LLM應用實戰: AI資訊的自動聚合及報告生成

1.背景

花了整整兩天時間，本qiang~開發了一個關於AI新聞資訊的自動聚合及報告生成工具。

本篇記錄一下整體的框架和實現原理，並且本著它山之石可以攻玉，本qiang~開放了所有的原始碼，原始碼可見如下第5章節，感謝各位看官的大力支援。如有問題，可私信或留言溝通。

成品可以參考連結：《AI資訊每日速遞(2024.11.05)》

2.為什麼要做這件事？

深處AI時代，想要追趕前沿的一手技術與資訊，有一個工具能夠實時獲取每天的重點內容，包括諮詢和技術相關內容，並且能夠按照公司及內容的優先順序進行篩選，然後午後捧著一杯奶茶，點開自動生成的報告，豈不美哉美哉？

3.相關技術

1. Crawl4ai: 一塊整合LLM的開源爬蟲工具
2. Swarm: OpenAI釋出的Multi-Agent編排框架，可以參考本人先前的辛苦整理：《LLM應用實戰: OpenAI多代理框架-Swarm》
3. Python-docx: word的操作工具
4. Textdistance: 用於報告模組中資訊排序結果與原始資訊結果的對齊
5. Gpt-4o-mini: 採用的大模型是gpt-4o-mini，每日免費呼叫200次，不夠用...

4.整體框架

整體框架分為三個模組：

4.1下載模組

下載模組的資料來源包括各大AI新聞網站及知名部落格，然後透過開源爬蟲工具crawl4ai進行爬取，爬取的維度包括標題、內容、圖片等。

4.2解析模組

解析模組是針對爬取的結果進行解析，採用OpenAi Swarm框架，包含4個Agent，其中Analysis Agent是主體Agent，遍歷下載的每一個資訊，將每條資訊分別同步給其他Agent完成具體的解析任務。其中Translator Agent主要功能是翻譯，將英文翻譯為中文；Classifier Agent主要功能是針對資訊進行分類，如涉及技術還是產品之類的；Modifier Agent主要功能是將資訊的標題和內容進行改寫，標題可以改寫更醒目一些，內容主要是提取摘要資訊。

Analysis Agent負責串聯其他3個Agent，每個Agent結束後均會返回到Analysis Agent，以便讓Analysis Agent決定下一步的操作。

4.3報告模組

報告模組包含Sorter Agent，主要功能是將解析後的資訊按照公司、內容等維度進行排序，然後篩選出其中相對排名較高的資訊。

經過排序Agent後，最終將結果儲存為word。

5.全部原始碼

5.1下載模組

採用crawl4ai工具進行網站爬取，示例的網站是https://www.aibase.com，網站存在中文及英文，但增加翻譯Agent是為了相容其他網站。

1. 檔案處理file_util.py

import json
import hashlib


def get_datas(file_path, json_flag=True, all_flag=False, mode='r'):
    """讀取文字檔案"""
    results = []
    
    with open(file_path, mode, encoding='utf-8') as f:
        for line in f.readlines():
            if json_flag:
                results.append(json.loads(line))
            else:
                results.append(line.strip())
        if all_flag:
            if json_flag:
                return json.loads(''.join(results))
            else:
                return '\n'.join(results)
        return results
    

def save_datas(file_path, datas, json_flag=True, all_flag=False, with_indent=False, mode='w'):
    """儲存文字檔案"""
    with open(file_path, mode, encoding='utf-8') as f:
        if all_flag:
            if json_flag:
                f.write(json.dumps(datas, ensure_ascii=False, indent= 4 if with_indent else None))
            else:
                f.write(''.join(datas))
        else:
            for data in datas:
                if json_flag:
                    f.write(json.dumps(data, ensure_ascii=False) + '\n') 
                else:
                    f.write(data + '\n')

