Summary¶

目的¶

Summary 模組負責在使用者請求時，根據某段期間的事件資料（Moodle, Google Tasks, Google Calendar），產生溫柔、具體、不責備的區間回顧文字 (summary_text)。

是一個 dspy module。

Inputs¶

Input	Type	說明
`dialog_history`	`str`	過去的對話紀錄（可為空），會傳給 LLM 作為上下文。
`user_input`	`str`	使用者當前輸入，觸發 summary 的需求。
`previous_signature_output`	`List[PreviousSignature]`	前一模組的 signature 清單，每項包含 `module`、`signature`、`content`（字串），供 LLM 作為上下文使用。
`pipeline`	`List[str]`	完整的 pipeline 清單（按執行順序），例如：[`Router`, `EmotionSupport`, `Summary`]。
`current_pipeline_index`	`int`	目前正在執行的 pipeline 索引（從 0 開始）；用以告知 LLM 自己在流程中的位置。

Outputs¶

回傳型態：dspy.Prediction（含 summary_text 欄位）。

Workflow¶

解析輸入：從 user_input 抽取時間範圍與來源關鍵字。
時間正規化：將模糊描述（例如「這週」「上個月」「最近三天」）轉為具體的起訖日期。
決定資料來源：
- 若使用者有指定來源 → 使用相似詞比對以決定要抓取的來源集合。
- 若未指定 → 預設同時從 Moodle、Google Tasks、Google Calendar 抓取。
抓取資料（可並行）：對各來源呼叫抓取函式。
檢查資料：
- 若沒有任何 interval data → 直接回傳說明文字（不呼叫 LLM）。
- 若有資料 → 呼叫外部工具 interval_data_tool（或類似的 aggregator）並行抓取各來源後整合成 interval_data_all（moodle、tasks、calendar）。將所有取得的 dict 以 toon 格式編碼為字串（例如產生 interval_data_toon_str），toon 為基於 JSON、專為大語言模型優化的資料格式，然後將該字串傳給 LLM（dspy.Predict）。
呼叫 LLM：以 dspy.Predict(SummaryWriterSignature) 傳入 dialog_history、user_input、interval_data_json，產生 summary_text。
回傳：將 dspy.Prediction.summary_text 回傳給上層。

流程圖（Mermaid）：

flowchart TD
    Start([開始])
    Parse["解析 `user_input`<br>(抽時間範圍、來源關鍵字)"]
    Normalize["時間正規化<br>(模糊→具體起訖日期)"]
    DecideSrc{"有指定資料來源嗎？"}
    MapKeywords["以相似詞比對決定來源集合"]
    DefaultSrc["預設來源：Moodle<br>Google Tasks<br>Google Calendar"]
    Fetch["抓取資料（可並行）"]
    Assemble["調用 `interval_data_tool` 整合 interval_data_all<br>(moodle、tasks、calendar)"]
    EncodeCall["將所有 dict 編碼為 toon 字串並呼叫 LLM<br>(interval_data_toon_str -> dspy.Predict)"]
    Return["回傳 `dspy.Prediction.summary_text`"]
    End([結束])

    Start --> Parse --> Normalize --> DecideSrc
    DecideSrc -- 是 --> MapKeywords --> Fetch
    DecideSrc -- 否 --> DefaultSrc --> Fetch
    Fetch --> Assemble --> EncodeCall --> Return --> End