✨ feat(scheduler): 新增热点自动采集功能并优化发布路径
- 新增热点自动采集后台线程，支持定时搜索关键词并执行 AI 分析，结果缓存至结构化状态 - 新增热点分析状态管理接口，提供线程安全的 `get_last_analysis` 和 `set_last_analysis` 方法 - 新增热点数据桥接函数 `feed_hotspot_to_engine`，将分析结果注入 TopicEngine 实现热点加权推荐 - 新增热点选题下拉组件，分析完成后自动填充推荐选题，选中后自动写入选题输入框 - 优化 `generate_from_hotspot` 函数，自动获取结构化分析摘要并增强生成上下文 - 新增热点自动采集配置节点，支持通过 `config.json` 管理关键词和采集间隔 ♻️ refactor(queue): 实现智能排期引擎并统一发布路径 - 新增智能排期引擎，基于 `AnalyticsService` 的 `time_weights` 自动计算最优发布时段 - 新增 `PublishQueue.suggest_schedule_time` 和 `auto_schedule_item` 方法，支持时段冲突检测和内容分布控制 - 修改 `generate_to_queue` 函数，新增 `auto_schedule` 和 `auto_approve` 参数，支持自动排期和自动审核 - 重构 `_scheduler_loop` 的自动发布分支，改为调用 `generate_to_queue` 通过队列发布，统一发布路径 - 重构 `auto_publish_once` 函数，移除直接发布逻辑，改为生成内容入队并返回队列信息 - 新增队列时段使用情况查询方法 `get_slot_usage`，支持 UI 热力图展示 📝 docs(openspec): 新增内容排期优化和热点探测优化规范文档 - 新增 `smart-schedule-engine` 规范，定义智能排期引擎的功能需求和场景 - 新增 `unified-publish-path` 规范，定义统一发布路径的改造方案 - 新增 `hotspot-analysis-state` 规范，定义热点分析状态存储的线程安全接口 - 新增 `hotspot-auto-collector` 规范，定义定时热点自动采集的任务流程 - 新增 `hotspot-engine-bridge` 规范，定义热点数据注入 TopicEngine 的桥接机制 - 新增 `hotspot-topic-selector` 规范，定义热点选题下拉组件的交互行为 - 更新 `services-queue`、`services-scheduler` 和 `services-hotspot` 规范，反映功能修改和新增参数 🔧 chore(config): 新增热点自动采集默认配置 - 在 `DEFAULT_CONFIG` 中新增 `hotspot_auto_collect` 配置节点，包含 `enabled`、`keywords` 和 `interval_hours` 字段 - 提供默认关键词列表 `["穿搭", "美妆", "好物"]` 和默认采集间隔 4 小时 🐛 fix(llm): 增强 JSON 解析容错能力 - 新增 `_try_fix_truncated_json` 方法，尝试修复被 token 限制截断的 JSON 输出 - 支持多种截断场景的自动补全，包括字符串值、数组和嵌套对象的截断修复 - 提高 LLM 分析热点等返回 JSON 的函数的稳定性 💄 style(ui): 优化队列管理和热点探测界面 - 在队列生成区域新增自动排期复选框，勾选后隐藏手动排期输入框 - 在日历视图旁新增推荐时段 Markdown 面板，展示各时段权重和建议热力图 - 在热点探测 Tab 新增推荐选题下拉组件，分析完成后动态填充选项 - 在热点探测 Tab 新增热点自动采集控制区域，支持启动、停止和配置采集参数
This commit is contained in:
@@ -0,0 +1,2 @@
|
||||
schema: spec-driven
|
||||
created: 2026-02-28
|
||||
@@ -0,0 +1,99 @@
|
||||
## Context
|
||||
|
||||
当前 `services/hotspot.py` 提供三个纯函数式的热点功能：`search_hotspots`（搜索）、`analyze_and_suggest`（LLM 分析）、`generate_from_hotspot`（基于热点生成文案）。分析结果在函数内部被渲染成 Markdown 后直接返回 UI，结构化数据（`hot_topics`、`suggestions` 等）即刻丢失。
|
||||
|
||||
`services/scheduler.py` 已有一套成熟的定时调度模式（`_scheduler_loop` + `threading.Event` + daemon thread），可以复用此模式实现热点自动采集。
|
||||
|
||||
`services/topic_engine.py` 的 `TopicEngine.recommend_topics(hotspot_data=...)` 已支持接收热点数据但从未被实际传入。
|
||||
|
