pub const EXTRACTION_PROMPT: &str = r#"分析对话内容并提取聚焦点。
对话内容：
{conversation}
提取规则：
1. 识别用户正在处理的主要主题/任务
2. 为每个主题提取相关关键词和实体
3. 判断是否存在多个并行焦点或任务切换
4. 识别每个焦点的核心问题或目标
输出 JSON 格式：
{
"focuses": [
{
"topic": "焦点简述",
"keywords": ["关键词1", "关键词2"],
"entities": ["文件名.rs", "函数名", "模块名"],
"core_question": "用户想要实现什么",
"importance": 0.8,
"is_current": true
}
],
"focus_transitions": [
{
"from": "主题1",
"to": "主题2",
"trigger": "用户说'但是'",
"message_index": 5
}
]
}
焦点提取规则：
- 技术术语、文件名、函数名 → entities
- 领域概念、工具、框架 → keywords
- 用户明确提出的问题 → core_question
- 活跃任务 → importance > 0.7
- 暂停任务 → importance < 0.5
- 当前焦点 → is_current: true
"#;
pub const CLASSIFICATION_PROMPT: &str = r#"判断用户输入属于哪个聚焦点。
用户输入：
{user_input}
现有聚焦点：
{foci_description}
判断规则：
1. 计算每个现有焦点的相关性分数（0.0-1.0）
2. 判断输入是否开启新焦点
3. 如果是新焦点，提取其主题、关键词和实体
输出 JSON：
{
"classification": {
"matched_focus_id": "focus-123" 或 null,
"relevance_scores": {
"focus-1": 0.85,
"focus-2": 0.12
},
"is_new_focus": false,
"reason": "输入提到'database'，匹配 focus-1 的关键词"
},
"new_focus": null 或 {
"topic": "新主题描述",
"keywords": ["新关键词"],
"entities": ["新实体"],
"core_question": "新问题"
}
}
分类规则：
- 关键词/实体匹配 → 高相关性
- 主题相似 → 中相关性
- 完全不同 → 低相关性（< 0.3）→ 新焦点
- 用户明确切换话题 → 新焦点
"#;
pub const SUMMARY_PROMPT: &str = r#"请简洁总结以下对话片段。
重点关注：
1. 做出的关键决策
2. 发现的重要事实
3. 使用的工具及其结果
4. 遇到的问题和解决方案
对话内容：
---
{conversation}
---
摘要："#;