择菜单，提高用户使用的便利性。
在一个实施例中，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为Context。
在一个实施例中，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
在一个实施例中，所述将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解后，包括：任务拆解失败，直接输出不支持所述输入问题的业务数据的获取。
在一个实施例中，若将所述Prompt指令输入至LLM模型中后，LLM模型不能生成所述子任务对应的访问toB企服项目交付系统的指令以及API，则直接输出不支持所述输入问题的业务数据的获取。
在一个实施例中，提供一种基于toB企服项目交付系统业务数据获取系统，所述系统包括：
Input模块：用于接收用户输入的问题；
Plan计划模块：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
Collect数据收集模块：用于按照子任务的生成顺序依次使每个子任务执行下面步骤：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
Output结果封装模块：用于将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
在一个实施例中，所述系统还包括：
解析模块：用于对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为LLM模型的Context。
在一个实施例中，所述系统还包括：
判断模块：用于对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
关于一种基于toB企服项目交付系统业务数据获取系统的具体限定可以参见上文中对于一种基于toB企服项目交付系统业务数据获取方法的限定，在此不再赘述。上述一种基于toB企服项目交付系统业务数据获取系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请的步骤如下：
1.在项目安装交付层面训练出了个一个智能体Agent。
2.执行思路按照input->plan->assign->collect->output 5步法执行。
3.调试训练符合当前系统的prompt,根据用户问题的相对发散，但依然可以确保返回的质量和效果，比如用户问“xxx项目怎么样了？”和“请说一下xxx项目当前的状态”应该是比较相近的问题，返回的答案也要尽可能相近。
本申请的效果如下：
1.提高查询效率，用户通过chatUI问答的方式，快速获取自己想要的数据。
2.个性化体验，提升用户体验。不同用户问答的方式不同，不再遵循以前标准化，固定化的图形用户界面(GUI)，甚至以前没有提供展现的数据，再chat UI的问答交流过程中，都可以获取到。达到了个性化的目的，大幅提升了用户体验。
3.逻辑链，提高数据返回关联性和质量。用户在一个chatUI的聊天界面中，可以根据自己的逻辑链(chain oflogic)来探索和下钻，而不是依赖于网站固有的交互和下钻逻辑。可以大幅提高上下文的问题关联性，从而让客户深度参与使用，进而挖掘出更高质量的数据。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述一种基于toB企服项目交付系统业务数据获取方法。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于toB企服项目交付系统业务数据获取方法，其特征在于，所述方法包括：
步骤S1：接收用户输入的问题；
步骤S2：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
步骤S3：按照子任务的生成顺序依次使每个子任务执行以下内容：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
步骤S4：将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
2.根据权利要求1所述基于toB企服项目交付系统业务数据获取方法，其特征在于，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为Context。
3.根据权利要求1所述基于toB企服项目交付系统业务数据获取方法，其特征在于，所述接收用户输入的问题后，还包括：对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
4.根据权利要求1所述基于toB企服项目交付系统业务数据获取方法，其特征在于，所述将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解后，包括：任务拆解失败，直接输出不支持所述输入问题的业务数据的获取。
5.根据权利要求1所述的方法，其特征在于，若将所述Prompt指令输入至LLM模型中后，LLM模型不能生成所述子任务对应的访问toB企服项目交付系统的指令以及API，则直接输出不支持所述输入问题的业务数据的获取。
6.一种基于toB企服项目交付系统业务数据获取系统，其特征在于，所述系统包括：
Input模块：用于接收用户输入的问题；
Plan计划模块：将预先设定的PlanPrompt作为Context输入至LLM大模型中，利用LLM大模型对所述用户输入的问题进行任务拆解，将用户输入的问题拆解为多个子任务；将多个子任务作为LLM大模型的Context；
Collect数据收集模块：用于按照子任务的生成顺序依次使每个子任务执行下面步骤：
将所述子任务按照设定规则生成对应的Prompt指令；将所述Prompt指令作为LLM模型的Context；将所述Prompt指令以及预先存储访问toB企服项目交付系统的多个API输入至LLM模型中，生成子任务对应的访问toB企服项目交付系统的指令以及API；
根据所述访问toB企服项目交付系统的指令以及API访问toB企服项目交付系统的微服务和数据库，获取对应的JSON格式的业务数据；
所述设定规则包括：按照子任务的生成顺序，第一个子任务直接生成对应的Prompt指令，其余子任务与上一个子任务生成的业务数据结合生成对应的Prompt指令；
Output结果封装模块：用于将获取所有子任务对应业务数据进行整合，将整合后的JSON格式的数据发送给LLM大模型进行解读，获取自然语言的业务数据的输出。
7.根据权利要求6所述基于toB企服项目交付系统业务数据获取系统，其特征在于，所述系统还包括：
解析模块：用于对所述用户输入的问题进行解析，判断所述用户输入的问题是否包含系统人设参数，若包含，将对应的系统人设参数作为LLM模型的Context。
8.根据权利要求6所述基于toB企服项目交付系统业务数据获取系统，其特征在于，所述系统还包括：
判断模块：用于对所述用户输入的问题进行合规性过滤，若判断出所述用户输入的问题不合规，则直接输出不支持所述输入问题的业务数据的获取。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311767176.5A CN117743545B (zh) | 2023-12-20 | 2023-12-20 | 一种基于toB企服项目交付系统业务数据获取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311767176.5A CN117743545B (zh) | 2023-12-20 | 2023-12-20 | 一种基于toB企服项目交付系统业务数据获取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117743545A true CN117743545A (zh) | 2024-03-22 |
| CN117743545B CN117743545B (zh) | 2024-05-17 |
Family
