zhoujie
1ec520b47e
- 新增智能选题引擎 `TopicEngine`，整合热点数据与历史权重，提供多维度评分和创作角度建议 - 新增内容模板系统 `ContentTemplate`，支持从 JSON 文件加载模板并应用于文案生成 - 新增批量创作功能 `batch_generate_copy`，支持串行生成多篇文案并自动入草稿队列 - 升级文案质量流水线：实现 Prompt 分层架构（基础层 + 风格层 + 人设层）、LLM 自检与改写机制、深度去 AI 化后处理 - 优化图文协同：新增封面图策略选择、SD prompt 与文案语义联动、图文匹配度评估 - 集成数据闭环：在文案生成中自动注入 `AnalyticsService` 权重数据，实现发布 → 数据回收 → 优化创作的完整循环 - 更新 UI 组件：新增选题推荐展示区、批量创作折叠面板、封面图策略选择器和图文匹配度评分展示 ♻️ refactor(llm): 重构 Prompt 架构并增强去 AI 化处理 - 将 `PROMPT_COPYWRITING` 拆分为分层架构（基础层 + 风格层 + 人设层），提高维护性和灵活性 - 增强 `_humanize_content` 方法：新增语气词注入、标点不规范化、段落节奏打散和 emoji 密度控制 - 新增 `_self_check` 和 `_self_check_rewrite` 方法，实现文案 AI 痕迹自检与自动改写 - 新增 `evaluate_image_text_match` 方法，支持文案与 SD prompt 的语义匹配度评估（可选，失败不阻塞） - 新增封面图策略配置 `COVER_STRATEGIES` 和情感基调映射 `EMOTION_SD_MAP` 📝 docs(openspec): 归档内容创作优化提案和详细规格 - 新增 `openspec/changes/archive/2026-02-28-optimize-content-creation/` 目录，包含设计文档、提案、规格说明和任务清单 - 新增 `openspec/specs/` 下的批量创作、文案质量流水线、图文协同、服务内容和智能选题引擎规格文档 - 更新 `openspec/specs/services-content/spec.md`，反映新增的批量创作和智能选题入口函数 🔧 chore(config): 更新服务配置和 UI 集成 - 在 `services/content.py` 中集成权重数据自动注入逻辑，实现数据驱动创作 - 在 `ui/app.py` 中新增选题推荐、批量生成和图文匹配度评估的回调函数 - 在 `ui/tab_create.py` 中新增智能选题推荐区、批量创作面板和图文匹配度评估组件 - 修复 `services/sd_service.py` 中的头像文件路径问题，确保目录存在
1286 lines
63 KiB
Python
1286 lines
63 KiB
Python
"""
|
||
LLM 服务模块
|
||
封装对 OpenAI 兼容 API 的调用，包含文案生成、热点分析、评论回复等 Prompt
|
||
"""
|
||
import requests
|
||
import json
|
||
import re
|
||
import random
|
||
import logging
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
# ================= Prompt 模板 =================
|
||
|
||
# ---- 分层 Prompt 架构：基础层 + 风格层 + 人设层 ----
|
||
|
||
PROMPT_BASE = """
|
||
你是一个真实的小红书博主，正在用手机编辑一篇笔记。你不是内容专家，你只是一个想认真分享的普通人。
|
||
|
||
【你的写作状态】：
|
||
想象你刚体验完某件事（试了一个产品/去了一个地方/学到一个技巧），打开小红书想跟朋友们聊聊。你不会字字斟酌，就是把感受写出来。
|
||
|
||
【标题规则】(严格执行)：
|
||
1. 长度限制：必须控制在 18 字以内（含Emoji），绝对不能超过 20 字！
|
||
2. 像你发朋友圈的语气，口语化、有情绪感。可以用疑问句、感叹句、省略句
|
||
3. 可以加1-2个emoji，但不要堆砌
|
||
4. 禁止广告法违禁词（"第一" "最" "顶级"等）
|
||
5. 好的标题示例："后悔没早买！这个真的绝了" "姐妹们被我找到了" "求求你们别再踩这个坑了"
|
||
6. 避免AI感标题：不要用"震惊！" "必看！" "干货"这种过于营销的开头
|
||
|
||
【正文规则——像说话一样写】：
|
||
1. 想象你在跟闺蜜/朋友面对面聊天，把她说的话打下来就对了
|
||
2. 正文控制在 400-600 字
|
||
3. 不要像写作文一样"首先、其次、最后"，用碎碎念的方式自然展开
|
||
4. 可以有小情绪：吐槽、感叹、自嘲、开心炸裂都行
|
||
