📘 概述

ReasoningAnswerGenerator 是一个推理型答案生成算子，用于根据输入问题自动构建提示词（prompt）并调用大语言模型（LLM）生成推理式答案。 该算子可与多种 Prompt 模板（数学、通用、DIY）和 LLM 服务模块配合使用，实现自动化的问答生成流程。

__init__函数

@prompt_restrict(
    MathAnswerGeneratorPrompt,
    GeneralAnswerGeneratorPrompt,
    DiyAnswerGeneratorPrompt
)
@OPERATOR_REGISTRY.register()
class ReasoningAnswerGenerator(OperatorABC):
    '''
    Answer Generator is a class that generates answers for given questions.
    '''
    def __init__(self,
                llm_serving: LLMServingABC,
                prompt_template = MathAnswerGeneratorPrompt | GeneralAnswerGeneratorPrompt | DiyAnswerGeneratorPrompt | DIYPromptABC
                ):

init参数说明

参数名	类型	默认值	说明
llm_serving	LLMServingABC	必需	大语言模型服务实例，用于执行推理与生成。
prompt_template	PromptABC	默认支持MathAnswerGeneratorPrompt, GeneralAnswerGeneratorPrompt, DiyAnswerGeneratorPrompt或者集成DIYPromptABC自定义prompt	提示词模板对象，用于构建问题输入。支持数学、通用与自定义模板。

Prompt模板说明

Prompt 模板名称	主要用途	适用场景	特点说明
MathAnswerGeneratorPrompt	生成数学类问题的推理与答案	数学题解、公式推导、定理证明、计算类问题	内置数学专用模板，强调逻辑推理与公式展示，支持逐步解题结构（Step-by-step reasoning）
GeneralAnswerGeneratorPrompt	生成通用推理类答案	日常推理、阅读理解、常识问答、分析型问题	模板通用性强，支持多领域的逻辑推理与解释生成，语义自然流畅
DiyAnswerGeneratorPrompt	用户自定义推理模板	用户希望自行控制 Prompt 结构或生成风格	支持用户输入自定义提示词与规则，最大化灵活性与可控性，可与系统参数组合使用

run函数

def run(storage, input_key="instruction", output_key="generated_cot")

执行算子主逻辑，从存储中读取输入 DataFrame，生成 LLM 基于prompt的推理结果，并将结果写回存储。

参数

名称	类型	默认值	说明
storage	DataFlowStorage	必需	数据流存储实例，负责读取与写入数据。
input_key	str	"instruction"	输入列名，对应问题字段。
output_key	str	"generated_cot"	输出列名，对应生成答案字段。

🧠 示例用法

from dataflow.operators.reasoning import ReasoningAnswerGenerator
from dataflow.utils.storage import FileStorage
from dataflow.serving import APILLMServing_request
from dataflow.core import LLMServingABC
from dataflow.prompts.reasoning.general import GeneralAnswerGeneratorPrompt

class ReasoningAnswerGeneratorTest():
    def __init__(self, llm_serving: LLMServingABC = None):
        
        self.storage = FileStorage(
            first_entry_file_name="test_step3.jsonl",
            cache_path="./cache_local",
            file_name_prefix="dataflow_cache_step",
            cache_type="jsonl",
        )

        # use API server as LLM serving
        self.llm_serving = APILLMServing_request(
                    api_url="",
                    model_name="gpt-4o",
                    max_workers=30
        )
        
        self.answer_generator = ReasoningAnswerGenerator(
            llm_serving=self.llm_serving,
            prompt_template=GeneralAnswerGeneratorPrompt()
        )
        
    def forward(self):
        self.answer_generator.run(
            storage = self.storage.step(),
            input_key = "instruction", 
            output_key = "generated_cot"
        )

if __name__ == "__main__":
    pl = ReasoningAnswerGeneratorTest()
    pl.forward()

🧾 默认输出格式（Output Format）

字段	类型	说明
instruction	str	输入的问题文本。
generated_cot	str	模型生成的推理式答案。

示例输入：

{
"instruction":"A triangle has sides of lengths 7, 24, and 25. Determine if it is a right triangle."
}

示例输出：

{
"instruction":"A triangle has sides of lengths 7, 24, and 25. Determine if it is a right triangle.",
"generated_cot":"Solution:\n1. Identify key components and premises of the task\n→ Sides of the triangle are 7, 24, and 25.\n\n2. Apply relevant principles, theorems, or methods with step-by-step derivation or argument\n→ Use the Pythagorean theorem for a right triangle: a^2 + b^2 = c^2.\n→ Assume 25 is the hypotenuse (largest side), then check: 7^2 + 24^2 = 25^2.\n\n3. Perform any necessary calculations or logical checks with intermediate verification\n→ Calculate 7^2: 7^2 = 49.\n→ Calculate 24^2: 24^2 = 576.\n→ Calculate 25^2: 25^2 = 625.\n→ Verify: 49 + 576 = 625.\n\n4. Present the final answer or conclusion in a clear, unambiguous notation\n→ Since 7^2 + 24^2 = 25^2 holds true, the triangle is a right triangle.\n→ The triangle is a right triangle: \\\\boxed{\\text{Yes}}."
}