2. 網站爬取web_crawler.py

from crawl4ai import AsyncWebCrawler
from crawl4ai.extraction_strategy import JsonCssExtractionStrategy
import json
from typing import Dict, Any, Union, List
from bs4 import BeautifulSoup
from file_util import *
import os
import datetime
import re
import requests


class AbstractAICrawler():
    
    def __init__(self) -> None:
        pass
    def crawl():
        raise NotImplementedError()


class AINewsCrawler(AbstractAICrawler):
    def __init__(self, domain) -> None:
        super().__init__()
        self.domain = domain
        self.file_path = f'data/{self.domain}.json'
        self.history = self.init()
    
    def init(self):
        if not os.path.exists(self.file_path):
            return {}
        return {ele['id']: ele for ele in get_datas(self.file_path)}
    
    def save(self, datas: Union[List, Dict]):
        if isinstance(datas, dict):
            datas = [datas]
        self.history.update({ele['id']: ele for ele in datas})
        save_datas(self.file_path, datas=list(self.history.values()))
    
    async def crawl(self, url:str, schema: Dict[str, Any]=None):
        extraction_strategy = JsonCssExtractionStrategy(schema, verbose=True) if schema else None
        async with AsyncWebCrawler(verbose=True) as crawler:
            result = await crawler.arun(
                url=url,
                extraction_strategy=extraction_strategy,
                bypass_cache=True,
            )

            assert result.success, "Failed to crawl the page"
            if schema:
                return json.loads(result.extracted_content)
            return result.cleaned_html


class AIBasesCrawler(AINewsCrawler):
    def __init__(self) -> None:
        self.domain = 'aibase'
        super().__init__(self.domain)
        self.url = 'https://www.aibase.com'
        
    async def crawl_home(self, url='https://www.aibase.com/news'):
        schema = {
            'name': 'ai base home page crawler',
            'baseSelector': '.flex',
            'fields': [
                {
                    'name': 'link',
                    'selector': 'a[rel="noopener noreferrer"]',
                    'type': 'nested_list',
                    'fields': [
                        {'name': 'href', 'type': 'attribute', 'attribute':'href'}
                    ]
                }
            ]
        }
        links = await super().crawl(url, schema)
        links = [link['href'] for ele in links for link in ele['link']]
        links = list(set([f'{self.url}{ele}' for ele in links if ele.startswith('/news')]))
        links = sorted(links, key=lambda x: x, reverse=True)
        return links
    
    async def crawl_newsletter_cn(self, url):
        html = await super().crawl(url)
        body = BeautifulSoup(html, 'html.parser')
        title = body.select_one('h1').get_text().replace('\u200b', '').strip()
        date = [ele.get_text().strip() for ele in body.find_all('span') if re.match(r'(\d{4}年\d{1,2}月\d{1,2}號)', ele.get_text().strip())][0]
        date = datetime.datetime.strptime(date, '%Y年%m月%d號 %H:%M').strftime("%Y-%m-%d")
        content = '\n'.join([ele.get_text().strip().replace('\n', '').replace(' ', '') for ele in body.find_all('p')])
        content = content[:content.index('劃重點:')].strip() if '劃重點:' in content else content
        return {
            'title': title,
            'link': url,
            'content': content,
            'date': date
        }
    
    async def crawl_home_cn(self, url='https://www.aibase.com/zh/news'):
        schema = {
            'name': 'ai base home page crawler',
            'baseSelector': '.flex',
            'fields': [
                {
                    'name': 'link',
                    'selector': 'a[rel="noopener noreferrer"]',
                    'type': 'nested_list',
                    'fields': [
                        {'name': 'href', 'type': 'attribute', 'attribute':'href'}
                    ]
                }
            ]
        }
        links = await super().crawl(url, schema)
        links = [link['href'] for ele in links for link in ele['link']]
        links = list(set([f'{self.url}{ele}' for ele in links if ele.startswith('/zh/news')]))
        links = sorted(links, key=lambda x: x, reverse=True)
        return links
    