||||
`services/config_manager.py` 使用单例 + JSON 持久化，新增配置节点零改动即可被 `cfg.get()` 读取。
|
||||
|
||||
## Goals / Non-Goals
|
||||
|
||||
**Goals:**
|
||||
|
||||
- 让分析结果在内存中以结构化形式持续可用，供生成和选题引擎消费
|
||||
- 让用户在热点 UI 中直接从分析出的建议列表选择选题，而非手动输入
|
||||
- 提供后台自动热点采集，无需人工触发即可获得最新热点数据
|
||||
- 将热点分析数据桥接到 TopicEngine，使智能选题获得热点维度加权
|
||||
|
||||
**Non-Goals:**
|
||||
|
||||
- 不做热点数据持久化到磁盘（进程内缓存即可，重启后重新采集）
|
||||
- 不修改 LLM prompt 或分析逻辑（`LLMService.analyze_hotspots` 保持不变）
|
||||
- 不改造现有调度器架构（复用已有 `threading.Event` + loop 模式）
|
||||
- 不增加新的外部依赖
|
||||
|
||||
## Decisions
|
||||
|
||||
### D1: 模块级状态 + RLock 存储分析结果
|
||||
|
||||
**选择**：在 `services/hotspot.py` 中新增 `_last_analysis: dict | None` 和对应的 `get_last_analysis()` / `set_last_analysis()` 线程安全接口，复用已有的 `_cache_lock`（RLock）。
|
||||
|
||||
**替代方案**：
|
||||
- 单独的 `HotspotState` 类 — 过度封装，模块内部状态无需类化
|
||||
- 写入文件持久化 — 增加 IO 复杂度，热点数据本身时效性短，内存缓存足够
|
||||
|
||||
**理由**：与已有的 `_cached_proactive_entries` 模式一致，最小改动，线程安全由已有的 `_cache_lock` 覆盖。
|
||||
|
||||
### D2: `analyze_and_suggest` 副作用写入状态
|
||||
|
||||
**选择**：在 `analyze_and_suggest` 函数中，调用 `svc.analyze_hotspots()` 获得 `analysis` dict 后，先调用 `set_last_analysis(analysis)` 缓存，再渲染 Markdown 返回 UI。
|
||||
|
||||
**理由**：无需改变函数签名和返回值，对现有 UI 绑定零破坏。
|
||||
|
||||
### D3: 热点选题下拉组件
|
||||
|
||||
**选择**：在热点探测 UI（`ui/app.py`）中新增 `gr.Dropdown`（选题下拉），当 `analyze_and_suggest` 完成后动态更新下拉选项为 `suggestions` 的 `topic` 列表。选中后写入 `topic_from_hot` Textbox。
|
||||
|
||||
**替代方案**：
|
||||
- 用 Radio 按钮 — 选项数量不固定，Dropdown 更适合
|
||||
- 保持现有 Textbox 手动输入 — 无法利用分析出的建议
|
||||
|
||||
**理由**：Gradio `gr.Dropdown` 支持 `gr.update(choices=...)` 动态更新，与已有的笔记列表下拉模式一致。
|
||||
|
||||
### D4: `generate_from_hotspot` 增强上下文
|
||||
|
||||
**选择**：新增可选参数 `analysis_summary: str = None`。若提供，将其拼入 `reference_notes` 前部（结构化摘要 + 原始片段），总长度仍限制在 3000 字符以内。函数内部同时尝试从 `get_last_analysis()` 自动获取摘要。
|
||||
|
||||
**理由**：向后兼容，现有调用方无需修改。
|
||||
|
||||
### D5: TopicEngine 桥接
|
||||
|
||||
**选择**：新增独立函数 `feed_hotspot_to_engine(topic_engine: TopicEngine)` 在 `services/hotspot.py` 中。该函数读取 `get_last_analysis()`，调用 `topic_engine.recommend_topics(hotspot_data=data)`。
|
||||
|
||||
**替代方案**：
|
||||
- 在 `TopicEngine` 中直接引用 `hotspot.get_last_analysis()` — 导致循环依赖风险
|
||||
- 在 UI 层手动传递 — 增加 UI 复杂度
|
||||
|
||||
**理由**：单向依赖（hotspot → topic_engine），职责清晰。
|
||||
|
||||