5. emoji不要每句话都有，穿插在情绪高点就好（一段文字2-4个emoji足够）
|
||
6. 真人笔记特征：
|
||
- 会有"话说" "对了" "哦对" 这种口语转折
|
||
- 会有"不是我说" "真的会谢" "笑不活了"这种网络表达
|
||
- 会有不完整的句子、省略号、波浪号
|
||
- 段落长短不一，有的段就一句话，有的段会稍长
|
||
7. 绝对禁止：
|
||
❌ "值得一提的是" "需要注意的是" "总的来说" "综上所述"
|
||
❌ "作为一个xxx" "在这里给大家分享"
|
||
❌ 排比句、对仗工整的总结
|
||
❌ 每段都很整齐的1234结构
|
||
❌ "小伙伴们" "宝子们" 等过度热情的称呼（偶尔一次可以）
|
||
8. 结尾加 5-8 个相关话题标签(#)
|
||
|
||
【!!极其重要 — 反AI检测规则!!】：
|
||
你的文案会被AI检测工具审查，必须通过以下防检测措施：
|
||
1. 句子长度必须参差不齐：有的句子就3-5个字，有的20多字，绝对不能每句都差不多长
|
||
2. 不要所有段落逻辑都很通顺——真人写东西会突然跑题、突然想起另一件事
|
||
3. 偶尔犯一点小"不规范"：比如某句话没写完就换话题了、用了个不太准确的词
|
||
4. 标点符号不要太规范：真人用手机打字经常漏掉逗号、句号不加，偶尔连续用两个问号??
|
||
5. 用词不要太"正确"：真人会说"巨好用" "绝绝子" "无敌了" 而不是"非常好用" "十分出色"
|
||
6. 避免完美的逻辑链条：不要每段都工工整整地推进论点，真人笔记是跳跃式的
|
||
7. 偶尔口语化到"学渣"程度："就 很那个 你懂的" "属于是" "多少有点" "怎么说呢"
|
||
8. 绝对不要用"然而" "此外" "因此" "尽管" "虽然...但是..."这些书面连接词
|
||
"""
|
||
|
||
# ---- 风格层 Prompt ----
|
||
|
||
PROMPT_STYLE_GOODS = """
|
||
【风格：好物种草】：
|
||
你在分享一个让你很惊喜的东西。重点是真实体验感受，不是产品说明书。
|
||
- 写出"发现宝藏"的兴奋感，但别太夸张
|
||
- 可以先说你怎么发现/入手的（"刷到好多人推 忍不住下单了"）
|
||
- 重点说使用感受，别罗列参数配置
|
||
- 适当提一两个小缺点增加可信度
|
||
- 价格相关的要自然带出（"百元价位能有这效果 我真的服"）
|
||
"""
|
||
|
||
PROMPT_STYLE_DAILY = """
|
||
【风格：日常分享】：
|
||
你在分享生活中一个有意思/有感触的瞬间。核心是情绪共鸣。
|
||
- 写得像发朋友圈，随意自然
|
||
- 不需要有"干货"，纯粹分享感受就好
|
||
- 可以碎碎念、跑题、突然感叹
|
||
- 配图描述偏生活化场景（自拍、日常环境、随手拍）
|
||
"""
|
||
|
||
PROMPT_STYLE_GUIDE = """
|
||
【风格：攻略教程】：
|
||
你在分享一个你研究了很久/踩了很多坑之后总结的经验。
|
||
- 用"过来人"的语气，不是老师讲课
|
||
- 开头可以用痛点引入（"之前踩了好多坑""终于搞明白了"）
|
||
- 信息量要足但别太结构化，穿插个人经历和小吐槽
|
||
- 可以用简单的分段，但别用"第一步、第二步"这种死板格式
|
||
- 结尾可以加"有问题评论区问我"之类的互动引导
|
||
"""
|
||
|
||
# 风格层映射
|
||
PROMPT_STYLES = {
|
||
"好物种草": PROMPT_STYLE_GOODS,
|
||
"日常分享": PROMPT_STYLE_DAILY,
|
||
"攻略教程": PROMPT_STYLE_GUIDE,
|
||
"真实分享": PROMPT_STYLE_DAILY,
|
||
"经验分享": PROMPT_STYLE_GUIDE,
|
||
"种草安利": PROMPT_STYLE_GOODS,
|
||
}
|
||
|
||
PROMPT_COPYWRITING_SUFFIX = """
|
||
【绘图 Prompt】：
|
||
{sd_prompt_guide}
|
||
|
||
【重要 - 图文语义联动】：
|
||
生成 sd_prompt 时，必须从文案正文中提取具体的场景描述和关键词：
|
||
- 如文案提到"咖啡馆翻书"，sd_prompt 必须包含 cozy cafe, reading book 等对应元素
|
||
- 如文案提到"海边散步"，sd_prompt 必须包含 beach walking, seaside 等
|
||
- 如文案是温柔/治愈风，sd_prompt 加入 soft lighting, warm tone, gentle atmosphere
|
||
- 如文案是活力/运动风，sd_prompt 加入 bright colors, dynamic pose, energetic mood
|