    async def crawl_newsletter(self, url):
        html = await super().crawl(url)
        body = BeautifulSoup(html, 'html.parser')
        title = body.select_one('h1').get_text().replace('\u200b', '').strip()
        date = ';'.join([ele.get_text().strip() for ele in body.find_all('span')])
        date = re.findall(r'(\b\w{3}\s+\d{1,2},\s+\d{4}\b)', date)[0]
        date = datetime.datetime.strptime(date, '%b %d, %Y').strftime("%Y-%m-%d")
        content = '\n'.join([ele.get_text().strip().replace('\n', '') for ele in body.find_all('p')])
        content = content[:content.index('Key Points:')].strip() if 'Key Points:' in content else content
        pic_urls = [ele.get('src').strip() for ele in body.select('img') if ele.get('title')]
        pic_url = pic_urls[0] if pic_urls else ''
        pic_url = pic_url.replace('\\"', '')
        pic_path = ''
        if pic_url:
            pic_path = f'data/images/{md5(url)}.jpg'
            response = requests.get(pic_url)
            if response.status_code == 200:
                with open(pic_path, 'wb') as f:
                    f.write(response.content)
        return {
            'title': title,
            'link': url,
            'content': content,
            'date': date,
            'pic': pic_path,
            'id': md5(url)
        }
    
    async def crawl(self):
        links = await self.crawl_home()
        results = []
        for link in links:
            _id = md5(link)
            if _id in self.history:
                continue
            results.append({
                'id': _id,
                'link': link,
                'contents': await self.crawl_newsletter(link),
                'time': datetime.datetime.now().strftime('%Y-%m-%d')
            })
        self.save(results)
        return await self.get_last_day_data()
    
    async def get_last_day_data(self):
        last_day = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y-%m-%d')
        datas = self.init()
        for v in datas.values():
            v['contents']['id'] = v['id']
        return [v['contents'] for v in datas.values() if v['contents']['date'] == last_day]

5.2解析模組

1. 解析提示語prompt.py

ANALYST = """你是一個AI領域的分析師，主要工作步驟如下：
1. 首先執行transform_to_translate_agent方法，切換到translate agent，執行翻譯任務;
2. 然後再執行transform_to_classifier_agent，呼叫classifier agent，針對內容進行分類;
3. 接著再執行transform_to_modifier_agent，呼叫modifier agent，針對內容進行改寫;
4. 前三步執行完畢後，意味著整個分析工作已經完成，最後呼叫finish方法，退出該整個工作流程。
需要注意的是：每個步驟必須執行完成後，才能執行後續的步驟，且同時只能有1個步驟在執行；如果modifier agent已經執行完畢，一定要呼叫finish退出整體工作流程。
"""


TRANSLATE = """你現在是一個AI領域的翻譯專家，請將如下英文的標題和內容分別翻譯為中文。步驟及要求如下:
1. 首先呼叫translate方法進行翻譯，要求如下：
a. 需要注意的標題和內容中如果包含公司名稱、產品名稱、技術名稱等專業詞彙，針對這些專業詞彙需要保留英文形式，其他非專業詞彙需要翻譯為中文，注意標題也必須翻譯;
b. 輸出格式為 "標題: xxxxx\n內容: xxxxx"，且需要保留換行符;
c. 注意該translate方法沒有輸入引數，返回的結果只是需要翻譯的原始文字，需要你執行翻譯操作，然後返回翻譯結果;
d. 該translate方法執行完成後，需要你執行具體的翻譯，等待翻譯完成後，才能開展下一個步驟，不能直接將原文作為引數傳給下一個步驟;

2. 抽取完成後，執行extract_translate_result方法，要求如下：
a. 該extract_translate_result方法存在1個輸入引數，即執行1後得到的翻譯結果

3. 待步驟2執行完成後，執行transform_to_analysis_agent方法，切換至analysis agent，執行其他工作。

4. 步驟1,2,3必須按照順序執行，且同時只能有1個步驟在執行

5. 如果歷史記錄中已經執行了任何步驟，注意嚴格禁止再次重複執行，而要直接執行未執行的步驟，
"""

