lesson-wxauto-im-feedback-collection-jsonl-queu.json

{
  "task_id": "lesson-wxauto-im-feedback-collection-jsonl-queu",
  "title": "IM 机器人反馈收集与 JSONL 队列审核模式",
  "domain": "rag",
  "tags": [
    "rag",
    "feedback",
    "queue",
    "jsonl",
    "wechat"
  ],
  "problem": "RAG 知识库的 IM 机器人（wxauto 微信）只提供单向问答能力，用户不满意时无反馈渠道。知识库质量改进完全依赖离线人工审计，无法捕捉真实使用场景中的问题。",
  "solution": "实现三部分：\n\n### 1. 反馈关键词拦截\n在消息处理循环中，先于所有问答逻辑检查内容是否为反馈关键词：\n\n```python\nFB_GOOD = {\"好评\", \"👍\", \"good\", \"好用\", \"准确\", \"正确\", \"赞\"}\nFB_BAD = {\"差评\", \"👎\", \"bad\", \"不好用\", \"不对\", \"错了\", \"错误\", \"不准确\"}\n\nif any(k in cleaned_text for k in FB_BAD):\n    # 写入 badcase_pending.jsonl\nelif any(k in cleaned_text for k in FB_GOOD):\n    # 写入 approved 队列（作为正样本）\n```\n\n### 2. 会话级上下文追踪\n维护 `_last_question[sender]` 字典，记录每位用户的上一条提问。\n\n```python\n# 正常回答后记录\n_last_question[sender_key] = current_question\n\n# 用户说\"差评\"时取出\nkb_learning.add_feedback(\n    query_text=_last_question.get(sender_key, \"\"),\n    feedback=\"bad\",\n    sender=sender,\n)\n```\n\n### 3. JSONL 作为审核队列\n\nJSONL（每行一个 JSON 对象）作为待审队列格式的优势：\n- 可读性：任何文本编辑器可直接查看和修改\n- 可追加：`open(\"file\", \"a\")` 原子追加，无需锁\n- 可过滤：grep / jq / Python list comprehension 都支持\n- 零依赖：Python 标准库即可读写\n\n```\nbadcase_pending.jsonl  ←── daily_audit 写入 + IM 反馈写入\n         │\n    badcase_review.py 审核\n         │\n    ├── approve → badcase_approved.jsonl\n    └── reject  → badcase_rejected.jsonl\n```",
  "source": "lessons/contrib/wxauto-im-feedback-collection-jsonl-queue.md",
  "test_cmd": ""
}