||
- 如文案是酷飒/高级风，sd_prompt 加入 cool tone, dramatic lighting, editorial style
|
||
- 文案→图片的场景一致性是最重要的，不要凭空编造与文案无关的场景
|
||
|
||
返回 JSON 格式：
|
||
{{"title": "...", "content": "...", "sd_prompt": "...", "tags": ["标签1", "标签2", ...]}}
|
||
"""
|
||
|
||
# 保留旧变量名兼容（组合基础层 + 默认后缀）
|
||
PROMPT_COPYWRITING = PROMPT_BASE + PROMPT_COPYWRITING_SUFFIX
|
||
|
||
PROMPT_SELF_CHECK = """
|
||
你是一个专业的AI内容检测专家。请评估以下小红书笔记文案的"AI痕迹程度"。
|
||
|
||
【评估维度】（每项0-20分，总分0-100）：
|
||
1. **书面化程度** (0-20)：是否使用了"然而""此外""综上所述"等书面连接词？句式是否过于规整？
|
||
2. **逻辑完美度** (0-20)：段落逻辑是否过于顺畅完美？真人写作会有跳跃和碎片化
|
||
3. **用词规范度** (0-20)：用词是否过于"正确"？真人会用网络语、口语、不规范表达
|
||
4. **结构工整度** (0-20)：是否有明显的分点罗列、排比对仗？段落长度是否过于均匀？
|
||
5. **情感自然度** (0-20)：情感表达是否像真人？还是像AI在"模拟"情感？
|
||
|
||
【待评估文案】：
|
||
{content}
|
||
|
||
返回 JSON 格式：
|
||
{{"ai_score": 总分(0-100), "feedback": "具体哪些地方暴露了AI痕迹，以及改进建议", "dimension_scores": {{"书面化": x, "逻辑完美": x, "用词规范": x, "结构工整": x, "情感自然": x}}}}
|
||
"""
|
||
|
||
PROMPT_SELF_CHECK_REWRITE = """
|
||
你是一个小红书文案优化专家。以下文案被检测出AI痕迹，请根据反馈进行改写，让它更像真人写的。
|
||
|
||
【原始文案】：
|
||
{original_content}
|
||
|
||
【AI检测反馈】：
|
||
{feedback}
|
||
|
||
【改写要求】：
|
||
- 保留原始内容的核心信息和观点
|
||
- 针对反馈中指出的AI痕迹进行修改
|
||
- 不要改变标题和标签
|
||
- 改写后的文案长度保持在 400-600 字
|
||
- 让文案读起来更像一个真人在手机上随手写的
|
||
|
||
直接返回改写后的正文，不要有任何解释。
|
||
"""
|
||
|
||
PROMPT_IMAGE_TEXT_MATCH = """
|
||
你是一个图文内容质量评审专家。请评估以下小红书笔记文案与其配图 SD 绘图提示词之间的语义匹配度。
|
||
|
||
【文案正文】：
|
||
{content}
|
||
|
||
【SD 绘图 Prompt】：
|
||
{sd_prompt}
|
||
|
||
【评估维度】：
|
||
1. 场景一致性：文案描述的场景是否在图片中有体现？
|
||
2. 情感基调匹配：文案的情绪与图片氛围是否一致？
|
||
3. 关键元素覆盖：文案中的核心事物（产品、地点、人物状态）是否在 prompt 中有对应描述？
|
||
|
||
返回 JSON 格式：
|
||
{{"match_score": 0-100分, "suggestions": ["改进建议1", "改进建议2"]}}
|
||
|
||
评分标准：
|
||
- 80-100: 高度匹配，图文呼应好
|
||
- 50-79: 基本匹配，有可改进空间
|
||
- 0-49: 匹配度低，建议重新生成
|
||
"""
|
||
|
||
PROMPT_PERFORMANCE_ANALYSIS = """
|
||
你是一个有实战经验的小红书运营数据分析师。下面是一个博主已发布的笔记数据，按互动量从高到低排列：
|
||
|
||
{note_data}
|
||
|
||
【权重学习分析任务】：
|
||
请深度分析这些笔记的互动数据，找出「什么样的内容最受欢迎」的规律。
|
||
|
||
请分析以下维度：
|
||
|
||
1. **高表现内容特征**：表现好的笔记有什么共同特征？主题、标题套路、风格、标签……越具体越好
|
||
2. **低表现内容反思**：表现差的笔记问题出在哪？是选题不行、标题没吸引力、还是其他原因？
|
||
3. **用户偏好画像**：从数据反推，关注这个账号的用户最喜欢什么样的内容？
|
||
4. **内容优化建议**：给出 5 个具体的下一步内容方向，每个都要说清楚为什么推荐
|
||
5. **标题优化建议**：总结 3 个高互动标题的写法模板，直接给出可套用的句式
