11天学会AI Agent开发，第3天：实现阅卷智能体。

ZISHU_API_KEY=sk-CheAFXpUwl7euofb660f9269E3Af4609………

import osfrom dotenv import load_dotenv# 加载环境变量load_dotenv()# 从环境变量中读取api_keyapi_key = os.getenv('ZISHU_API_KEY')base_url = "http://114.114.114.114/v1"chat_model = "glm-4-flash"

from openai import OpenAIclient = OpenAI(    api_key = api_key,    base_url = base_url)

def extract_json_content(text):    # 这个函数的目标是提取大模型输出内容中的json部分，并对json中的换行符、首位空白符进行删除    text = text.replace("\n","").replace("'","\"")。    pattern = r"```json(.*?)```"    matches = re.findall(pattern, text, re.DOTALL)    if matches:        return matches[0].strip()    return textclass JsonOutputParser:    def parse(self, result):        # 这个函数的目标是把json字符串解析成python对象        # 其实这里写的这个函数性能很差，经常解析失败，有很大的优化空间        try:            result = extract_json_content(result)            parsed_result = json.loads(result)            return parsed_result        except json.JSONDecodeError as e:            raise Exception(f"Invalid json output: {result}") from e

class GradingOpenAI:    def __init__(self):        self.model = "glm-4-flash"        self.output_parser = JsonOutputParser()        self.template = """你是一位中国专利代理师考试阅卷专家，擅长根据给定的题目和答案为考生生成符合要求的评分和中文评语，并按照特定的格式输出。你的任务是，根据我输入的考题和答案，针对考生的作答生成评分和中文的评语，并以JSON格式返回。阅卷标准适当宽松一些，只要考生回答出基本的意思就应当给分。答案如果有数字标注，含义是考生如果答出这个知识点，这道题就会得到几分。生成的中文评语需要能够被json.loads()这个函数正确解析。生成的整个中文评语需要用英文的双引号包裹，在被包裹的字符串内部，请用中文的双引号。中文评语中不可以出现换行符、转义字符等等。输出格式为JSON:{{  "llmgetscore": 0,  "llmcomments": "中文评语"}}比较学生的回答与正确答案，并给出满分为10分的评分和中文评语。 题目：{ques_title} 答案：{answer} 学生的回复：{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:            # 这里是一个不得已的权宜之计            # 上面的json解析函数不是表现很差吗，那就多生成几遍，直到解析成功            # 对大模型生成的内容先解析一下，如果解析失败，就再让大模型生成一遍            try:                response = client.chat.completions.create(                    model=self.model,                    messages=[                        {"role": "system", "content": "你是一位专业的考试阅卷专家。"},                        {"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

input_data = [ {'ques_title': '请解释共有技术特征、区别技术特征、附加技术特征、必要技术特征的含义',  'answer': '共有技术特征：与最接近的现有技术共有的技术特征（2.5分）； 区别技术特征：区别于最接近的现有技术的技术特征（2.5分）； 附加技术特征：对所引用的技术特征进一步限定的技术特征，增加的技术特征（2.5分）； 必要技术特征：为解决其技术问题所不可缺少的技术特征（2.5分）。',  'fullscore': 10,  'reply': '共有技术特征：与所对比的技术方案相同的技术特征\n区别技术特征：与所对比的技术方案相区别的技术特征\n附加技术特征：对引用的技术特征进一步限定的技术特征\n必要技术特征：解决技术问题必须可少的技术特征'}, {'ques_title': '请解释前序部分、特征部分、引用部分、限定部分',  'answer': '前序部分：独权中，主题+与最接近的现有技术共有的技术特征，在其特征在于之前（2.5分）； 特征部分：独权中，与区别于最接近的现有技术的技术特征，在其特征在于之后（2.5分）；引用部分：从权中引用的权利要求编号及主题 （2.5分）；限定部分：从权中附加技术特征（2.5分）。',  'fullscore': 10,  'reply': '前序部分：独立权利要求中与现有技术相同的技术特征\n特征部分：独立权利要求中区别于现有技术的技术特征\n引用部分：从属权利要求中引用其他权利要求的部分\n限定部分：对所引用的权利要求进一步限定的技术特征'}]

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