CLASSIFIER = """你是一個AI領域的分類器，請判斷輸入是否與AI的技術相關。步驟及要求如下:
1. 首先呼叫classify方法進行分類，要求如下：
a. 輸入的內容包括標題和內容兩部分，重點基於內容進行判斷這條資訊是否與AI技術相關;
b. 如果是相關技術細節、技術原理、程式碼說明、架構說明，則輸出"是"，如果是與公司的最新資訊相關，如發行新產品、成立新部門、公司合作等非技術相關的，則輸出"否"
c. 輸出的結果只能是"是"、"否"兩個選項中的一個，不要輸出其他內容，包括解釋資訊等。
d. 注意該classify方法沒有輸入引數，返回的結果只是需要分類的原始文字，需要你執行分類任務，然後返回分類結果;


2. 獲取到分類結果後，執行extract_classify_result方法，要求如下：
a. 該extract_classify_result方法存在1個輸入引數，即執行1後得到的分類結果

3. 待步驟2執行完成後，執行transform_to_analysis_agent方法，切換至analysis agent，執行其他工作

4. 步驟1,2,3必須按照順序執行，且同時只能有1個步驟在執行

5. 如果歷史記錄中已經執行了任何步驟，注意嚴格禁止再次重複執行，而要直接執行未執行的步驟，
"""


MODIFIER = """你是一個AI新聞的改寫器，請基於輸入中的標題和內容進行改寫。步驟及要求如下:
1. 首先呼叫modify方法進行改寫，要求如下：
a. 輸入的內容包括"標題"和"內容"兩部分，需要分別針對"標題"和"內容"進行改寫;
b. "標題"的改寫目標是需要醒目且具有吸引力，能夠吸引讀者進一步閱讀，要求字數不能超過30字;
c. "內容"需要摘要總結，需要準確提取主要內容，要求字數不超過200字;
d. 輸出格式為 "標題: xxxx\n內容: xxxxx"，且需要保留換行符，"標題"和"內容"需要以輸入的中文為準;
e. 注意該modify方法沒有輸入引數，返回的結果是需要改寫的原始文字，需要你執行改寫任務，然後返回改寫結果;


2. 獲取到改寫結果後，執行extract_modify_result方法，要求如下：
a. 該extract_modify_result方法存在1個輸入引數，即執行1後得到的改寫結果

3. 待步驟2執行完成後，執行transform_to_analysis_agent方法，切換至analysis agent，執行其他工作

4. 步驟1,2,3必須按照順序執行，且同時只能有1個步驟在執行

5. 如果歷史記錄中已經執行了任何步驟，注意嚴格禁止再次重複執行，而要直接執行未執行的步驟
"""

2. 解析Agent整體流程agent.py

agent copy 2from swarm import Swarm, Agent
from web_crawler import AIBasesCrawler
import asyncio
from prompt import *
from file_util import *
from tqdm import tqdm
import datetime


client = Swarm()

def download():
    return asyncio.run(AIBasesCrawler().crawl())

def transform_to_analysis_agent():
    return analysis_agent

def transform_to_translate_agent():
    return translate_agent

def transform_to_classifier_agent():
    return classifier_agent

def transform_to_modifier_agent():
    return modifier_agent

def translate(context_variables):
    return f'現在請按要求翻譯如下內容:\n標題: {context_variables["title"]}\n內容: {context_variables["content"]}'

def extract_translate_result(result: str, context_variables: dict):
    """翻譯的結果進行抽取

    Args:
        result (str): 翻譯結果
    Returns:
        str: 翻譯結果提取結束標誌
    """
    context_variables['title_zh'] = result[result.index('標題:')+len('標題:'):result.index('內容:')]
    context_variables['content_zh'] = result[result.index('內容:')+len('內容:'):]
    return '翻譯結果提取任務已經完成，請繼續下一步操作。'

def classify(context_variables):
    return f'現在請按要求針對以下內容進行分類，\n輸入:\n標題: {context_variables["title_zh"]}\n內容: {context_variables["content_zh"]},\n輸出:'

def extract_classify_result(result: str, context_variables: dict):
    """分類的結果進行抽取