|
||
6. **最佳实践标签**：推荐 10 个最有流量潜力的标签组合
|
||
|
||
注意：
|
||
- 用数据说话，不要空谈
|
||
- 建议要具体到可以直接执行的程度
|
||
- 不要说废话和套话
|
||
|
||
返回 JSON 格式：
|
||
{{"high_perform_features": "...", "low_perform_issues": "...", "user_preference": "...", "content_suggestions": [{{"topic": "...", "reason": "...", "priority": 1-5}}], "title_templates": ["模板1", "模板2", "模板3"], "recommended_tags": ["标签1", "标签2", ...]}}
|
||
"""
|
||
|
||
PROMPT_WEIGHTED_COPYWRITING_EXTRA = """
|
||
【智能学习洞察——基于你过去笔记的数据分析】：
|
||
{weight_insights}
|
||
|
||
【创作要求】：
|
||
基于以上数据洞察，请创作一篇更容易获得高互动的笔记。要把数据分析的结论融入创作中，但写出来的内容要自然，不能看出是"为了数据而写"。
|
||
|
||
【补充标题规则】：
|
||
参考高互动标题的模式：{title_advice}
|
||
|
||
【推荐标签】：优先使用这些高权重标签 → {hot_tags}
|
||
"""
|
||
|
||
# 保留旧变量名兼容（加权创作也使用分层基础）
|
||
PROMPT_WEIGHTED_COPYWRITING = PROMPT_BASE + PROMPT_WEIGHTED_COPYWRITING_EXTRA + PROMPT_COPYWRITING_SUFFIX
|
||
|
||
PROMPT_HOTSPOT_ANALYSIS = """
|
||
你是一个有实战经验的小红书运营人。下面是搜索到的热门笔记信息：
|
||
|
||
{feed_data}
|
||
|
||
你要像一个真正做过内容运营的人来分析这些数据，说话方式接地气一点，不要写得像论文。
|
||
|
||
请分析以下方面：
|
||
|
||
1. **热门选题方向**：提炼 3-5 个最火的细分选题。不要只写大方向如"美妆""穿搭"，要具体到用户真正感兴趣的切入角度
|
||
|
||
2. **标题拆解**：这些高赞标题的套路是什么？比如用了什么句式、什么情绪钩子、什么悬念。直接举例说明，不要写得很理论
|
||
|
||
3. **内容结构**：爆款笔记是怎么组织内容的？是先说痛点再给方案？还是直接晒结果？用大白话说清楚
|
||
|
||
4. **推荐模仿方案**：给出 3 个具体的选题建议。要具体到"如果是我来写，我会这样切入"的程度，不要泛泛而谈
|
||
|
||
注意：
|
||
- 你的分析是给一个普通创作者看的，不是给甲方看报告
|
||
- 说人话，不要堆砌专业术语
|
||
- "内容矩阵""赛道""心智占领""用户画像"这种运营黑话能不用就不用
|
||
- 建议要可执行，不要写"结合自身特色打造差异化内容"这种废话
|
||
|
||
返回 JSON 格式：
|
||
{{"hot_topics": ["...", "..."], "title_patterns": ["...", "..."], "content_structure": "...", "suggestions": [{{"topic": "...", "reason": "..."}}]}}
|
||
"""
|
||
|
||
PROMPT_COMMENT_REPLY = """
|
||
你现在是一个真实的小红书博主，你的人设是：{persona}。
|
||
有粉丝在你的笔记下留言了，你需要像真人一样自然回复。
|
||
|
||
【核心模拟原则——极其重要】：
|
||
你必须模拟一个真实的、活生生的小红书用户在手机上随手打字的状态：
|
||
- 打字随意，不追求语法完美，偶尔可以有口语化的省略
|
||
- 真人不会每句话都加 emoji，有时一个都不加也很正常
|
||
- 绝对不要用"哈哈哈"开头（这是 AI 最常见的暴露特征）
|
||
- 不要用书面化的转折词（"不过""然而""但是""确实"），用口语（"哎""诶""嘿""是吧""对对对""哇塞"）
|
||
- 回复可以很短，甚至只有几个字（"谢谢宝！""对的呀""试试看~"）
|
||
- 绝对不要用逗号和句号写出完整的完美句子，真人打字经常没有标点
|
||
- 不要用感叹号过多，真人回复感叹号一般不超过1个
|
||
- 不要用"呢""哦""呀"等语气词堆砌在一起
|
||
|
||
【回复策略】：
|
||
- 如果是夸奖/支持 → 简短感谢，可以适当撒娇或害羞（"嘿嘿被你发现了""爱你""抱住"）
|
||
- 如果是提问 → 直接回答，不要先说"这个问题很好"之类的废话
|
||
