Hanah

import re  
def extract_json_content(text):  
  text = text.replace()  

def extract_json_content(text):  
    text = text.replace("\n","")  
    pattern = r"```json(.*?)```"  
    matches = re.findall(pattern, text, re.DOTALL)  
    if matches:  
        return matches[0].strip()  
    return text  

參數:  
    text (str): 輸入的文本字符串,通常包含JSON代碼塊  
    
返回:  
    str: 提取並清理後的JSON字符串  
    
函數說明:  
1. text.replace("\n","") - 刪除文本中所有的換行符  
2. pattern = r"```json(.*?)```" - 定義正則表達式模式,匹配```json和```之間的內容  
3. re.findall() - 使用正則表達式查找所有匹配項,re.DOTALL允許.匹配換行符  
4. matches[0].strip() - 獲取第一個匹配結果並去除首尾空白  
5. 如果沒有匹配項則返回原文本  

class JsonOutputParser:  
    def parse(self, result):  
        # 首先嘗試直接解析  
        try:  
            return json.loads(result)  
        except json.JSONDecodeError:  
            pass  
            
        # 嘗試提取JSON內容  
        cleaned_result = extract_json_content(result)  
        try:  
            return json.loads(cleaned_result)  
        except json.JSONDecodeError:  
            pass  
            
        # 嘗試修復常見JSON錯誤  
        try:  
            # 處理單引號  
            fixed_result = cleaned_result.replace("'", '"')  
            # 處理末尾多餘的逗號  
            fixed_result = re.sub(r',\s*}', '}', fixed_result)  
            # 處理未閉合的引號  
            fixed_result = re.sub(r'([^"])"([^"])', r'\1"\2', fixed_result)  
            return json.loads(fixed_result)  
        except json.JSONDecodeError as e:  
            raise ValueError(f"無法解析JSON輸出。原始輸出: {result}\n錯誤信息: {str(e)}")  

    參數:  
        result (str): LLM生成的包含JSON的文本  
    返回:  
        dict: 解析後的JSON對象  
        
    優化說明:  
    1. 增加多種JSON提取方式,提高魯棒性  
    2. 添加JSON修復機制,處理常見錯誤  
    3. 增加重試機制,提高成功率  
    

class GradingOpenAI:  
    def __init__(self):  
        self.model = "glm-4-flash"  
        self.output_parser = JsonOutputParser()  
        self.template = """你是一位中國專利代理師考試閱卷專家，  
擅長根據給定的題目和答案為考生生成符合要求的評分和中文評語，  
並按照特定的格式輸出。  
你的任務是，根據我輸入的考題和答案，針對考生的作答生成評分和中文的評語，並以JSON格式返回。  
閱卷標準適當寬鬆一些，只要考生回答出基本的意思就應當給分。  
答案如果有數字標注，含義是考生如果答出這個知識點，這道題就會得到幾分。  
生成的中文評語需要能夠被json.loads()這個函數正確解析。  
生成的整個中文評語需要用英文的雙引號包裹，在被包裹的字符串內部，請用中文的雙引號。  
中文評語中不可以出現換行符、轉義字符等等。  

輸出格式為JSON:  
{{  
  "llmgetscore": 0,  
  "llmcomments": "中文評語"  
}}  

比較學生的回答與正確答案，  
並給出滿分為10分的評分和中文評語。  
題目：{ques_title}  
答案：{answer}  
學生的回复：{reply}"""  

    def create_prompt(self, ques_title, answer, reply):  
        return self.template.format(  
            ques_title=ques_title,  
            answer=answer,  
            reply=reply  
        )  

    def grade_answer(self, ques_title, answer, reply):  
        success = False  
        while not success:  
            # 這裡是一個不得已的權宜之計  
            # 上面的json解析函數不是表現很差嗎，那就多生成幾遍，直到解析成功  
            # 對大模型生成的內容先解析一下，如果解析失敗，就再讓大模型生成一遍  
            try:  
                response = client.chat.completions.create(  
                    model=self.model,  
                    messages=[  
                        {"role": "system", "content": "你是一位專業的考試閱卷專家。"},  
                        {"role": "user", "content": self.create_prompt(ques_title, answer, reply)}  
                    ],  
                    temperature=0.7  
                )  

                result = self.output_parser.parse(response.choices[0].message.content)  
                success = True  
            except Exception as e:  
                print(f"Error occurred: {e}")  
                continue  

        return result['llmgetscore'], result['llmcomments']  

    def run(self, input_data):  
        output = []  
        for item in input_data:  
            score, comment = self.grade_answer(  
                item['ques_title'],  
                item['answer'],  
                item['reply']  
            )  
            item['llmgetscore'] = score  
            item['llmcomments'] = comment  
            output.append(item)  
        return output  
grading_openai = GradingOpenAI()  

# 示例輸入數據  
input_data = [  
 {'ques_title': '請解釋共有技術特徵、區別技術特徵、附加技術特徵、必要技術特徵的含義',  
  'answer': '共有技術特徵：與最接近的現有技術共有的技術特徵（2.5分）； 區別技術特徵：區別於最接近的現有技術的技術特徵（2.5分）； 附加技術特徵：對所引用的技術特徵進一步限定的技術特徵，增加的技術特徵（2.5分）； 必要技術特徵：為解決其技術問題所不可缺少的技術特徵（2.5分）。',  
  'fullscore': 10,  
  'reply': '共有技術特徵：與所對比的技術方案相同的技術特徵\n區別技術特徵：與所對比的技術方案相區別的技術特徵\n附加技術特徵：對引用的技術特徵進一步限定的技術特徵\n必要技術特徵：解決技術問題必須可少的技術特徵'},  
 {'ques_title': '請解釋前序部分、特徵部分、引用部分、限定部分',  
  'answer': '前序部分：獨權中，主題+與最接近的現有技術共有的技術特徵，在其特徵在於之前（2.5分）； 特徵部分：獨權中，與區別於最接近的現有技術的技術特徵，在其特徵在於之後（2.5分）；引用部分：從權中引用的權利要求編號及主題 （2.5分）；限定部分：從權中附加技術特徵（2.5分）。',  
  'fullscore': 10,  
  'reply': '前序部分：獨立權利要求中與現有技術相同的技術特徵\n特徵部分：獨立權利要求中區別於現有技術的技術特徵\n引用部分：從屬權利要求中引用其他權利要求的部分\n限定部分：對所引用的權利要求進一步限定的技術特徵'}]  

graded_data = grading_openai.run(input_data)  
print(graded_data)