    Args:
        result (str): 翻譯結果
    Returns:
        str: 分類結果提取結束標誌
    """
    context_variables['classify'] = result
    return '分類結果提取任務已經完成，請繼續下一步操作。'


def modify(context_variables):
    return f'現在請按要求針對以下內容進行改寫，\n輸入:\n標題: {context_variables["title_zh"]}\n內容: {context_variables["content_zh"]},\n輸出:'

def extract_modify_result(result: str, context_variables: dict):
    """改寫的結果進行抽取

    Args:
        result (str): 改寫結果
    Returns:
        str: 改寫結果提取結束標誌
    """
    context_variables['title_modify'] = result[result.index('標題:')+len('標題:'):result.index('內容:')]
    context_variables['content_modify'] = result[result.index('內容:')+len('內容:'):]
    return '改寫結果提取任務已經完成，請繼續下一步操作。'


def finish():
    return '分析任務已經完成，請直接退出整個工作流程，直接輸出"退出"。'


analysis_agent = Agent(name='analysis_agent', instructions=ANALYST, functions=[transform_to_translate_agent, transform_to_classifier_agent, transform_to_modifier_agent, finish])
translate_agent = Agent(name='translate_agent', instructions=TRANSLATE, functions=[translate, extract_translate_result, transform_to_analysis_agent])
classifier_agent = Agent(name='classifier_agent', instructions=CLASSIFIER, functions=[classify, extract_classify_result, transform_to_analysis_agent])
modifier_agent = Agent(name='modifier_agent', instructions=MODIFIER, functions=[modify, extract_modify_result, transform_to_analysis_agent])

output_file_pre = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y.%m.%d')
output_path = f'data/{output_file_pre}_final_results.json'
results = get_datas(output_path)
process_ids = [data['id'] for data in results]
for data in tqdm(download()):
    if data['id'] in process_ids: continue
    
    context_variables = {'title': data['title'], 'content': data['content']}
    try:
        result = client.run(analysis_agent, messages=[{"role": "user", "content": "現在，請開始分析!"}], context_variables=context_variables, debug=True)
        context_variables = result.context_variables
        data['title_zh'] = context_variables['title_zh']
        data['content_zh'] = context_variables['content_zh']
        data['classify'] = context_variables['classify']
        data['title_modify'] = context_variables['title_modify']
        data['content_modify'] = context_variables['content_modify']
        save_datas(output_path, [data], mode='a')
    except Exception as e:
        print(e)
        continue

5.3報告模組

1. 排序提示語prompt.py

SORTER = """你是一個AI新聞的排序助手，請給予輸入的新聞標題進行排序。要求如下:
1. 排序的規則是基於標題中所提及公司、組織機構的名氣和重要性進行排序，名氣和重要性是基於你所學的知識進行排序，名氣和重要性越高，排名越靠前;
2. 排序的結果只返回名氣最高的top10即可，輸出的格式為"1xxxxx\n2xxxxx\n3xxxxx...\n10xxxxx"，注意一定要以"\n"進行換行;
3. 輸出的每個標題，需要和輸入中對應的標題保持完全一致，禁止更改;
"""