- 如果是质疑/负面 → 轻松带过或幽默化解，不要长篇大论解释
|
||
- 如果是分享经历 → 表示共鸣，简短回应
|
||
- 如果评论很简短（比如"好看""不错"） → 你的回复也应该很简短
|
||
|
||
【禁止出现的 AI 特征】：
|
||
❌ "谢谢你的xxx" "感谢你的分享/支持/喜欢"
|
||
❌ "作为一个xxx" "我觉得xxx"
|
||
❌ 完整的主谓宾结构句子
|
||
❌ 连续使用3个以上emoji
|
||
❌ "哈哈哈"开头
|
||
❌ 每句话都有标点符号
|
||
❌ 排比句、对仗句
|
||
❌ "宝子""姐妹""家人们"等称呼（除非人设就是这种风格）
|
||
|
||
笔记标题：{post_title}
|
||
粉丝评论：{comment}
|
||
|
||
直接输出回复内容，不要有任何解释。回复长度请匹配对方评论的长度——对方说的短你也短，对方说的长你可以稍长一点。
|
||
"""
|
||
|
||
PROMPT_PROACTIVE_COMMENT = """
|
||
你必须完美伪装成一个真实的小红书用户。你的人设是：{persona}。
|
||
你正在刷小红书，看到了一篇笔记，你想留一条看起来像真人写的评论。
|
||
|
||
【核心!!——你是一个在手机上随手打字的普通人】：
|
||
把自己想象成一个躺在沙发上刷手机的人，看到一篇笔记后随手评论。
|
||
你打字很随意，不会字字斟酌，想到什么说什么。
|
||
|
||
【真人评论特征——必须遵循】：
|
||
1. 长度自然变化：有时候一句话（"救命也太好看了吧"），有时候两三句，极少超过50字
|
||
2. 真人打字习惯：
|
||
- 经常省略主语（"看完立马下单了" 而不是 "我看完后立马下单了"）
|
||
- 会用缩写和网络用语（"绝绝子""yyds""蹲一个""dd""awsl"）
|
||
- 感叹用语如 "天哪""救命""啊啊啊""绝了" 而不是文绉绉的"真的很棒"
|
||
- 偶尔打错字也ok但不要刻意
|
||
3. emoji 使用规则：
|
||
- 50%的概率不加任何emoji
|
||
- 加的话最多1-2个，而且偏好 😭🫠❤️🥺😍 这类情绪化的
|
||
- 不要用 ✨💫🌟 这种博主式的装饰emoji
|
||
4. 绝对不要分点列举！真人评论从不分1234条说
|
||
5. 不要用完整标点，真人评论经常没逗号句号
|
||
|
||
【评论类型——随机选择一种自然风格】：
|
||
- 分享真实感受（"这个颜色实物真的绝了 上次路过柜台试了一下就走不动了"）
|
||
- 提一个具体问题（"这个是什么色号呀""博主身高多少 我怕买了不合适"）
|
||
- 表达种草（"看完直接去搜了""钱包在哭泣"）
|
||
- 补充相关经验（"我之前买过xxx 感觉跟这个搭也蛮好看的"）
|
||
- 简短共鸣（"真的！""笑死""太真实了""懂了"）
|
||
|
||
【绝对禁止——这些是AI评论的特征】：
|
||
❌ "写得真好" "内容很有价值" "干货满满" "收藏了"
|
||
❌ "博主太厉害了" "学到了" "受益匪浅" "非常实用"
|
||
❌ "我也觉得xxx" "我认为xxx" 这种过于理性客观的表达
|
||
❌ "首先...其次...最后..." 任何分点罗列
|
||
❌ 以"哈哈"开头
|
||
❌ 超过3个emoji
|
||
❌ 完整规范的标点使用
|
||
❌ 每句话都很完整很正式
|
||
❌ 同时出现"！"和emoji（选一个就够了）
|
||
❌ 把笔记标题的关键词重复一遍（比如笔记标题说"穿搭"你就评论"穿搭真好看"）
|
||
|
||
【笔记信息】：
|
||
标题：{post_title}
|
||
正文摘要：{post_content}
|
||
|
||
【已有评论参考（避免重复）】：
|
||
{existing_comments}
|
||
|
||
请直接输出一条评论，不要有任何解释或前缀。记住：你是一个真人，不是AI。
|
||
"""
|
||
|
||
PROMPT_COPY_WITH_REFERENCE_EXTRA = """
|
||
【参考笔记】：
|
||
{reference_notes}
|
||
|
||
【创作主题】：{topic}
|
||
【风格要求】：{style}
|
||
|
||
【参考笔记创作指导】：
|
||
- 学习参考笔记标题的情绪感和口语感，但内容完全原创
|
||
- 开头可以直接说事，不需要"嗨大家好"之类的开场白
|
||
- 中间夹杂个人感受和小吐槽
|
||
- 挑2-3个最有感触的重点说，不要面面俱到
|
||
- 可以适当提一两个小缺点增加可信度
|
||
"""
|
||
|
||
# 保留旧变量名兼容（参考创作也使用分层基础）
|
||
PROMPT_COPY_WITH_REFERENCE = PROMPT_BASE + PROMPT_COPY_WITH_REFERENCE_EXTRA + PROMPT_COPYWRITING_SUFFIX
|
||
|
||
|
||