### D6: 自动采集任务集成到调度器
|
||||
|
||||
**选择**：在 `services/scheduler.py` 中新增独立的 `_hotspot_collector_loop` + `start_hotspot_collector` / `stop_hotspot_collector`，复用现有的 `threading.Event` + daemon thread 模式。与已有 `_learn_scheduler_loop` 模式完全对齐。
|
||||
|
||||
**配置节点**：`config.json` 新增 `hotspot_auto_collect` 对象：
|
||||
```json
|
||||
{
|
||||
"hotspot_auto_collect": {
|
||||
"enabled": false,
|
||||
"keywords": ["穿搭", "美妆", "好物"],
|
||||
"interval_hours": 4
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
**采集流程**：每个 interval → 遍历 keywords → 调用 `search_hotspots` + `analyze_and_suggest`（复用现有函数） → 结果自动写入 `_last_analysis` 状态 → 休眠至下个周期。
|
||||
|
||||
**替代方案**：
|
||||
- 合并到现有 `_scheduler_loop` — 该循环参数已经过多，耦合度太高
|
||||
- 使用 APScheduler 等库 — 引入新依赖，不符合项目风格
|
||||
|
||||
**理由**：独立线程与已有调度器互不干扰，可独立启停。
|
||||
|
||||
## Risks / Trade-offs
|
||||
|
||||
- **内存状态丢失** → 进程重启后 `_last_analysis` 为空，自动采集线程会在首个 interval 后重新填充，可接受
|
||||
- **多关键词分析结果覆盖** → 遍历多个 keywords 时后者覆盖前者的分析结果 → 采用合并策略：新分析的 `hot_topics` 和 `suggestions` 追加到已有列表并去重
|
||||
- **LLM 调用频率** → 自动采集每个关键词都需调用一次 LLM → 通过 `interval_hours`（默认 4 小时）+ keywords 数量（默认 3 个）控制成本
|
||||
- **线程安全竞态** → 手动分析和自动采集可能同时写入 `_last_analysis` → `_cache_lock`（RLock）已覆盖
|
||||
@@ -0,0 +1,34 @@
|
||||
## Why
|
||||
|
||||
当前热点探测流程存在两个问题：
|
||||
|
||||
1. **数据流断裂**：`analyze_and_suggest` 调用 LLM 分析出的结构化数据（热门选题列表、推荐建议）在渲染成 Markdown 后即被丢弃，后续生成环节拿到的 `topic_from_hotspot` 仍是原始搜索关键词，与分析结论完全脱节；分析结果也从未传入 `TopicEngine` 评分体系，导致智能选题引擎无热点输入可用。
|
||||
2. **完全依赖手动触发**：热点搜索和分析没有自动化机制，需要用户每次手动点击「搜索」和「AI 分析」才能获取最新热点；调度器已具备定时任务能力（`services/scheduler.py`），但从未被用于热点采集，导致系统在无人操作时完全感知不到当前热点变化。
|
||||
|
||||
## What Changes
|
||||
|
||||
- **保留结构化分析结果**：`analyze_and_suggest` 将 LLM 返回的 `dict` 缓存至模块级状态，UI 层仍显示 Markdown，但结构数据可供后续环节使用
|
||||
- **修复选题传递逻辑**：将"推荐选题"下拉列表绑定到解析后的 `suggestions`，用户选择某条建议后 `topic_from_hotspot` 填入该建议标题，而非搜索关键词
|
||||
- **扩大生成参考上下文**：`generate_from_hotspot` 同时接收结构化分析摘要 + 原始搜索片段，替换现有的粗暴 `[:2000]` 截断
|
||||
- **接入 TopicEngine**：分析完成后将 `hotspot_data` 注入 `TopicEngine.recommend_topics()`，使智能选题 Tab 可获得热点加权推荐
|
||||
- **自动采集热点**：在调度器中新增定时热点采集任务，按配置的关键词列表和间隔自动执行「搜索 → LLM 分析 → 更新状态缓存」全流程，结果写入 `_last_analysis`，UI 打开时可直接读取最新数据
|
||||
|
||||
## Capabilities
|
||||
|
||||
### New Capabilities
|
||||
|
||||
