OpenSPG/KAG项目中逻辑表单规划器的优化实践

背景概述

在知识图谱处理领域，逻辑表单规划器(Logic Form Planner)是一个关键组件，它负责将自然语言查询转换为可执行的逻辑操作序列。OpenSPG/KAG项目中的logic_form_plan.py模块实现了这一功能，但在实际使用中发现存在一些需要优化的地方。

问题分析

原实现使用qwen2.5_7B_instruct模型时，由于提示词(prompt)设计不够明确，导致默认的逻辑表单规划器(default_lf_planner.py)输出结果为空列表[]。这主要是因为：

1. 原prompt没有清晰说明LLM需要完成的具体任务
2. 指令格式不够直观，模型难以理解预期输出
3. 示例不够充分，模型缺乏足够的参考

优化方案

经过分析，我们重新设计了prompt结构，主要改进点包括：

1. 明确角色定义：开头明确指出"你是一个程序员"，设定清晰的上下文
2. 结构化功能描述：将函数描述以更清晰的JSON格式呈现
3. 增加实用示例：提供多个典型查询示例，展示输入输出对应关系
4. 简化指令：使用更直接的语言说明任务要求

新的prompt设计显著提升了模型的理解能力，使其能够正确生成逻辑操作序列。测试结果显示，优化后的prompt能够引导模型输出符合预期的结构化结果。

技术实现细节

优化后的prompt包含以下几个关键部分：

1. 角色定义：明确模型的任务是"阅读function_description和用户输入，调用不同的function"
2. 功能描述：详细列出get_spo、count、sum、sort、get等函数的声明格式和使用说明
3. 示例展示：提供"吴京是谁"和"30+6加上华为创始人在2024年的年龄是多少"两个完整示例
4. 用户输入：最后给出待处理的查询语句

这种结构化的prompt设计使得模型能够更好地理解任务要求，生成符合预期的逻辑操作序列。

实践建议

对于需要在OpenSPG/KAG项目中自定义逻辑表单规划器的开发者，建议：

1. 保持prompt结构清晰，明确区分不同部分
2. 提供足够多且具有代表性的示例
3. 使用简洁直接的语言描述任务要求
4. 针对特定领域需求，可以创建专门的prompt目录
5. 通过SolverPipeline的reasoner参数灵活指定自定义规划器

总结

通过对OpenSPG/KAG项目中逻辑表单规划器的prompt优化实践，我们验证了清晰、结构化的prompt设计对提升LLM任务理解能力的重要性。这一经验不仅适用于知识图谱领域，对于其他基于LLM的应用开发也具有参考价值。开发者应当重视prompt工程，通过精心设计输入引导模型产生更符合预期的输出。