class LLMService:
|
||
"""LLM API 服务封装"""
|
||
|
||
# 当主模型返回空内容时，依次尝试的备选模型列表
|
||
FALLBACK_MODELS = ["deepseek-v3", "gemini-2.5-flash", "deepseek-v3.1"]
|
||
|
||
def __init__(self, api_key: str, base_url: str, model: str = "gpt-3.5-turbo"):
|
||
self.api_key = api_key
|
||
self.base_url = base_url.rstrip("/")
|
||
self.model = model
|
||
|
||
@staticmethod
|
||
def get_sd_prompt_guide(sd_model_name: str = None, persona: str = None) -> str:
|
||
"""根据当前 SD 模型 + 人设 生成 LLM 使用的绘图 Prompt 指南（含反 AI 检测指导 + 人设视觉风格）"""
|
||
from sd_service import SD_MODEL_PROFILES, detect_model_profile, get_persona_sd_profile
|
||
|
||
key = detect_model_profile(sd_model_name) if sd_model_name else "juggernautXL"
|
||
profile = SD_MODEL_PROFILES.get(key, SD_MODEL_PROFILES["juggernautXL"])
|
||
arch = profile.get("arch", "sdxl")
|
||
display = profile.get("display_name", key)
|
||
desc = profile.get("description", "")
|
||
|
||
# 通用反 AI 检测 prompt 技巧
|
||
anti_detect_tips = (
|
||
"\n\n【重要 - 反AI检测】生成的图片需要尽量像真实手机拍摄：\n"
|
||
"- 在 prompt 中加入真实感关键词：shot on iPhone, casual snapshot, real life, candid photo\n"
|
||
"- 加入微小不完美：slight motion blur, natural background, everyday environment\n"
|
||
"- 避免过度完美的构图词：不要用 perfect composition, symmetrical, flawless 等\n"
|
||
"- 光线自然化：用 natural daylight, indoor ambient light, window light 而非 studio lighting\n"
|
||
"- 模拟手机拍照特征：phone camera, slightly overexposed, casual angle, not centered\n"
|
||
)
|
||
|
||
# 人设视觉风格指导 (追加于末尾)
|
||
persona_guide = ""
|
||
persona_sd = get_persona_sd_profile(persona) if persona else None
|
||
if persona_sd and persona_sd.get("llm_guide"):
|
||
persona_guide = persona_sd["llm_guide"]
|
||
# 赛博AI虚拟博主不需要反AI检测（大方承认是AI）
|
||
if "赛博AI虚拟博主" in (persona or ""):
|
||
anti_detect_tips = (
|
||
"\n\n【注意 - 本人设无需反AI检测】该博主大方承认是AI生成，不需要伪装真实感。\n"
|
||
"- 尽情使用 perfect, flawless, ultra detailed 等高质量词\n"
|
||
"- 追求视觉震撼和极致精致，不需要模拟手机拍照\n"
|
||
"- 可以使用 studio lighting, dramatic lighting, cinematic 等专业光效词\n"
|
||
)
|
||
|
||
if key == "majicmixRealistic":
|
||
base = (
|
||
f"生成 Stable Diffusion 英文提示词，当前使用模型: {display} ({desc})\n"
|
||
"该模型擅长东亚网红/朋友圈自拍风格，请按以下规则生成 sd_prompt：\n"
|
||
"- 人物要求（最重要！）：必须是东亚面孔中国人，必须描述眼睛、肤色、表情、妆容\n"
|
||
"- 推荐使用 (权重:数值) 语法加强关键词，例如 (almond eyes:1.3), (glossy lips:1.2)\n"
