利用 topic_generator.py
示例可系统化解决该问题:
- 结构化输出:配置模型返回 JSON 格式结果,包含主题相关性评分
- 上下文增强:内置 Google 搜索工具自动补充领域背景知识
- 批量处理:通过
stream_content
同时处理多个研究命题 - 参数调优:调整
num_topics
和temperature
控制生成多样性
示例代码:async for part in processor(["量子计算临床应用"], num_topics=5):
print(part.json())
可一次性获得 5 个细分研究方向及其理论依据。
本答案来源于文章《GenAI Processors:轻量级Python库支持高效并行处理多模态内容》