- `hotspot-analysis-state`：在 `services/hotspot.py` 中维护会话级结构化分析状态（`_last_analysis`），供同模块其他函数读取；提供 `get_last_analysis()` / `set_last_analysis()` 线程安全存取接口
|
||||
- `hotspot-topic-selector`：在热点探测 UI 中新增"选题下拉"组件，由分析结果的 `suggestions` 动态填充，选中后自动写入 `topic_from_hotspot`
|
||||
- `hotspot-engine-bridge`：新增 `feed_hotspot_to_engine(hotspot_data, topic_engine)` 函数，将热点分析结果注入 `TopicEngine`，使其 `recommend_topics()` 获得实时热点评分
|
||||
- `hotspot-auto-collector`：在调度器中新增 `schedule_hotspot_collection(keywords, interval_hours, mcp_url, llm_model)` 函数，按间隔自动执行热点搜索与 LLM 分析，结果写入 `hotspot-analysis-state`；配置项存储于 `config.json` 的 `hotspot_auto_collect` 节点（`enabled`、`keywords`、`interval_hours`）
|
||||
|
||||
### Modified Capabilities
|
||||
|
||||
- `services-hotspot`：`analyze_and_suggest` 返回值新增结构化分析状态的副作用写入；`generate_from_hotspot` 签名扩展，接受可选的 `analysis_summary` 参数用于增强生成上下文
|
||||
|
||||
## Impact
|
||||
|
||||
- **代码**：`services/hotspot.py`（主要改动）、`services/scheduler.py`（新增定时采集任务）、`ui/app.py`（新增下拉组件绑定）、`services/topic_engine.py`（调用方新增 hotspot 输入）、`services/config_manager.py`（新增 `hotspot_auto_collect` 配置节点）
|
||||
- **API**：`generate_from_hotspot` 函数签名向后兼容（新增可选参数）
|
||||
- **依赖**：无新增外部依赖
|
||||
- **数据**：分析状态为进程内内存缓存，不持久化；自动采集配置持久化至 `config.json`
|
||||
+27
@@ -0,0 +1,27 @@
|
||||
## ADDED Requirements
|
||||
|
||||
### Requirement: 会话级结构化分析状态存储
|
||||
系统 SHALL 在 `services/hotspot.py` 中维护一个模块级变量 `_last_analysis: dict | None`，用于保存最近一次热点分析的完整结构化结果。
|
||||
|
||||
#### Scenario: 初始状态为空
|
||||
- **WHEN** 应用启动且尚未执行任何热点分析
|
||||
- **THEN** `get_last_analysis()` SHALL 返回 `None`
|
||||
|
||||
#### Scenario: 分析完成后自动写入
|
||||
- **WHEN** `analyze_and_suggest` 成功调用 `LLMService.analyze_hotspots()` 并获得结构化 dict
|
||||
- **THEN** 系统 SHALL 调用 `set_last_analysis(analysis)` 将结果写入 `_last_analysis`
|
||||
|
||||
#### Scenario: 并发安全
|
||||
- **WHEN** 多个线程同时调用 `get_last_analysis()` 和 `set_last_analysis()`
|
||||
- **THEN** 所有读写操作 SHALL 通过 `_cache_lock`（RLock）互斥，不发生数据竞态
|
||||
|
||||
### Requirement: 线程安全的分析状态存取接口
|
||||
系统 SHALL 提供 `get_last_analysis() -> dict | None` 和 `set_last_analysis(data: dict) -> None` 两个公开函数。
|
||||
|
||||
#### Scenario: get_last_analysis 返回深拷贝
|
||||
- **WHEN** 调用 `get_last_analysis()`
|
||||
- **THEN** SHALL 返回 `_last_analysis` 的副本（而非引用），防止外部修改影响缓存
|
||||
|
||||
#### Scenario: set_last_analysis 合并多关键词结果
|
||||
- **WHEN** 调用 `set_last_analysis(new_data)` 且 `_last_analysis` 已有数据