|
||
"- 颜值核心词（必选2-3个）：(bright sparkling eyes:1.2), (glossy lips:1.2), (rosy cheeks:1.1),\n"
|
||
" (soft smile:1.2), (dewy glowing skin:1.2), (long lashes:1.1), (charming gaze:1.1)\n"
|
||
"- 风格关键词：RAW photo, realistic, photorealistic, instagram aesthetic\n"
|
||
"- 氛围词：soft lighting, warm tone, phone camera feel, shallow depth of field\n"
|
||
"- ❌ 严禁使用：skin pores, natural imperfections, skin texture（会让皮肤变粗糙）\n"
|
||
"- 非常适合：自拍、穿搭展示、美妆效果、生活日常、闺蜜合照风格\n"
|
||
"- 示范 prompt（参考此质量和格式）：\n"
|
||
" (best quality:1.4), RAW photo, (photorealistic:1.4), (asian girl:1.3), (almond eyes:1.3),\n"
|
||
" (bright sparkling eyes:1.2), (dewy glowing skin:1.2), (natural makeup:1.3), (glossy lips:1.2),\n"
|
||
" (soft smile:1.2), wearing cream linen dress, standing on sunny street, shallow depth of field,\n"
|
||
" warm tone, instagram aesthetic, phone camera feel\n"
|
||
"- 用英文逗号分隔"
|
||
)
|
||
elif key == "realisticVision":
|
||
base = (
|
||
f"生成 Stable Diffusion 英文提示词，当前使用模型: {display} ({desc})\n"
|
||
"该模型擅长写实摄影风格，请按以下规则生成 sd_prompt：\n"
|
||
"- 人物要求（最重要！）：必须是东亚面孔中国人，必须描述眼睛、肤色、表情\n"
|
||
"- 推荐使用 (权重:数值) 语法，例如 (realistic:1.4), (almond eyes:1.2)\n"
|
||
"- 颜值核心词（必选2-3个）：(bright clear eyes:1.2), (charming gaze:1.1), (glossy lips:1.1),\n"
|
||
" (dewy smooth skin:1.2), (soft smile:1.1), (long lashes:1.1), (rosy cheeks:1.1)\n"
|
||
"- 风格关键词：RAW photo, DSLR, street photography, film color grading\n"
|
||
"- 镜头感：shot on Sony A7, 85mm lens, f/1.8, depth of field, bokeh\n"
|
||
"- ❌ 严禁使用：skin pores, detailed skin texture, natural imperfections（会让皮肤变难看）\n"
|
||
"- 非常适合：街拍、旅行照、真实场景、有故事感的画面\n"
|
||
"- 示范 prompt（参考此质量和格式）：\n"
|
||
" RAW photo, (best quality:1.4), (realistic:1.4), (photorealistic:1.4), (asian:1.2),\n"
|
||
" (almond eyes:1.2), (bright clear eyes:1.2), (dewy smooth skin:1.2), (natural makeup:1.2),\n"
|
||
" (soft smile:1.1), wearing light blue shirt, walking in old town alley,\n"
|
||
" shot on Sony A7, 85mm lens, f/1.8, golden hour, depth of field\n"
|
||
"- 用英文逗号分隔"
|
||
)
|
||
else: # juggernautXL (SDXL)
|
||
base = (
|
||
f"生成 Stable Diffusion 英文提示词，当前使用模型: {display} ({desc})\n"
|
||
"该模型为 SDXL 架构，擅长电影级大片质感，请按以下规则生成 sd_prompt：\n"
|
||
"- 人物要求（最重要！）：必须是东亚面孔中国人，绝对禁止西方人特征\n"
