Upload 2 files

moremodels.py

@@ -0,0 +1,221 @@
+import requests
+import json # 雖然 requests 會處理 json，但保留導入並無害
+import time
+from datetime import datetime
+import difflib
+
+# 設定使用的模型名稱
+MODELS = ["gemmapro", "gemmapro-r", "gemmapro-20kctx"]
+OLLAMA_URL = "http://localhost:11434/api/generate"
+
+def send_request_to_ollama(prompt, model):
+    """向指定模型發送請求並獲取回應"""
+    data = {
+        "model": model,
+        "prompt": prompt,
+        "stream": False
+    }
+
+    try:
+        response = requests.post(OLLAMA_URL, json=data)
+        response.raise_for_status() # 檢查 HTTP 請求是否成功 (狀態碼 2xx)
+        return response.json()["response"]
+    except requests.exceptions.RequestException as e:
+        print(f"[錯誤] 模型 {model} 請求失敗: {e}")
+        return f"[錯誤] 向 {model} 發送請求時發生錯誤: {str(e)}" # 提供更明確的錯誤訊息
+    except KeyError:
+        print(f"[錯誤] 模型 {model} 回應格式不符預期，找不到 'response' 鍵。")
+        return f"[錯誤] 模型 {model} 回應格式錯誤。"
+    except json.JSONDecodeError:
+        print(f"[錯誤] 模型 {model} 回應非有效的 JSON 格式: {response.text}")
+        return f"[錯誤] 無法解析來自 {model} 的回應。"
+
+def initialize_markdown_file():
+    """初始化 Markdown 報告檔案，包含 YAML metadata"""
+    timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+    metadata = {
+        "title": "多模型推理彙整報告",
+        "date": timestamp,
+        "models": MODELS,
+        "author": "自動化程式",
+        "description": "本報告整合多個模型對多個問題的回應，進行去蕪存菁後的彙整。"
+    }
+
+    try: # 增加檔案操作的錯誤處理
+        with open("output_moremodels.md", "w", encoding="utf-8") as file:
+            file.write("---\n")
+            for key, value in metadata.items():
+                if isinstance(value, list):
+                    file.write(f"{key}:\n")
+                    for item in value:
+                        file.write(f"  - {item}\n") # 標準 YAML 列表縮排
+                else:
+                    file.write(f"{key}: {value}\n")
+            file.write("---\n\n")
+            file.write(f"# {metadata['title']}\n\n")
+            file.write(f"產出時間: {timestamp}\n\n")
+            file.write(f"使用模型: {', '.join(MODELS)}\n\n---\n\n")
+        print("[初始化] 已建立 output_moremodels.md")
+    except IOError as e:
+        print(f"[錯誤] 無法寫入檔案 output_moremodels.md: {e}")
+        # 如果無法建立檔案，後續的 append 會失敗，可以考慮在這裡中止程式
+        exit(1) # 中止程式執行
+
+def append_to_markdown(index, prompt, responses):
+    """將問題與各模型回應結果寫入 Markdown 檔案"""
+    try: # 增加檔案操作的錯誤處理
+        with open("output_moremodels.md", "a", encoding="utf-8") as file:
+            file.write(f"## 問題 {index}\n\n")
+            file.write(f"### 提問\n\n```\n{prompt}\n```\n\n")
+
+            for model, response in responses.items():
+                # 確保 response 是字串，避免後續處理錯誤
+                response_text = str(response) if response is not None else "[無回應]"
+                file.write(f"### 模型：{model}\n\n{response_text.strip()}\n\n")
+
+            # 自動生成摘要彙整
+            # 確保將有效的回應傳遞給摘要函數
+            valid_responses = {m: r for m, r in responses.items() if isinstance(r, str)}
+            summary = summarize_responses(prompt, valid_responses) # 傳遞有效的回應字典
+            file.write(f"### 彙整摘要\n\n{summary}\n\n---\n\n")
+    except IOError as e:
+        print(f"[錯誤] 無法附加內容至檔案 output_moremodels.md: {e}")
+
+
+def summarize_responses(prompt, responses):
+    """
+    將多個模型的回應進行比較，提取相似的句子，並整合成通順的摘要。
+    注意：目前的實作僅基於句法相似度，可能無法完全捕捉語意。
+    """
+    # 如果沒有有效的回應，直接返回提示訊息
+    if not responses:
+        return "沒有從任何模型收到有效回應可供摘要。"
+
+    # 將每個回應分句
+    sentence_lists = []
+    for response in responses.values():
+        # 更穩健的分句方式，處理不同結尾符號和換行
+        # 替換換行符為空格，然後用常見的句尾符號分割
+        processed_response = response.replace('\n', ' ')
+        sentences = []
+        current_sentence = ""
+        for char in processed_response:
+            current_sentence += char
+            if char in ['。', '！', '？', '.', '!', '?']: # 包含中英文句尾符號
+                trimmed_sentence = current_sentence.strip()
+                if trimmed_sentence: # 確保不是空字串
+                    sentences.append(trimmed_sentence)
+                current_sentence = ""
+        # 加入最後一句（如果有的話且沒有結尾符號）
+        trimmed_sentence = current_sentence.strip()