|
||||
- **THEN** SHALL 将 `new_data` 的 `hot_topics` 和 `suggestions` 追加到已有列表并去重，而非完全覆盖
|
||||
+31
@@ -0,0 +1,31 @@
|
||||
## ADDED Requirements
|
||||
|
||||
### Requirement: 定时热点自动采集任务
|
||||
系统 SHALL 在 `services/scheduler.py` 中提供 `start_hotspot_collector` / `stop_hotspot_collector` 函数，启动独立的后台线程按固定间隔自动采集热点。
|
||||
|
||||
#### Scenario: 启动自动采集
|
||||
- **WHEN** 调用 `start_hotspot_collector(keywords, interval_hours, mcp_url, model)`
|
||||
- **THEN** 系统 SHALL 启动一个 daemon 线程，在首次启动后立即执行一轮采集，随后按 `interval_hours` 间隔循环执行
|
||||
|
||||
#### Scenario: 单轮采集流程
|
||||
- **WHEN** 采集线程执行一轮任务
|
||||
- **THEN** SHALL 遍历 `keywords` 列表，对每个关键词依次调用 `search_hotspots(keyword, "最多点赞", mcp_url)` 获取搜索结果，再调用 `analyze_and_suggest(model, keyword, search_result)` 执行 LLM 分析，分析结果通过 `set_last_analysis()` 合并写入状态缓存
|
||||
|
||||
#### Scenario: 停止自动采集
|
||||
- **WHEN** 调用 `stop_hotspot_collector()`
|
||||
- **THEN** 系统 SHALL 清除运行标志，等待线程优雅退出
|
||||
|
||||
#### Scenario: 防止重复启动
|
||||
- **WHEN** 自动采集已在运行中再次调用 `start_hotspot_collector`
|
||||
- **THEN** SHALL 返回警告信息，不启动新线程
|
||||
|
||||
### Requirement: 热点自动采集配置
|
||||
系统 SHALL 支持通过 `config.json` 的 `hotspot_auto_collect` 节点配置自动采集参数。
|
||||
|
||||
#### Scenario: 配置节点结构
|
||||
- **WHEN** 读取 `config.json` 中的 `hotspot_auto_collect`
|
||||
- **THEN** 该节点 SHALL 包含以下字段：`enabled`（bool，默认 false）、`keywords`（string list，默认 `["穿搭", "美妆", "好物"]`）、`interval_hours`（int，默认 4）
|
||||
|
||||
#### Scenario: 配置缺失时使用默认值
|
||||
- **WHEN** `config.json` 中不存在 `hotspot_auto_collect` 节点
|
||||
- **THEN** `ConfigManager.get("hotspot_auto_collect")` SHALL 返回默认值 `{"enabled": false, "keywords": ["穿搭", "美妆", "好物"], "interval_hours": 4}`
|
||||
+16
@@ -0,0 +1,16 @@
|
||||
## ADDED Requirements
|
||||
|
||||
### Requirement: 热点数据注入 TopicEngine
|
||||
系统 SHALL 提供 `feed_hotspot_to_engine(topic_engine: TopicEngine) -> list[dict]` 函数，将缓存的热点分析结果传入 `TopicEngine.recommend_topics()`。
|
||||
|
||||
#### Scenario: 有缓存分析结果时注入并返回推荐
|
||||
- **WHEN** 调用 `feed_hotspot_to_engine(topic_engine)` 且 `get_last_analysis()` 返回非空 dict
|
||||
- **THEN** SHALL 调用 `topic_engine.recommend_topics(hotspot_data=data)` 并返回推荐结果列表
|
||||
|
||||
#### Scenario: 无缓存分析结果时返回空推荐
|
||||
- **WHEN** 调用 `feed_hotspot_to_engine(topic_engine)` 且 `get_last_analysis()` 返回 `None`
|
||||