2. 排序流程agent.py

from swarm import Swarm, Agent
from prompt import *
from file_util import *
from collections import defaultdict
import re
import textdistance
from word_util import save_2_word
import datetime
import random


client = Swarm()
output_file_pre = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y.%m.%d')
output_path = f'data/{output_file_pre}_final_results.json'
sort_agent = Agent(name='sort_agent', instructions=SORTER)
    
datas = get_datas(output_path)
for ele in datas:
    ele['title_modify'] = ele['title_modify'].strip()
    ele['content_modify'] = ele['content_modify'].strip()

def get_most_similar(t1, texts):
    most_similarity = 0.0
    most_similar_text = ''
    for ele in texts:
        similarity = textdistance.levenshtein.similarity(t1, ele)
        if similarity > most_similarity:
            most_similarity = similarity
            most_similar_text = ele
    return most_similar_text
    
type_2_title = defaultdict(list)
{type_2_title[ele['classify']].append(ele['title_modify']) for ele in datas}
title_2_data = {ele['title_modify']: ele for ele in datas}
final_results = defaultdict(list)
for k, v in type_2_title.items():
    content = "\n".join([ele for ele in v])
    message = f'現在請根據你所學習的知識，按照要求對以下輸入進行排序，並且按照輸出格式進行輸出，\n輸入:\n{content},\n輸出:'
    result = client.run(sort_agent, messages=[{"role": "user", "content": message}], debug=True)
    sort_results = [ele['content'] for ele in result.messages[::-1] if 'content' in ele and ele['content'] and ele['content']]
    sort_results = sort_results[0].split('\n') if sort_results else random.sample(v, 10)
    sort_results = [re.sub(r'^\d+[\.,、\s]*', '', ele).strip() for ele in sort_results]
    final_results[k].extend([title_2_data[get_most_similar(ele, list(title_2_data.keys()))] for ele in sort_results])

sort_output = f'data/{output_file_pre}_sort_results.json'
save_datas(sort_output, [final_results])

# 生成word
save_2_word(final_results, output_file_pre)

3. 報告生成word_util.py

from docx import Document
from docx.shared import Inches, Pt, RGBColor
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import os


def save_2_word(info_dict, file_pre):
    doc = Document()
    
    categories = ['否', '是']
    category_color = 'FF5733'
    
    for category in categories:
        news = info_dict[category]
        category_paragraph = doc.add_paragraph()
        category = '技術' if category == '是' else '資訊'
        category_run = category_paragraph.add_run(category)
        category_run.bold = True
        category_run.font.size = Pt(25)
        category_run.font.color.rgb = RGBColor.from_string(category_color)
        category_paragraph.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
        for i, item in enumerate(news):
            title = item['title_modify']
            doc.add_heading(f'{i+1}. {title}', level=1)
            
            pic = item['pic'] if 'pic' in item else ''
            if pic and os.path.exists(pic):
                pic_paragraph = doc.add_paragraph()
                pic_paragraph.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
                doc.add_picture(pic, width=Inches(5))
            
            content = item['content_modify']
            doc.add_paragraph(content)
            
    doc.save(f'data/AI資訊每日速遞({file_pre}).docx')            
    

6.最佳化思考

1. 爬取模組目前是序列下載，且未增加反爬機制，後續可以增加多執行緒，且增加代理池機制。

2. 免費的gpt-4o-mini每日呼叫次數僅有200次，執行本任務遠遠不夠，因此後期嘗試切換為私有部署的Qwen2.5。

其實已經嘗試了Qwen2.5，以vllm部署，但與Swarm框架中的OpenAi介面存在少許不相容，例如不支援特定的引數，只能執行一輪。不過可以進一步最佳化Swarm框架來進行適配。

本次實驗本qiang~花費了30大洋，買了一個gpt-4o-mini，生成最終結果，直接耗費了其中的8個大洋，燒錢....

3. 資訊推送機制不支援，如一鍵同步到公眾號、CSDN、知乎，這塊如果有精力可以基於網站的開發介面，實現一鍵自動釋出文章。

7.總結

一句話足矣~

開發了一塊AI資訊的自動聚合及報告生成工具，包括具體的框架、實現原理以及完整原始碼，滿滿誠意，提供給各位看官。歡迎轉發、訂閱~

有問題可以私信或留言溝通！

8.參考

(1) Swarm: https://github.com/openai/swarm

(2) Crawl4ai: https://github.com/unclecode/crawl4ai

(3) 資訊網站: https://www.aibase.com/news