+        if trimmed_sentence:
+             sentences.append(trimmed_sentence)
+
+        sentence_lists.append(sentences)
+
+    # 建立一個集合來儲存已處理的句子索引，避免重複處理同一個句子
+    processed_indices = set()
+    summary_sentences = []
+    all_sentences = [(i, j, sent) for i, lst in enumerate(sentence_lists) for j, sent in enumerate(lst)]
+
+    # 比較所有句子對的相似度
+    for idx1 in range(len(all_sentences)):
+        model_idx1, sent_idx1, sent1 = all_sentences[idx1]
+        # 如果這個句子已經被處理過（作為相似對的一部分），則跳過
+        if (model_idx1, sent_idx1) in processed_indices:
+            continue
+
+        best_match = None
+        max_similarity = 0.7 # 設定一個基礎閾值 (可調整)
+
+        for idx2 in range(idx1 + 1, len(all_sentences)):
+            model_idx2, sent_idx2, sent2 = all_sentences[idx2]
+
+            # 確保比較的是不同模型的回應中的句子
+            if model_idx1 == model_idx2:
+                continue
+
+            # 如果第二個句子也處理過了，跳過
+            if (model_idx2, sent_idx2) in processed_indices:
+                 continue
+
+            similarity = difflib.SequenceMatcher(None, sent1, sent2).ratio()
+
+            # 找尋最高相似度且高於閾值的句子
+            if similarity > max_similarity:
+                 max_similarity = similarity
+                 # 選擇較短的句子作為代表
+                 chosen_sentence = sent1 if len(sent1) <= len(sent2) else sent2
+                 best_match = ((model_idx1, sent_idx1), (model_idx2, sent_idx2), chosen_sentence)
+
+        # 如果找到了相似度高的句子對
+        if best_match:
+             idx_pair1, idx_pair2, chosen = best_match
+             # 將這對句子都標記為已處理
+             processed_indices.add(idx_pair1)
+             processed_indices.add(idx_pair2)
+             # 加入摘要列表
+             summary_sentences.append(chosen)
+
+    # 處理剩下的、沒有找到高相似度配對的句子（可以選擇性加入）
+    # 這裡可以加入邏輯來包含那些獨特但可能重要的句子
+    # unique_sentences = []
+    # for i, lst in enumerate(sentence_lists):
+    #     for j, sent in enumerate(lst):
+    #         if (i, j) not in processed_indices:
+    #             unique_sentences.append(sent)
+    # # 可以選擇將 unique_sentences 加入摘要，或另外呈現
+
+    # 格式化輸出
+    if not summary_sentences:
+        summary = "各模型提供了不同的觀點，未偵測到足夠相似的核心內容可供直接彙整。重點預覽如下：\n\n"
+        for model, response in responses.items():
+            preview = response.strip().replace('\n', ' ')[:100] # 截取前 100 字元預覽
+            summary += f"- **{model}**: {preview}...\n"
+    else:
+        summary = "綜合各模型的相似觀點，摘要如下：\n\n"
+        # 可以稍微整理一下摘要句子的順序或進行潤飾
+        # 目前直接列出
+        unique_summary_sentences = []
+        for sentence in summary_sentences:
+            if sentence not in unique_summary_sentences: # 再次去重，以防萬一
+                 unique_summary_sentences.append(sentence)
+
+        for sentence in unique_summary_sentences:
+            summary += f"- {sentence}\n" # 自動加上結尾句號（如果需要）或保留原樣
+
+    # 注意：這裡 prompt 參數沒有被使用，如果未來摘要邏輯需要參考原始問題，可以加入
+    return summary
+
+def main():
+    # 可自訂多個問題
+    questions = [
+        "介紹台灣的夜市文化",
+        "台灣人工智慧發展的現況與挑戰為何？"
+    ]
+
+    initialize_markdown_file() # 如果這裡失敗，程式會中止
+    print("[開始] 向模型發送請求...")
+
+    for i, prompt in enumerate(questions, 1):
+        print(f"[處理中] 問題 {i}/{len(questions)}: {prompt[:30]}...")
+        model_responses = {}
+
+        for model in MODELS:
+            print(f"  └▶ 模型 {model} 推理中...")
+            start_time = time.time() # 記錄開始時間
+            response = send_request_to_ollama(prompt, model)
+            end_time = time.time() # 記錄結束時間
+            elapsed_time = end_time - start_time
+            print(f"     回應耗時: {elapsed_time:.2f} 秒") # 顯示每個模型的回應時間
+            model_responses[model] = response
+            # time.sleep(1) # 根據需要調整延遲，如果 Ollama 伺服器負載不高可以縮短或移除
+
+        append_to_markdown(i, prompt, model_responses)
+        print(f"[完成] 問題 {i} 已處理並寫入檔案。")
+
+
+    print("[完成] 所有問題已處理完畢，結果保���在 output_moremodels.md")
+
+if __name__ == "__main__":
+    main()

output_moremodels.md

@@ -0,0 +1,19 @@
+---
+title: 多模型推理彙整報告
+date: 2025-04-16 09:17:03
+models:
+  - gemmapro
+  - gemmapro-r
+  - gemmapro-20kctx
+author: 自動化程式
+description: 本報告整合多個模型對多個問題的回應，進行去蕪存菁後的彙整。
+---
+
+# 多模型推理彙整報告
+
+產出時間: 2025-04-16 09:17:03
+
+使用模型: gemmapro, gemmapro-r, gemmapro-20kctx
+
+---
+