Update app.py

app.py

@@ -61,7 +61,7 @@ class OurLLM():
                 用户会输入一段描述他们搜索需求的文本，请你生成与之相关的关键词列表。
                 你需要返回一个可以直接被 json 库解析的响应，不要使用任何 markdown 格式，包含以下内容：
                 {
-                    'keywords': [关键词列表],
+                    "keywords": [关键词列表],
                 }
                 重要提示：
                 1. 关键词应该包含同义词、近义词、上位词、下位词
@@ -69,13 +69,13 @@ class OurLLM():
                 3. 描述句子要涵盖不同的应用场景和用途
                 4. 所有内容必须与原始搜索意图高度相关
                 5. 扩展搜索意图到相关的应用场景和工具，例如:
-                - 如果搜索"PDF转MD"，应包含PDF内容提取、PDF解析工具、PDF数据处理等
-                - 如果搜索"图片压缩"，应包含批量压缩工具、图片格式转换等
-                - 如果搜索"代码格式化"，应包含代码美化工具、语法检查器、代码风格统一等
-                - 如果搜索"文本翻译"，应包含机器翻译API、多语言翻译工具、离线翻译软件等
-                - 如果搜索"数据可视化"，应包含图表生成工具、数据分析库、交互式图表等
-                - 如果搜索"网络爬虫"，应包含数据采集框架、反爬虫绕过、数据解析工具等
-                - 如果搜索"API测试"，应包含接口测试工具、性能监控、自动化测试框架等
+                    - 如果搜索"PDF转MD"，应包含PDF内容提取、PDF解析工具、PDF数据处理等
+                    - 如果搜索"图片压缩"，应包含批量压缩工具、图片格式转换等
+                    - 如果搜索"代码格式化"，应包含代码美化工具、语法检查器、代码风格统一等
+                    - 如果搜索"文本翻译"，应包含机器翻译API、多语言翻译工具、离线翻译软件等
+                    - 如果搜索"数据可视化"，应包含图表生成工具、数据分析库、交互式图表等
+                    - 如果搜索"网络爬虫"，应包含数据采集框架、反爬虫绕过、数据解析工具等
+                    - 如果搜索"API测试"，应包含接口测试工具、性能监控、自动化测试框架等
                 6. 所有内容主要使用英文表达，并对部分关键词添加额外的中文表示
             """),
             "github_match": dedent("""
@@ -291,7 +291,7 @@ def main():
 
         response["content"] = "开始通过 LLM 评分得到最匹配的仓库..."
         yield history + [response]
-        simple_str, simple_list = search.search(json_obj, 60)
+        simple_str, simple_list = search.search(json_obj, 40)
         query = '用户需要的仓库内容：' + prompt + '\n 搜索结果列表：' + simple_str
         out =  llm.ask_question(query, system_prompt=llm.get_system_prompt("github_score")).content