- **THEN** SHALL 调用 `topic_engine.recommend_topics(hotspot_data=None)` 并返回其结果（仅基于权重数据推荐）
|
||||
|
||||
#### Scenario: 函数位于 hotspot 模块避免循环依赖
|
||||
- **WHEN** `feed_hotspot_to_engine` 被定义
|
||||
- **THEN** SHALL 位于 `services/hotspot.py` 中，接受 `TopicEngine` 实例作为参数，不在 `topic_engine.py` 中反向引用 hotspot 模块
|
||||
+16
@@ -0,0 +1,16 @@
|
||||
## ADDED Requirements
|
||||
|
||||
### Requirement: 热点选题下拉组件
|
||||
系统 SHALL 在热点探测 Tab 中新增一个 `gr.Dropdown` 组件，用于展示 LLM 分析出的推荐选题列表。
|
||||
|
||||
#### Scenario: 分析完成后动态填充下拉选项
|
||||
- **WHEN** `analyze_and_suggest` 执行完成并返回分析结果
|
||||
- **THEN** 下拉组件 SHALL 通过 `gr.update(choices=...)` 更新为分析结果中 `suggestions` 列表的 `topic` 字段值
|
||||
|
||||
#### Scenario: 用户选择下拉项后写入选题输入框
|
||||
- **WHEN** 用户在下拉组件中选择一条推荐选题
|
||||
- **THEN** 系统 SHALL 将选中的 `topic` 文本自动填入 `topic_from_hot` Textbox
|
||||
|
||||
#### Scenario: 无分析结果时下拉为空
|
||||
- **WHEN** 尚未执行热点分析或分析结果中无 `suggestions`
|
||||
- **THEN** 下拉组件 SHALL 显示空选项列表，不影响用户手动输入选题
|
||||
+23
@@ -0,0 +1,23 @@
|
||||
## MODIFIED Requirements
|
||||
|
||||
### Requirement: 热点探测函数迁移至独立模块
|
||||
系统 SHALL 将热点搜索与分析相关函数从 `main.py` 提取至 `services/hotspot.py`，包括：`search_hotspots`、`analyze_and_suggest`、`generate_from_hotspot`、`_set_cache`、`_get_cache`、`_fetch_and_cache`、`_pick_from_cache`、`fetch_proactive_notes`、`on_proactive_note_selected`。
|
||||
|
||||
新增对外接口：`get_last_analysis`、`set_last_analysis`、`feed_hotspot_to_engine`。
|
||||
|
||||
#### Scenario: 模块导入成功
|
||||
- **WHEN** `main.py` 执行 `from services.hotspot import search_hotspots, analyze_and_suggest` 等导入
|
||||
- **THEN** 所有函数可正常调用
|
||||
|
||||
#### Scenario: 线程安全缓存随模块迁移
|
||||
- **WHEN** `_cache_lock`（`threading.RLock`）随函数一起迁移至 `services/hotspot.py`
|
||||
- **THEN** `_set_cache` / `_get_cache` / `get_last_analysis` / `set_last_analysis` 的线程安全行为保持不变
|
||||
|
||||
#### Scenario: analyze_and_suggest 写入分析状态
|
||||
- **WHEN** `analyze_and_suggest` 成功获得 LLM 分析结果
|
||||
- **THEN** SHALL 在渲染 Markdown 之前调用 `set_last_analysis(analysis)` 缓存结构化数据
|
||||
- **AND** 返回值格式不变（status, summary, keyword）
|
||||
|
||||
#### Scenario: generate_from_hotspot 支持增强上下文
|
||||
- **WHEN** 调用 `generate_from_hotspot` 生成文案
|
||||
- **THEN** 函数 SHALL 自动从 `get_last_analysis()` 获取结构化摘要，与 `search_result` 拼接后传入 `svc.generate_copy_with_reference()`，总参考文本限制在 3000 字符以内
|
||||
@@ -0,0 +1,36 @@
|
||||
## 1. 分析状态缓存（hotspot-analysis-state）
|
