مهمترین خواستهی سینیور این بود که بسنجیم پاسخِ AI واقعاً یاد میدهد یا نه. برای سنجیدن، اول باید پاسخها قابلِ ردیابی میشدند. پرامپتها پایهآگاه شدند: تا پیش از این «معلمِ دبستانی» برای پایه نهم هاردکد بود، هم در تولیدِ پاسخ و هم در vision — یعنی دانشآموزِ نهم لحنِ ابتدایی میگرفت. PROMPT_VERSION حالا روی هر پیام ذخیره میشود. هر پاسخ حاشیهنویسی میشود: مدل، نسخهی پرامپت، پایه، collection، مقدارِ فیلتر، تعداد chunk، توکن، تأخیر و from_cache. فیدبک reason اختیاری گرفت تا لایک/دیسلایک بعداً قابلِ تحلیل باشد («بشه چک کرد کدوم بهتر بوده»). ai_feedback_report --by prompt_version نسبتِ رضایت را کنارِ مصرف/هزینه میگذارد. rag_eval سوالهای واقعی را از مسیرِ واقعی میپرسد، با --retrieval-only برای اجرای ارزان. rag/services/lesson_context.py از lessonId تنها پایه و فصل را درمیآورد؛ normalize_grade_title هم اختلافِ «پایه نهم» در دیتابیس با «ریاضی نهم» در نامِ collection را میبندد — بدونِ آن مسیرِ gradeId بیسروصدا خالی برمیگشت. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
102 lines
6.0 KiB
Python
102 lines
6.0 KiB
Python
from django.db import models
|
||
|
||
|
||
class Conversation(models.Model):
|
||
user_id = models.IntegerField(db_index=True) # ارجاع سبک به accounts.User
|
||
lesson_id = models.IntegerField(null=True, blank=True) # ارجاع سبک به content.Lesson
|
||
chapter_id = models.IntegerField(null=True, blank=True) # شناسهی فصل RAG (خارج از content/)
|
||
grade_id = models.IntegerField(null=True, blank=True) # ارجاع سبک به content.Grade
|
||
# metadataِ retrieval برای لایهی RAG (اپ rag): نامِ درس (رشته) و
|
||
# شمارهی درس. اولین بار از بدنهی POST /api/ai/ask میآن و اینجا ذخیره
|
||
# میشن تا ادامهی همون مکالمه دوباره لازم نباشه فرستاده بشن. نامِ
|
||
# collectionِ Qdrant از روی subject + عنوانِ گرید ساخته میشه.
|
||
subject = models.CharField(max_length=100, blank=True, default='')
|
||
lesson_number = models.IntegerField(null=True, blank=True)
|
||
created_at = models.DateTimeField(auto_now_add=True)
|
||
|
||
def __str__(self):
|
||
return f"conv-{self.pk}-user{self.user_id}"
|
||
|
||
|
||
class Message(models.Model):
|
||
ROLE_CHOICES = [('user', 'کاربر'), ('assistant', 'دستیار')]
|
||
|
||
conversation = models.ForeignKey(Conversation, on_delete=models.CASCADE, related_name='messages')
|
||
role = models.CharField(max_length=10, choices=ROLE_CHOICES)
|
||
text = models.TextField()
|
||
question_id = models.IntegerField(null=True, blank=True) # ارجاع سبک به content.Question
|
||
created_at = models.DateTimeField(auto_now_add=True)
