gzhu-biyesheji

carry/gzhu-biyesheji

Fork 0

Commit Graph

Author	SHA1	Message	Date
carry	b1e98ca913	feat(db): 初始化数据库并创建 APIProvider 表 - 新增 init_db.py 文件，实现数据库初始化和 APIProvider 表的创建 - 新增 dataset_generation.py 文件，定义 LLMRequest、LLMResponse 和 APIProvider 模型 - 在初始化数据库时，如果环境变量中存在 API_KEY、BASE_URL 和 MODEL_ID，会自动添加一条 APIProvider 记录	2025-04-06 19:59:23 +08:00
carry	2d5a5277ae	refactor(schema): 更新 prompt 导入 - 将 prompt_templeta 重命名为 promptTempleta，以符合驼峰命名规范 - 优化导入语句格式	2025-04-06 19:39:43 +08:00
carry	3395b860e4	refactor(parse_markdown): 重构 Markdown 解析逻辑并使用 Pydantic 模型将 MarkdownNode 类重构为使用 Pydantic 模型，提高代码的可维护性和类型安全性。同时，将解析逻辑与节点操作分离，简化代码结构。	2025-04-04 20:50:39 +08:00

Author

SHA1

Message

Date

carry

b1e98ca913

feat(db): 初始化数据库并创建 APIProvider 表

- 新增 init_db.py 文件，实现数据库初始化和 APIProvider 表的创建
- 新增 dataset_generation.py 文件，定义 LLMRequest、LLMResponse 和 APIProvider 模型
- 在初始化数据库时，如果环境变量中存在 API_KEY、BASE_URL 和 MODEL_ID，会自动添加一条 APIProvider 记录

2025-04-06 19:59:23 +08:00

carry

2d5a5277ae

refactor(schema): 更新 prompt 导入

- 将 prompt_templeta 重命名为 promptTempleta，以符合驼峰命名规范
- 优化导入语句格式

2025-04-06 19:39:43 +08:00

carry

3395b860e4

refactor(parse_markdown): 重构 Markdown 解析逻辑并使用 Pydantic 模型

将 MarkdownNode 类重构为使用 Pydantic 模型，提高代码的可维护性和类型安全性。同时，将解析逻辑与节点操作分离，简化代码结构。

2025-04-04 20:50:39 +08:00

3 Commits