ID=90254102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311767176.5A Active CN117743545B (zh) | 2023-12-20 | 2023-12-20 | 一种基于toB企服项目交付系统业务数据获取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743545B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230195423A1 (en) * | 2021-12-22 | 2023-06-22 | Jpmorgan Chase Bank, N.A. | System and method for real-time automated project specifications analysis |
| CN116595130A (zh) * | 2023-07-18 | 2023-08-15 | 深圳须弥云图空间科技有限公司 | 基于小语言模型的多种任务下的语料扩充方法及装置 |
| CN116680093A (zh) * | 2023-05-20 | 2023-09-01 | 数字郑州科技有限公司 | 基于LLM的web应用优化系统及服务实现方法和系统 |
| CN116700839A (zh) * | 2023-07-31 | 2023-09-05 | 腾讯科技（深圳）有限公司 | 一种任务处理方法、装置、设备、存储介质及程序产品 |
| CN116932733A (zh) * | 2023-04-07 | 2023-10-24 | 北京百度网讯科技有限公司 | 基于生成式大语言模型的信息推荐方法及相关装置 |
| CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
-
2023
- 2023-12-20 CN CN202311767176.5A patent/CN117743545B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230195423A1 (en) * | 2021-12-22 | 2023-06-22 | Jpmorgan Chase Bank, N.A. | System and method for real-time automated project specifications analysis |
| CN116932733A (zh) * | 2023-04-07 | 2023-10-24 | 北京百度网讯科技有限公司 | 基于生成式大语言模型的信息推荐方法及相关装置 |
| CN116680093A (zh) * | 2023-05-20 | 2023-09-01 | 数字郑州科技有限公司 | 基于LLM的web应用优化系统及服务实现方法和系统 |
| CN116595130A (zh) * | 2023-07-18 | 2023-08-15 | 深圳须弥云图空间科技有限公司 | 基于小语言模型的多种任务下的语料扩充方法及装置 |
| CN116700839A (zh) * | 2023-07-31 | 2023-09-05 | 腾讯科技（深圳）有限公司 | 一种任务处理方法、装置、设备、存储介质及程序产品 |
| CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117743545B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dalpiaz et al. | Requirements engineering in the days of artificial intelligence | |
| Ghose et al. | Process discovery from model and text artefacts | |
| Rastkar et al. | Generating natural language summaries for crosscutting source code concerns | |
| CN109753635A (zh) | 使用优质示例的自动化文档助手 | |
| Soliman et al. | Enriching architecture knowledge with technology design decisions | |
| US20230334072A1 (en) | Automatic question answering system and question-answer pair data generation method | |
| Alhassan et al. | A novel framework for Arabic dialect chatbot using machine learning | |
| Dominic et al. | Onboarding bot for newcomers to software engineering | |
| Weyers et al. | Formal modeling and reconfiguration of user interfaces for reduction of errors in failure handling of complex systems | |
| Wang et al. | Cross‐Cultural Learning: A Visualized Bibliometric Analysis Based on Bibliometrix from 2002 to 2021 | |
| Vishwakarma et al. | A review & comparative analysis on various chatbots design | |
| CN112966076A (zh) | 智能问答问题的生成方法、装置、计算机设备及存储介质 | |
| CN117743545B (zh) | 一种基于toB企服项目交付系统业务数据获取方法和系统 | |
| Pinto et al. | Inclusion of human values in the specification of systems: bridging design and systems engineering | |
| Moore | Communicating requirements using end-user GUI constructions with argumentation | |
| Adil et al. | Bringing Distributed Collaborative Design and Team Collaboration to the Table: A Conceptual Framework. | |
| Daase et al. | Automation of customer initiated back office processes: a design science research approach to link robotic process automation and chatbots | |
| CN110544075A (zh) | 一种资产管理流程配置方法、装置及设备 | |
| Seibert | Towards dialogue based, computer aided software requirements elicitation | |
| Frizki et al. | Artificial intelligence markup languange for interactive service HR department | |
| CN117874211B (zh) | 基于saas软件的智能问答方法、系统、介质及电子设备 | |
| US12026471B2 (en) | Automated generation of chatbot | |
| CN111428018B (zh) | 智能问答方法及装置 | |
| Rooksby et al. | A hybrid approach to upstream requirements: IBIS and cognitive mapping | |
| Mei et al. | Enabling customizable service-based procedural knowledge applications—An service-orientation for Dialog Manager |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |