"""诊断引擎 — 指标计算与 judge 辅助函数。 Stage 1 指标管线的可提取内核。包含： - 7 个规则指标的纯函数计算 - JSON 提取工具 - 5 个 LLM judge 评估函数（async） - 单题指标编排 compute_question_metrics - 错误归因瀑布 attribute_error - defect/lapse 病因判别 classify_defect_vs_lapse - 降级指标生成 _make_degraded_metrics 不依赖 app/ 或 adapters/。所有 LLM 交互通过 LLMProvider Protocol 注入。 """ from __future__ import annotations import json import re from collections import Counter from typing import TYPE_CHECKING, Any from json_repair import repair_json from loguru import logger from core.evolution.types import ( DiagnosePrompts, ErrorAttribution, QuestionMetrics, SkillStepAdherence, SpanMetrics, ) if TYPE_CHECKING: from core.protocols import LLMProvider # ========================================================================= # 常量 # ========================================================================= _SPAN_EVAL_TOOLS: frozenset[str] = frozenset({"view_node", "search_similar", "observe_frame"}) """span 级评估涵盖的工具集合。""" _INFRA_STOP_REASONS: frozenset[str] = frozenset({"error", "parse_error"}) """执行/解析层失败导致排除的 stop_reason 集合。""" # ========================================================================= # A. 规则指标 — 7 个纯函数 + 辅助工具 # ========================================================================= def _parse_json_object(raw: str) -> dict | None: """将原始字符串解析为字典；失败时返回 None。 参数: raw: 待解析的原始字符串。 返回: 解析成功返回 dict，否则返回 None。 """ try: parsed = json.loads(raw) except (TypeError, ValueError, json.JSONDecodeError): try: parsed = json.loads(repair_json(raw)) except (TypeError, ValueError, json.JSONDecodeError): return None if isinstance(parsed, dict): return parsed return None def _trigrams(text: str) -> set[str]: """返回字符串的字符级 trigram 集合。 参数: text: 输入文本。 返回: 长度为 3 的子串集合；文本不足 3 字符时返回空集。 """ if len(text) < 3: return set() return {text[index : index + 3] for index in range(len(text) - 2)} def _extract_last_confidence(raw_contents: list[str]) -> float: """从末步 raw_content 提取 reflect.confidence。失败时返回 0.5。 参数: raw_contents: 各步原始输出内容列表。 返回: 置信度浮点值，提取失败时返回 0.5。 """ try: parsed = _parse_json_object(raw_contents[-1]) if parsed is None: raise ValueError("末步内容不是字典。") return float(parsed["reflect"]["confidence"]) except Exception: return 0.5 def calc_format_compliance(raw_contents: list[str]) -> float: """每步 JSON 是否包含 reflect/plan/action 三个字段。合规步数/总步数。 参数: raw_contents: 各步原始输出内容列表。 返回: 合规比例 [0.0, 1.0]；空列表返回 1.0。 """ if not raw_contents: return 1.0 compliant_count = 0 for raw in raw_contents: parsed = _parse_json_object(raw) if parsed is not None and all(key in parsed for key in ("reflect", "plan", "action")): compliant_count += 1 return compliant_count / len(raw_contents) def calc_budget_usage(steps_used: int, max_steps: int) -> float: """预算使用比例。 参数: steps_used: 已使用步数。 max_steps: 最大步数预算。 返回: steps_used / max_steps。 异常: ZeroDivisionError: max_steps 为 0 时抛出（P5: 不掩盖错误）。 """ return steps_used / max_steps def calc_confidence_calibration(confidence: float, correct: bool) -> str: """置信度校准分类。 参数: confidence: 模型置信度 [0.0, 1.0]。 correct: 是否答对。 返回: 'high_conf_wrong' | 'low_conf_right' | 'calibrated'。 """ if confidence >= 0.7 and not correct: return "high_conf_wrong" if confidence < 0.5 and correct: return "low_conf_right" return "calibrated" def calc_repeat_visit_rate(view_node_ids: list[str]) -> float: """重复访问率。 参数: view_node_ids: 访问的节点 ID 列表。 返回: 1 - (unique / total)；空列表返回 0.0。 """ if not view_node_ids: return 0.0 return 1 - (len(set(view_node_ids)) / len(view_node_ids)) def calc_search_keyword_repetition(queries: list[str]) -> float: """连续 search_similar 查询的最大字符级 trigram Jaccard 相似度。 参数: queries: 搜索查询列表。 返回: 连续查询对的最大 Jaccard 值；不足 2 个查询时返回 0.0。 """ if len(queries) < 2: return 0.0 max_score = 0.0 for left, right in zip(queries, queries[1:], strict=False): left_trigrams = _trigrams(left) right_trigrams = _trigrams(right) union = left_trigrams | right_trigrams score = 0.0 if not union else len(left_trigrams & right_trigrams) / len(union) if score > max_score: max_score = score return max_score def calc_level_jump_pattern(view_node_ids: list[str]) -> str: """从 node_id 提取层级，拼成 'L1→L2→L3' 格式。 参数: view_node_ids: 节点 ID 列表。 返回: 层级跳转模式字符串；无匹配时返回空字符串。 """ levels: list[str] = [] for node_id in view_node_ids: match = re.search(r"_L(\d+)_", node_id) if match is not None: levels.append(f"L{match.group(1)}") return "→".join(levels) def calc_tool_usage(tool_names: list[str]) -> dict[str, int]: """按 tool_name 计数。 参数: tool_names: 工具名称列表。 返回: {工具名: 调用次数} 映射。 """ return dict(Counter(tool_names)) def extract_rule_metrics(prediction: dict, raw_contents: list[str], max_steps: int) -> dict: """从 prediction 和 raw_contents 提取全部 7 个规则指标。 参数: prediction: 单题预测记录，含 steps_json / correct / answer_confidence。 raw_contents: 各步原始输出内容列表。 max_steps: 最大步数预算。 返回: 包含 7 个规则指标的字典。 """ view_node_ids: list[str] = [] search_queries: list[str] = [] tool_names: list[str] = [] for step in prediction.get("steps_json", []): tool_call = step.get("tool_call", {}) if not isinstance(tool_call, dict): continue tool_name = tool_call.get("tool") args = tool_call.get("args", {}) if not isinstance(args, dict): args = {} if isinstance(tool_name, str): tool_names.append(tool_name) if tool_name == "view_node": node_id = args.get("node_id") if isinstance(node_id, str): view_node_ids.append(node_id) if tool_name == "search_similar": query = args.get("query") if isinstance(query, str): search_queries.append(query) # 置信度优先级：末步 JSON reflect.confidence > prediction["answer_confidence"] confidence = prediction.get("answer_confidence", 0.5) if raw_contents: last_step = _parse_json_object(raw_contents[-1]) if isinstance(last_step, dict): confidence = _extract_last_confidence(raw_contents) correct = bool(prediction.get("correct", False)) steps_used = len(prediction.get("steps_json", [])) return { "format_compliance": calc_format_compliance(raw_contents), "budget_usage": calc_budget_usage(steps_used, max_steps), "confidence_calibration": calc_confidence_calibration(confidence, correct), "repeat_visit_rate": calc_repeat_visit_rate(view_node_ids), "search_keyword_repetition": calc_search_keyword_repetition(search_queries), "level_jump_pattern": calc_level_jump_pattern(view_node_ids), "tool_usage": calc_tool_usage(tool_names), } # ========================================================================= # B. JSON 提取 # ========================================================================= def extract_json_from_response(raw: str) -> dict: """从 LLM 回复中提取 JSON。 三策略依序尝试： 1. markdown 代码块 ```json ... ``` 或 ``` ... ``` 2. 最外层花括号 { ... } 3. json_repair 修复后解析 参数: raw: LLM 原始回复字符串。 返回: 解析后的字典。 异常: ValueError: 三种策略均无法提取合法 JSON 字典时抛出。 """ # 策略 1: fenced code block block_match = re.search(r"```(?:json)?\s*(.*?)\s*```", raw, re.DOTALL) if block_match is not None: try: parsed = json.loads(block_match.group(1)) except (TypeError, ValueError, json.JSONDecodeError): pass else: if isinstance(parsed, dict): return parsed # 策略 2: outermost braces start = raw.find("{") end = raw.rfind("}") if start != -1 and end != -1 and start <= end: try: parsed = json.loads(raw[start : end + 1]) except (TypeError, ValueError, json.JSONDecodeError): pass else: if isinstance(parsed, dict): return parsed # 策略 3: json_repair try: parsed = json.loads(repair_json(raw)) except (TypeError, ValueError, json.JSONDecodeError) as exc: raise ValueError("无法从 LLM 回复中提取 JSON。") from exc if isinstance(parsed, dict): return parsed raise ValueError("无法从 LLM 回复中提取 JSON。") # ========================================================================= # C. Judge 辅助函数 # ========================================================================= async def _call_judge( llm: LLMProvider, system_prompt: str, user_prompt: str, *, max_retries: int = 2, session_id: str | None = None, ) -> dict: """调用 judge 模型，解析 JSON 返回。解析失败时重试。 参数: llm: LLM 调用端口。 system_prompt: 系统提示词。 user_prompt: 用户提示词。 max_retries: 解析失败后的额外重试次数（默认 2，即总共最多调用 3 次）。 session_id: 会话标识（可选，传入 LLMProvider 用于遥测）。 返回: 解析后的 JSON 字典。 异常: ValueError: 所有尝试均无法从回复中提取合法 JSON 时抛出。 其他 API 异常直接传播，不在此处捕获。 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt}, ] last_exc: ValueError | None = None for attempt in range(1 + max_retries): response = await llm.chat(messages, session_id=session_id) raw = response.content try: return extract_json_from_response(raw) except ValueError as exc: last_exc = exc logger.warning("judge JSON 解析失败 (attempt {}/{})", attempt + 1, 1 + max_retries) raise last_exc # type: ignore[misc] def question_soft_score(span_metrics: list[SpanMetrics]) -> float | None: """按题 soft 分 = 各 span 的 mean(completeness, 1-hallucination) 再对 spans 取均值。 参数: span_metrics: 该题的 SpanMetrics 列表。 返回: 题级 soft 连续分 [0,1]；无 span_metrics 返回 None（invalid）。 关键实现: 无 span 时返回 None（invalid），绝不补 0 掩盖（守 P5）—— 分析阶段按 None 跳过该题，而非把缺失误判为 0 分。 """ if not span_metrics: return None per_span = [ (s.extraction_completeness + (1.0 - s.hallucination_rate)) / 2.0 for s in span_metrics ] return sum(per_span) / len(per_span) def aggregate_soft(scores: list[float | None]) -> float | None: """对一组按题 soft 分取均值，跳过 invalid(None)。 参数: scores: 各题 soft 分，None 表示该题 invalid（无 span）。 返回: 有效题 soft 均值；全部 invalid 返回 None。 """ valid = [s for s in scores if s is not None] if not valid: return None return sum(valid) / len(valid) # ========================================================================= # D. 5 个 Judge 评估函数（async） # ========================================================================= def _stringify_tool_args(tool_args: Any) -> str: """将工具参数转换为紧凑文本。 参数: tool_args: 工具参数（str 或可序列化对象）。 返回: 紧凑 JSON 字符串。 """ if isinstance(tool_args, str): return tool_args return json.dumps(tool_args, ensure_ascii=False, sort_keys=True) def _parse_tool_args(tool_args: Any) -> dict[str, object]: """解析 trace 中的工具参数。 参数: tool_args: 原始工具参数（dict 或 JSON 字符串）。 返回: 解析后的参数字典；解析失败返回空字典。 """ if isinstance(tool_args, dict): return tool_args if isinstance(tool_args, str): try: parsed = json.loads(tool_args) except json.JSONDecodeError: logger.warning("tool_args 解析失败，回退为空字典: {}", tool_args) return {} if isinstance(parsed, dict): return parsed return {} async def evaluate_span( llm: LLMProvider, prompts: DiagnosePrompts, question: str, tool_name: str, tool_args: dict, tool_output: str, ground_truth: str, step: int, *, session_id: str | None = None, ) -> SpanMetrics: """评估单次 span 级工具调用质量。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 question: 题目文本。 tool_name: 工具名称。 tool_args: 工具参数。 tool_output: 工具输出。 ground_truth: 对应节点的 ground truth。 step: 步骤编号。 session_id: 会话标识（可选）。 返回: SpanMetrics 实例。 """ user_prompt = ( f"## 问题\n{question}\n\n" f"## 工具调用\n工具: {tool_name}\n" f"参数: {json.dumps(tool_args, ensure_ascii=False)}\n\n" f"## 工具输出\n{tool_output}\n\n" f"## 原始数据（ground truth）\n{ground_truth}" ) parsed = await _call_judge(llm, prompts.span_eval_system, user_prompt, session_id=session_id) return SpanMetrics( step=int(step), tool_name=tool_name, extraction_completeness=float(parsed.get("extraction_completeness", 0.0)), hallucination_rate=float(parsed.get("hallucination_rate", 0.0)), missed_info_tags=list(parsed.get("missed_info_tags", [])), hallucination_tags=list(parsed.get("hallucination_tags", [])), ) async def judge_missed_nodes( llm: LLMProvider, prompts: DiagnosePrompts, question: str, options: list[str] | str, answer: str, tree_content: str, visited_node_ids: list[str], *, session_id: str | None = None, ) -> list[str]: """评估是否遗漏关键节点。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 question: 题目文本。 options: 选项列表或文本。 answer: 正确答案。 tree_content: 树结构文本。 visited_node_ids: 已访问的节点 ID 列表。 session_id: 会话标识（可选）。 返回: 遗漏的节点 ID 列表。 """ options_text = "\n".join(options) if isinstance(options, list | tuple) else str(options) user_prompt = ( f"## 问题\n{question}\n\n" f"## 选项\n{options_text}\n\n" f"## 答案\n{answer}\n\n" f"## 树内容\n{tree_content}\n\n" f"## 已访问节点\n{json.dumps(visited_node_ids, ensure_ascii=False)}" ) parsed = await _call_judge(llm, prompts.missed_nodes, user_prompt, session_id=session_id) missed = parsed.get("missed_nodes", []) if isinstance(missed, list): return [str(nid) for nid in missed] return [] async def judge_skill_adherence( llm: LLMProvider, prompts: DiagnosePrompts, skill_content: str, trace_text: str, *, session_id: str | None = None, ) -> list[SkillStepAdherence]: """评估技能步骤遵循情况。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 skill_content: 技能文件全文。 trace_text: 格式化后的执行轨迹文本。 session_id: 会话标识（可选）。 返回: SkillStepAdherence 列表。 """ user_prompt = f"## Skill 内容\n{skill_content}\n\n## 执行轨迹\n{trace_text}" parsed = await _call_judge(llm, prompts.skill_adherence, user_prompt, session_id=session_id) steps = parsed.get("steps", []) if not isinstance(steps, list): return [] results: list[SkillStepAdherence] = [] for item in steps: if not isinstance(item, dict): continue results.append( SkillStepAdherence( step_label=str(item.get("step_label", "")), adhered=bool(item.get("adhered", False)), description=str(item.get("description", "")), ) ) return results async def judge_confirmation_bias( llm: LLMProvider, prompts: DiagnosePrompts, question: str, options: list[str] | str, trace_text: str, *, session_id: str | None = None, ) -> tuple[bool, str]: """评估是否存在确认偏误。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 question: 题目文本。 options: 选项列表或文本。 trace_text: 格式化后的执行轨迹文本。 session_id: 会话标识（可选）。 返回: (has_bias, evidence) 元组。 """ options_text = "\n".join(options) if isinstance(options, list | tuple) else str(options) user_prompt = f"## 问题\n{question}\n\n## 选项\n{options_text}\n\n## 执行轨迹\n{trace_text}" parsed = await _call_judge(llm, prompts.confirmation_bias, user_prompt, session_id=session_id) return bool(parsed.get("has_bias", False)), str(parsed.get("evidence", "")) async def judge_evidence_sufficiency( llm: LLMProvider, prompts: DiagnosePrompts, question: str, options: list[str] | str, answer: str, all_tool_outputs: str, *, session_id: str | None = None, ) -> tuple[bool, str]: """评估当前证据是否充足。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 question: 题目文本。 options: 选项列表或文本。 answer: 正确答案。 all_tool_outputs: 全部工具输出拼接文本。 session_id: 会话标识（可选）。 返回: (sufficient, reasoning) 元组。 """ options_text = "\n".join(options) if isinstance(options, list | tuple) else str(options) user_prompt = ( f"## 问题\n{question}\n\n" f"## 选项\n{options_text}\n\n" f"## 答案\n{answer}\n\n" f"## 所有工具输出\n{all_tool_outputs}" ) parsed = await _call_judge( llm, prompts.evidence_sufficiency, user_prompt, session_id=session_id ) return bool(parsed.get("sufficient", False)), str(parsed.get("reasoning", "")) # ========================================================================= # E. compute_question_metrics（async 编排） # ========================================================================= def _format_trace_text(traces: list[dict]) -> str: """将 trace 列表格式化为 judge 可读文本（指标版本：截断 thought/tool_output）。 参数: traces: trace 字典列表。 返回: 格式化后的多行文本。 """ lines: list[str] = [] for trace in traces: step = trace.get("step", "") thought = str(trace.get("thought", ""))[:100] tool_name = trace.get("tool_name", "") tool_args = _stringify_tool_args(trace.get("tool_args", {})) tool_output = str(trace.get("tool_output", ""))[:200] lines.append( f'Step {step}: thinking="{thought}" → {tool_name}({tool_args}) → {tool_output}' ) return "\n".join(lines) def _load_tree_content(tree_data: dict) -> str: """将树结构内容整理为文本。 参数: tree_data: 树结构字典，含 "nodes" 键。 返回: 格式化后的树结构文本。 """ nodes = tree_data.get("nodes", {}) if not isinstance(nodes, dict): return "" chunks: list[str] = [] for node_id in sorted(nodes): node = nodes.get(node_id, {}) if not isinstance(node, dict): continue level = node.get("level", "") time_range = node.get("time_range", [0, 0]) if not isinstance(time_range, list | tuple) or len(time_range) < 2: time_range = [0, 0] t_start, t_end = time_range[0], time_range[1] card_json = json.dumps(node.get("card", {}), ensure_ascii=False, sort_keys=True) chunks.append( f"### {node_id} | L{level} | {float(t_start):.0f}-{float(t_end):.0f}s\n{card_json}" ) return "\n\n".join(chunks) def _get_ground_truth_for_trace(tree_data: dict, tool_name: str, tool_args: dict) -> str: """按工具类型获取对应节点的 ground truth。 参数: tree_data: 树结构字典。 tool_name: 工具名称。 tool_args: 工具参数字典。 返回: 节点 card 的 JSON 字符串；无匹配时返回空字符串。 """ nodes = tree_data.get("nodes", {}) if not isinstance(nodes, dict): return "" node_id = "" if tool_name == "observe_frame": node_ids = tool_args.get("node_ids", []) if isinstance(node_ids, list) and node_ids: node_id = str(node_ids[0]) else: node_id = str(tool_args.get("node_id", "")) if not node_id: node_ids = tool_args.get("node_ids", []) if isinstance(node_ids, list) and node_ids: node_id = str(node_ids[0]) node = nodes.get(node_id, {}) if not isinstance(node, dict): return "" return json.dumps(node.get("card", {}), ensure_ascii=False, sort_keys=True) async def compute_question_metrics( prediction: dict[str, Any], traces: list[dict[str, Any]], tree_data: dict[str, Any], skill_content: str, llm: LLMProvider, prompts: DiagnosePrompts, max_steps: int, raw_contents: list[str] | None = None, *, session_id: str | None = None, ) -> QuestionMetrics: """编排单题规则指标与 LLM judge 指标。 参数: prediction: 单题预测记录。 traces: 该题的执行轨迹列表。 tree_data: 树结构字典。 skill_content: 技能文件全文。 llm: LLM 调用端口。 prompts: 诊断模板束。 max_steps: 最大步数预算。 raw_contents: 各步原始输出（可选，默认从 steps_json 提取）。 session_id: 会话标识（可选）。 返回: QuestionMetrics 实例。 """ if raw_contents is None: raw_contents = [ str(step.get("tool_output", "")) for step in prediction.get("steps_json", []) ] rule_metrics_dict = extract_rule_metrics(prediction, raw_contents, max_steps) # Phase 1: span 评估 + 收集已访问节点 span_evals_list: list[SpanMetrics] = [] visited_node_ids: list[str] = [] seen_node_ids: set[str] = set() for trace in traces: tool_name = trace.get("tool_name") tool_args = _parse_tool_args(trace.get("tool_args", {})) if tool_name in _SPAN_EVAL_TOOLS: span_evals_list.append( await evaluate_span( llm=llm, prompts=prompts, question=prediction.get("question", ""), tool_name=str(tool_name), tool_args=tool_args, tool_output=str(trace.get("tool_output", "")), ground_truth=_get_ground_truth_for_trace(tree_data, str(tool_name), tool_args), step=int(trace.get("step", 0)), session_id=session_id, ) ) if tool_name == "view_node": node_id = tool_args.get("node_id") if isinstance(node_id, str) and node_id and node_id not in seen_node_ids: seen_node_ids.add(node_id) visited_node_ids.append(node_id) # Phase 2: 全局 judge 评估 all_tool_outputs = "\n".join( str(trace.get("tool_output", "")) for trace in traces if trace.get("tool_name") in _SPAN_EVAL_TOOLS ) options_list = ( prediction.get("options", "").split("\n") if isinstance(prediction.get("options"), str) else prediction.get("options", []) ) trace_text = _format_trace_text(traces) tree_content = _load_tree_content(tree_data) missed_nodes_list = await judge_missed_nodes( llm=llm, prompts=prompts, question=prediction.get("question", ""), options=options_list, answer=prediction.get("answer", ""), tree_content=tree_content, visited_node_ids=visited_node_ids, session_id=session_id, ) skill_adherence_list = await judge_skill_adherence( llm=llm, prompts=prompts, skill_content=skill_content, trace_text=trace_text, session_id=session_id, ) has_bias, _bias_evidence = await judge_confirmation_bias( llm=llm, prompts=prompts, question=prediction.get("question", ""), options=options_list, trace_text=trace_text, session_id=session_id, ) sufficient, _reasoning = await judge_evidence_sufficiency( llm=llm, prompts=prompts, question=prediction.get("question", ""), options=options_list, answer=prediction.get("answer", ""), all_tool_outputs=all_tool_outputs, session_id=session_id, ) return QuestionMetrics( question_id=prediction["question_id"], video_id=prediction["video_id"], task_type=prediction["task_type"], correct=bool(prediction.get("correct", False)), format_compliance=rule_metrics_dict["format_compliance"], budget_usage=rule_metrics_dict["budget_usage"], confidence_calibration=rule_metrics_dict["confidence_calibration"], repeat_visit_rate=rule_metrics_dict["repeat_visit_rate"], search_keyword_repetition=rule_metrics_dict["search_keyword_repetition"], level_jump_pattern=rule_metrics_dict["level_jump_pattern"], tool_usage=rule_metrics_dict["tool_usage"], span_metrics=span_evals_list, missed_nodes=missed_nodes_list, skill_adherence=skill_adherence_list, confirmation_bias=has_bias, evidence_sufficient=sufficient, ) # ========================================================================= # F. 错误归因 # ========================================================================= def _mean(values: list[float]) -> float: """计算均值；空列表返回 0.0。 参数: values: 浮点值列表。 返回: 均值或 0.0。 """ if not values: return 0.0 return sum(values) / len(values) def attribute_error(qm: QuestionMetrics) -> ErrorAttribution: """按瀑布规则归因单题错误类型。 瀑布顺序: 1. extraction: completeness<0.5 或 hallucination>0.5 2. search: 有遗漏节点 3. reasoning: evidence_sufficient=True（证据够但推理错） 4. mixed: 其余 参数: qm: 单题指标。 返回: ErrorAttribution 实例。 """ avg_completeness = _mean([span.extraction_completeness for span in qm.span_metrics]) max_hallucination = max((span.hallucination_rate for span in qm.span_metrics), default=0.0) if avg_completeness < 0.5 or max_hallucination > 0.5: error_type = "extraction_failure" elif len(qm.missed_nodes) > 0: error_type = "search_failure" elif qm.evidence_sufficient is True: error_type = "reasoning_failure" else: error_type = "mixed" return ErrorAttribution( question_id=qm.question_id, error_type=error_type, reasoning_failure_type=None, ) async def classify_defect_vs_lapse( llm: LLMProvider, prompts: DiagnosePrompts, prediction: dict[str, Any], traces: list[dict[str, Any]], prompt_content: str, *, session_id: str | None = None, ) -> tuple[str, str]: """判别错题病因：defect（改正文）vs lapse（记提醒）。 判不准默认 lapse（保护正文），这是设计明确的保护性 fallback。 参数: llm: LLM 调用端口。 prompts: 诊断模板束。 prediction: 单题预测记录（含 question/answer/prediction）。 traces: 该题执行轨迹。 prompt_content: Agent 当时所用的 prompt 全文。 session_id: 会话标识（可选）。 返回: (category, note)；category 取值 'defect' 或 'lapse'， note 为 lapse 提醒文本。 异常: API 基础设施异常（网络/超时等）直接传播，不掩盖。 """ trace_text = _format_trace_text(traces) user_prompt = ( f"## 题目\n{prediction.get('question', '')}\n\n" f"## 正确答案\n{prediction.get('answer', '')}\n\n" f"## Agent 错误预测\n{prediction.get('prediction', '')}\n\n" f"## 当前 prompt 全文\n{prompt_content}\n\n" f"## 执行轨迹\n{trace_text}" ) # chat() 的基础设施失败（网络/API）刻意不在此捕获——按 P5，应向上传播报错， # 不能用默认值掩盖。保护性 fallback 只针对"judge 回复无法解析/判不准"这一语义歧义。 response = await llm.chat( [ {"role": "system", "content": prompts.defect_vs_lapse}, {"role": "user", "content": user_prompt}, ], session_id=session_id, ) try: parsed = extract_json_from_response(response.content) except ValueError: parsed = None # judge 回复无法解析 → 落入保护性 fallback category = parsed.get("category") if isinstance(parsed, dict) else None if category not in ("defect", "lapse"): category = "lapse" # 保护性 fallback note = parsed.get("note", "") if isinstance(parsed, dict) else "" return category, (note if isinstance(note, str) else "") def _make_degraded_metrics(prediction: dict[str, Any], max_steps: int) -> QuestionMetrics: """生成降级版 QuestionMetrics：规则指标正常计算，judge 指标标记为不可用。 在 judge JSON 解析失败（ValueError）时调用。 其他异常类型不由本函数处理，应向上传播。 参数: prediction: 单题预测记录。 max_steps: 最大步数预算。 返回: degraded=True 的 QuestionMetrics，judge 字段置为 None/空。 """ raw_contents = [str(step.get("tool_output", "")) for step in prediction.get("steps_json", [])] rule = extract_rule_metrics(prediction, raw_contents, max_steps) return QuestionMetrics( question_id=prediction["question_id"], video_id=prediction["video_id"], task_type=prediction["task_type"], correct=bool(prediction.get("correct", False)), format_compliance=rule["format_compliance"], budget_usage=rule["budget_usage"], confidence_calibration=rule["confidence_calibration"], repeat_visit_rate=rule["repeat_visit_rate"], search_keyword_repetition=rule["search_keyword_repetition"], level_jump_pattern=rule["level_jump_pattern"], tool_usage=rule["tool_usage"], span_metrics=[], missed_nodes=[], skill_adherence=[], confirmation_bias=None, evidence_sufficient=None, degraded=True, )