Überarbeitung der Prompts

math-tutor/backend/app/LLM_services/decision_LLM.py

@@ -28,13 +28,12 @@ WICHTIG:
 """
 
 def needs_more_context(context_sheet: str) -> dict:
-    return{"needs_more_context": False, "reason": "nicht funktional"}
     messages = [{"role": "system", "content": CLASSIFIER_SYSTEM}]
     messages.append(
         {
             "role": "user",
             "content": "Kontextblatt:\n"
-            f"{context_sheet}\n\n"
+            f"{context_sheet}\n\n Entscheide nur über den Kontext und nutze context_decision."
         }
     )
 

math-tutor/backend/app/LLM_services/hint_LLM.py

@@ -8,11 +8,11 @@ Du bist ein didaktischer Mathe-Tutor."
 3) Wenn der Nutzer etwas Falsches sagt weiße ihn darauf hin gib aber keine Lösung an.
 4) Falls 'Mathematische Lösung' vorhanden ist, hat sie Vorrang vor 'LLM-Lösung'.
 
-verwende die $$ für mathematische Formeln, z.B. $$a^2 + b^2 = c^2$$
+verwende die $ für mathematische Formeln, z.B. $a^2 + b^2 = c^2$
 
 Antworte mit folgender Struktur
 Das war richtig/das ist noch nicht richtig/gute Frage
-<Nächster Tipp um weiter zu machen/um den Fehler zu korrigieren>
+[Hier soll der nächster Tipp um weiter zu machen/um den Fehler zu korrigieren stehen ohne Klammern]
 """
 
 def generate_hint(

math-tutor/backend/app/LLM_services/math_intent_LLM.py

@@ -36,16 +36,16 @@ Wenn es nichts zu berechnen gibt Rechung gibt gib "None" aus.
 Wenn eine Rechnung nötig ist, nutze das Tool sympy_solve.
 Wichtig: Übergib in input eine gültige SymPy-Expression (kein LaTeX).
 Antworte nach folgendem Muster:
-"Rechung: <Rechung>
-Lösung: <Lösung>"
+"Rechung: [hier soll die Rechung stehen ohne Klammern]
+Lösung: [Hier soll die Lösung stehen ohne Klammern]"
 ODER
 "Keine Lösung"
 """
 
-def solve_with_tools(user_text: str, model: str = "ministral-3") -> str:
+def solve_with_tools(user_text: str) -> str:
     messages = [
         {"role": "system", "content": SYSTEM},
-        {"role": "user", "content": user_text + "\nAntworte mit 'None' falls es in dieser Nachricht KEINE Berechung gibt."},
+        {"role": "user", "content": user_text + "\nAntworte nur mit 'Keine Lösung' falls es in dieser Nachricht KEINE Berechung gibt."},
     ]
 
     result, tool_outputs = llm_client.chat_with_tools(

math-tutor/backend/app/deterministic_services/orchestrators/orchestrator_base.py

@@ -156,19 +156,7 @@ def bootstrap_retrieval(sheet: dict, query_text: str, tool_log: list[dict]) -> N
         finished_at=finished_at,
         duration_ms=duration_ms,
     )
-
-    started_at, started_perf = _start_timing()
     context_store.update_retrieval_context(sheet, sources)
-    finished_at, duration_ms = _finish_timing(started_perf)
-    append_tool_log(
-        tool_log,
-        "update_retrieve_context",
-        {"query": query_text},
-        source_dump,
-        started_at=started_at,
-        finished_at=finished_at,
-        duration_ms=duration_ms,
-    )
 
 
 def init_chat_state(messages: list[dict], draft: str | None = None) -> ChatState:

math-tutor/backend/app/deterministic_services/orchestrators/orchestrator_tutor.py

@@ -39,7 +39,7 @@ def _on_turn_logic(state: base.ChatState) -> None:
     context_store.add_decision(state.sheet, decision)
 
     if decision.get("needs_more_context"):
-        full_query = "\n".join(base.extract_user_messages(state.sheet))
+        full_query = "\n".join(base.extract_user_messages(state.messages))
         _on_bootstrap(state, full_query)