mirror of
https://github.com/Jeuners/Logpy-AgentOne.git
synced 2026-09-09 23:12:32 +02:00
1a1280e79d
Nimmt Anrufe einer Hausarztpraxis entgegen, transkribiert sie lokal, kategorisiert das Anliegen und legt es strukturiert ab. Keine Patientendaten verlassen den Rechner: Spracherkennung, Sprachmodell und Sprachsynthese laufen lokal, im Datenpfad steht kein Cloud-Dienst. Aufbau: - FreeSWITCH nimmt über einen SIP-Trunk an, spielt die Ansage und nimmt auf. - pipe.watch erkennt fertige Aufnahmen und schiebt sie durch die Pipe. - whisper.cpp transkribiert, ein lokales Sprachmodell (Ollama) ordnet in Kategorie und Dringlichkeit ein — mit erzwungenem JSON-Schema. - Ablage lokal, optional Nextcloud (WebDAV) und ein Deck-Board. - Leitstand (pipe.server): Board mit Eingang/In Bearbeitung/Rückfragen/Erledigt, Aufnahmen zum Anhören, Verlauf und Ampeln für alle beteiligten Dienste. Zugangsdaten und Anrufdaten liegen außerhalb des Repositorys (.env, ablage/, telefon/). Konfiguration siehe .env.example, Einrichtung siehe README.
116 lines
4.2 KiB
Python
116 lines
4.2 KiB
Python
"""Kategorisierung: Transkript -> strukturierte Felder (Ollama/Qwen, lokal).
|
|
|
|
Nutzt den Chat-Endpunkt von Ollama mit erzwungenem JSON-Schema. Denk-Tokens des
|
|
Modells landen separat im "thinking"-Feld und werden ignoriert; zurück kommt
|
|
reines JSON.
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
import json
|
|
import urllib.error
|
|
import urllib.request
|
|
from functools import lru_cache
|
|
|
|
from . import config
|
|
|
|
KATEGORIEN = [
|
|
"termin", "rezept", "ueberweisung", "befund",
|
|
"verwaltung", "beschwerden", "notfall", "rueckruf", "sonstiges",
|
|
]
|
|
DRINGLICHKEITEN = ["niedrig", "normal", "hoch", "notfall"]
|
|
|
|
# JSON-Schema, das Ollama dem Modell als Ausgabeformat aufzwingt.
|
|
_SCHEMA = {
|
|
"type": "object",
|
|
"properties": {
|
|
"kategorie": {"type": "string", "enum": KATEGORIEN},
|
|
"dringlichkeit": {"type": "string", "enum": DRINGLICHKEITEN},
|
|
"anrufer_name": {"type": ["string", "null"]},
|
|
"rueckrufnummer": {"type": ["string", "null"]},
|
|
"rueckruf_gewuenscht": {"type": "boolean"},
|
|
"sprache": {"type": "string"},
|
|
"anliegen_kurz": {"type": "string"},
|
|
"stichworte": {"type": "array", "items": {"type": "string"}},
|
|
},
|
|
# Alle Felder erzwingen: was hier fehlt, lässt das Modell einfach weg statt
|
|
# null zu liefern - Name und Rückrufnummer gingen so still verloren, obwohl
|
|
# sie im Transkript standen. Der Typ erlaubt weiterhin null, wenn nichts da ist.
|
|
"required": [
|
|
"kategorie", "dringlichkeit", "anrufer_name", "rueckrufnummer",
|
|
"rueckruf_gewuenscht", "sprache", "anliegen_kurz", "stichworte",
|
|
],
|
|
}
|
|
|
|
|
|
@lru_cache(maxsize=1)
|
|
def _prompt() -> str:
|
|
return config.PROMPT_DATEI.read_text(encoding="utf-8")
|
|
|
|
|
|
class KategorisierungsFehler(RuntimeError):
|
|
pass
|
|
|
|
|
|
def kategorisiere(transkript: str) -> dict:
|
|
"""Ordnet ein Transkript ein. Wirft KategorisierungsFehler bei Problemen."""
|
|
if not transkript.strip():
|
|
raise KategorisierungsFehler("Leeres Transkript kann nicht kategorisiert werden.")
|
|
|
|
anfrage = {
|
|
"model": config.OLLAMA_MODELL,
|
|
"messages": [
|
|
{"role": "system", "content": _prompt()},
|
|
{"role": "user", "content": f"Transkript der Sprachnachricht:\n\n{transkript}"},
|
|
],
|
|
"stream": False,
|
|
"think": False, # Klassifikation braucht kein Reasoning -> deutlich schneller
|
|
"format": _SCHEMA,
|
|
"options": {"temperature": 0},
|
|
}
|
|
daten = json.dumps(anfrage).encode("utf-8")
|
|
req = urllib.request.Request(
|
|
f"{config.OLLAMA_URL}/api/chat",
|
|
data=daten,
|
|
headers={"Content-Type": "application/json"},
|
|
method="POST",
|
|
)
|
|
try:
|
|
with urllib.request.urlopen(req, timeout=120) as antwort:
|
|
roh = json.loads(antwort.read().decode("utf-8"))
|
|
except urllib.error.URLError as fehler:
|
|
raise KategorisierungsFehler(
|
|
f"Ollama nicht erreichbar unter {config.OLLAMA_URL}: {fehler}"
|
|
) from fehler
|
|
|
|
inhalt = roh.get("message", {}).get("content", "").strip()
|
|
if not inhalt:
|
|
raise KategorisierungsFehler("Ollama lieferte keine Antwort.")
|
|
try:
|
|
ergebnis = json.loads(inhalt)
|
|
except json.JSONDecodeError as fehler:
|
|
raise KategorisierungsFehler(f"Antwort war kein gültiges JSON: {inhalt[:200]}") from fehler
|
|
|
|
return _bereinige(ergebnis)
|
|
|
|
|
|
def _bereinige(d: dict) -> dict:
|
|
"""Absichern gegen Ausreißer trotz Schema (defensiv)."""
|
|
if d.get("kategorie") not in KATEGORIEN:
|
|
d["kategorie"] = "sonstiges"
|
|
if d.get("dringlichkeit") not in DRINGLICHKEITEN:
|
|
d["dringlichkeit"] = "normal"
|
|
# Das Modell vergibt gelegentlich die Kategorie "notfall" und stuft die
|
|
# Dringlichkeit trotzdem nur auf "hoch" ein. Das ist widersprüchlich und
|
|
# führt zu einer harmloseren Farbe auf dem Board, als der Anruf verdient.
|
|
# In der Praxis eskaliert man im Zweifel, statt abzuschwächen.
|
|
if d["kategorie"] == "notfall":
|
|
d["dringlichkeit"] = "notfall"
|
|
d.setdefault("anrufer_name", None)
|
|
d.setdefault("rueckrufnummer", None)
|
|
d.setdefault("rueckruf_gewuenscht", False)
|
|
d.setdefault("sprache", "de")
|
|
d.setdefault("anliegen_kurz", "")
|
|
d.setdefault("stichworte", [])
|
|
if not isinstance(d["stichworte"], list):
|
|
d["stichworte"] = []
|
|
return d
|