use Chinese prompt for follow up question parsing

example_with_langchain_and_vectorstore/chat_backend.py

@@ -11,6 +11,8 @@ from langchain.chains import (
     QAWithSourcesChain,
     VectorDBQAWithSourcesChain,
 )
+from langchain.prompts.prompt import PromptTemplate
+
 from langchain.docstore.document import Document
 from langchain.vectorstores.faiss import FAISS
 from langchain.chat_models import ChatOpenAI
@@ -23,7 +25,7 @@ from langchain.prompts.chat import (
 from transformers import AutoTokenizer, AutoModel
 
 # Set up OpenAI API key
-# This is solely for the purpose of semantic search part of langchain vector search. 
+# This is solely for the purpose of semantic search part of langchain vector search.
 # Completion is still purely done using ChatGLM model.
 os.environ["OPENAI_API_KEY"] = ""
 
@@ -59,17 +61,19 @@ def init_wiki_agent(
     index_dir,
     max_token=800,
     temperature=0.3,
-):  
+):
-    
+
     embeddings = OpenAIEmbeddings()
     if index_dir:
         vectorstore = FAISS.load_local(index_dir, embeddings=embeddings)
     else:
         raise ValueError("Need saved vector store location")
-    system_template = """使用以下wikipedia的片段来回答用户的问题。
+    system_template = """使用以下文段, 简洁和专业的来回答用户的问题。
-如果无法从中得到答案，请说 "不知道" 或 "没有足够的相关信息". 不要试图编造答案。
+如果无法从中得到答案，请说 "不知道" 或 "没有足够的相关信息". 不要试图编造答案。 答案请使用中文.
 ----------------
-{context}"""
+{context}
+----------------
+"""
     messages = [
         SystemMessagePromptTemplate.from_template(system_template),
         HumanMessagePromptTemplate.from_template("{question}"),
@@ -78,12 +82,27 @@ def init_wiki_agent(
     # qa = ChatVectorDBChain.from_llm(llm=ChatOpenAI(temperature=temperature, max_tokens=max_token),
     #                                  vectorstore=vectorstore,
     #                                  qa_prompt=prompt)
+
+    condese_propmt_template = """任务: 给一段对话和一个后续问题，将后续问题改写成一个独立的问题。(确保问题是完整的, 没有模糊的指代)
+聊天记录：
+{chat_history}
+###
+
+后续问题：{question}
+
+改写后的独立, 完整的问题："""
+    new_question_prompt = PromptTemplate.from_template(condese_propmt_template)
+
     from chatglm_llm import ChatGLM_G
+
     qa = ChatVectorDBChain.from_llm(
-        llm=ChatGLM_G(), vectorstore=vectorstore, qa_prompt=prompt
+        llm=ChatGLM_G(),
+        vectorstore=vectorstore,
+        qa_prompt=prompt,
+        condense_question_prompt=new_question_prompt,
     )
     qa.return_source_documents = True
-    qa.top_k_docs_for_context = 2
+    qa.top_k_docs_for_context = 3
     return qa