|
||
|
||
# --- حاشیهنویسیِ تولید (فقط برای پیامهای role='assistant') --------------
|
||
# سینیور خواست لایک/دیسلایک بعداً قابلِ تحلیل باشد: «کدام جواب بهتر بوده».
|
||
# فیدبکِ خالی (یک بولین) این را نمیگوید — باید بدانیم آن جوابِ خاص با کدام
|
||
# مدل، کدام نسخهی پرامپت و با چه context ای ساخته شده بود. این فیلدها
|
||
# هنگامِ تولید پر میشوند، نه هنگامِ فیدبک، تا همهی پاسخها (حتی آنهایی که
|
||
# کسی رأی نداده) قابلِ مقایسه بمانند.
|
||
model_name = models.CharField(max_length=100, blank=True)
|
||
prompt_version = models.CharField(max_length=50, blank=True, db_index=True)
|
||
grade_title = models.CharField(max_length=50, blank=True)
|
||
retrieval_collection = models.CharField(max_length=200, blank=True)
|
||
retrieval_filter_value = models.CharField(max_length=255, blank=True)
|
||
chunk_count = models.PositiveSmallIntegerField(default=0)
|
||
prompt_tokens = models.PositiveIntegerField(default=0)
|
||
completion_tokens = models.PositiveIntegerField(default=0)
|
||
latency_ms = models.PositiveIntegerField(default=0)
|
||
from_cache = models.BooleanField(default=False)
|
||
|
||
class Meta:
|
||
ordering = ['created_at']
|
||
|
||
def __str__(self):
|
||
return f"msg-{self.pk}-{self.role}"
|
||
|
||
|
||
class MessageFeedback(models.Model):
|
||
message = models.OneToOneField(Message, on_delete=models.CASCADE, related_name='feedback')
|
||
is_helpful = models.BooleanField()
|
||
# دلیلِ اختیاریِ کاربر. «چرا بد بود» تنها چیزیست که از خودِ عدد درنمیآید
|
||
# و برای بهترکردنِ پرامپت واقعاً به کار میآید.
|
||
reason = models.CharField(max_length=300, blank=True)
|
||
created_at = models.DateTimeField(auto_now_add=True, null=True)
|
||
updated_at = models.DateTimeField(auto_now=True, null=True)
|
||
|
||
def __str__(self):
|
||
return f"feedback-msg{self.message_id}"
|
||
|
||
|
||
class AskIdempotency(models.Model):
|
||
"""
|
||
⚛️🔒 اصلاح idempotency برای POST /api/ai/ask (همون الگویی که
|
||
UserAnswer.idempotency_key/UserLessonCompletion.idempotency_key در
|
||
content و Order.idempotency_key در payment دارن): چون نتیجهی هر
|
||
«سوال» شاملِ دو ردیفِ Message (کاربر + دستیار) و مصرفِ یک اسلاتِ
|
||
کوتای روزانهست (نه یک ردیفِ تکی مثلِ UserAnswer)، این رکورد پل بین
|
||
(user, Idempotency-Key) و نتیجهی از قبل ساختهشده رو نگه میداره تا
|
||
رتری/دابلکلیکِ همون کلید، دوباره پیام یا کوتای تکراری نسازه و بهجاش
|
||
نتیجهی همون درخواستِ قبلی برگردونده بشه. UniqueConstraint سطح DB روی
|
||
(user_id, idempotency_key) هم دفاع در عمق در برابر دو submit همزمانِ
|
||
دقیقاً با همون کلیده (مشابه uniq_user_answer_idempotency_key).
|
||
"""
|
||
user_id = models.IntegerField(db_index=True)
|
||
idempotency_key = models.CharField(max_length=100)
|
||
conversation = models.ForeignKey(Conversation, on_delete=models.CASCADE, related_name='+')
|
||
user_message = models.ForeignKey(Message, on_delete=models.CASCADE, related_name='+')
|
||
assistant_message = models.ForeignKey(Message, on_delete=models.CASCADE, related_name='+')
|
||
# ذخیره میشه تا replayِ idempotent بتونه بدونِ فراخوانیِ دوبارهی
|
||
# generate_tutor_answer همون مقدارِ اصلی رو برگردونه — وقتی provider
|
||
# واقعی جایگزینِ stub بشه، هر replay یعنی هزینه/تأخیرِ تکراری و
|
||
# follow-upهای متفاوت در هر retry، برخلافِ هدفِ idempotency.
|
||
suggested_follow_ups = models.JSONField(default=list)
|
||
created_at = models.DateTimeField(auto_now_add=True)
|
||
|
||
class Meta:
|
||
constraints = [
|
||
models.UniqueConstraint(
|
||
fields=['user_id', 'idempotency_key'],
|
||
name='uniq_ask_idempotency_key',
|
||
),
|
||
]
|
||
|
||
def __str__(self):
|
||
return f"ask-idem-user{self.user_id}-{self.idempotency_key}"
|