||||
|
||||
- [x] 1.1 在 `services/hotspot.py` 中新增模块级变量 `_last_analysis: dict | None = None`
|
||||
- [x] 1.2 实现 `get_last_analysis() -> dict | None`：加 `_cache_lock` 锁，返回 `_last_analysis` 的深拷贝
|
||||
- [x] 1.3 实现 `set_last_analysis(data: dict) -> None`：加 `_cache_lock` 锁，合并 `hot_topics` 和 `suggestions`（去重），更新 `_last_analysis`
|
||||
- [x] 1.4 在 `analyze_and_suggest` 中添加 `set_last_analysis(analysis)` 调用（在渲染 Markdown 之前）
|
||||
|
||||
## 2. 修改 services-hotspot 已有函数
|
||||
|
||||
- [x] 2.1 修改 `generate_from_hotspot`：在函数内部调用 `get_last_analysis()` 获取结构化摘要，拼接到 `reference_notes` 前部，总长度限制 3000 字符
|
||||
- [x] 2.2 在 `services/hotspot.py` 的 `__init__.py` 或模块顶部导出新增函数：`get_last_analysis`、`set_last_analysis`、`feed_hotspot_to_engine`
|
||||
|
||||
## 3. 热点选题下拉组件（hotspot-topic-selector）
|
||||
|
||||
- [x] 3.1 在 `ui/app.py` 热点探测 Tab 中新增 `gr.Dropdown` 组件（label="推荐选题"）
|
||||
- [x] 3.2 修改 `analyze_and_suggest` 的返回值处理：新增第四个输出绑定到 Dropdown 的 `gr.update(choices=...)`，choices 从 `suggestions` 提取 `topic` 列表
|
||||
- [x] 3.3 绑定 Dropdown 的 `change` 事件：选中后将 `topic` 写入 `topic_from_hot` Textbox
|
||||
|
||||
## 4. TopicEngine 桥接（hotspot-engine-bridge）
|
||||
|
||||
- [x] 4.1 在 `services/hotspot.py` 中实现 `feed_hotspot_to_engine(topic_engine) -> list[dict]`：读取 `get_last_analysis()`，调用 `topic_engine.recommend_topics(hotspot_data=data)`
|
||||
- [x] 4.2 在智能选题相关 UI 中，调用 `feed_hotspot_to_engine` 传入 TopicEngine 实例，使选题推荐获得热点加权
|
||||
|
||||
## 5. 自动采集任务（hotspot-auto-collector）
|
||||
|
||||
- [x] 5.1 在 `services/config_manager.py` 的 `DEFAULT_CONFIG` 中添加 `hotspot_auto_collect` 默认配置节点
|
||||
- [x] 5.2 在 `services/scheduler.py` 中新增 `_hotspot_collector_running = threading.Event()` 和 `_hotspot_collector_thread` 状态变量
|
||||
- [x] 5.3 实现 `_hotspot_collector_loop(keywords, interval_hours, mcp_url, model)`：遍历 keywords 执行搜索 + 分析，结果写入 `set_last_analysis()`，休眠 `interval_hours`
|
||||
- [x] 5.4 实现 `start_hotspot_collector(keywords, interval_hours, mcp_url, model)` 和 `stop_hotspot_collector()`
|
||||
- [x] 5.5 在 UI 中（调度器设置或热点 Tab）添加自动采集的启停控件和状态显示
|
||||
|
||||
## 6. 验证与收尾
|
||||
|
||||
- [x] 6.1 运行 `ast.parse()` 验证所有修改文件语法正确
|
||||
- [ ] 6.2 手动测试：搜索 → 分析 → 查看 `get_last_analysis()` 有值 → 下拉组件填充 → 选题写入 → 生成文案引用分析摘要
|
||||
- [ ] 6.3 手动测试：启动自动采集 → 等待一轮完成 → 确认状态缓存更新
|
||||
Reference in New Issue
Block a user