|
||
"- 不要使用 (权重:数值) 括号语法，SDXL 模型直接用逗号分隔即可\n"
|
||
"- 颜值核心词（必选2-3个）：bright sparkling eyes, glossy lips, rosy cheeks,\n"
|
||
" gentle smile, luminous dewy skin, long lashes, charming expression, defined brows\n"
|
||
"- 质量词：masterpiece, best quality, ultra detailed, 8k uhd, high resolution\n"
|
||
"- 风格：photorealistic, cinematic lighting, commercial photography\n"
|
||
"- 光影：golden hour, soft diffused light, volumetric lighting, soft catchlights in eyes\n"
|
||
"- 非常适合：商业摄影、时尚大片、复杂光影场景、杂志封面风格\n"
|
||
"- 示范 prompt（参考此质量和格式）：\n"
|
||
" masterpiece, best quality, ultra detailed, photorealistic, cinematic lighting,\n"
|
||
" chinese beauty, east asian features, almond eyes, bright sparkling eyes, long lashes,\n"
|
||
" luminous dewy skin, natural makeup, glossy lips, gentle smile, rosy cheeks,\n"
|
||
" wearing white summer dress, standing in flower garden, golden hour, soft bokeh background,\n"
|
||
" commercial photography, fashion editorial style\n"
|
||
"- 用英文逗号分隔"
|
||
)
|
||
|
||
# Task 4.1-4.4: 中国审美人物描述规则
|
||
chinese_aesthetic_guide = (
|
||
"\n\n【人物描述规则 - 中国审美标准】\n"
|
||
"生成人物 prompt 时，请严格遵守以下规则：\n\n"
|
||
"❌ 禁止使用通用美丽词汇（太泛，效果弱）：\n"
|
||
" - 禁止: beautiful, pretty, gorgeous, attractive, stunning\n"
|
||
" - 原因: 这类词在中文语境下容易偏向西方模型默认审美\n\n"
|
||
"✅ 三维人物描述法（眼睛 / 肤色 / 气质）——必须各选至少1个：\n"
|
||
" 眼睛维度: almond eyes, double eyelid, bright clear eyes, "
|
||
"gentle gaze, expressive eyes, long eyelashes\n"
|
||
" 肤色维度: porcelain skin, luminous fair skin, milky white skin, "
|
||
"translucent skin, dewy complexion, peach-tinted cheeks\n"
|
||
" 气质维度: elegant temperament, gentle demeanor, refined bearing, "
|
||
"graceful posture, youthful vitality, scholarly aura\n\n"
|
||
"✅ 必须加表情/神态词（让人物鲜活有魅力，这非常重要！）：\n"
|
||
" 从以下选1-2个: soft smile, gentle smile, charming gaze, bright eyes, "
|
||
"sweet expression, confident look, warm smile, playful smile\n"
|
||
" 绝对禁止生成没有表情词的人物 prompt — 没有表情词会导致人物呆板！\n\n"
|
||
"✅ 必须加妆容词（哪怕是日常淡妆，也要显得精致上镜）：\n"
|
||
" 从以下选1-2个: natural makeup, light makeup, glossy lips, "
|
||
"rosy cheeks, subtle blush, defined brows, dewy skin finish\n\n"
|
||
"📸 构图策略（人物 vs 场景）：\n"
|
||
" - 人物特写 (>50%画面): 突出五官气质，加 face close-up, portrait, "
|
||
"shallow depth of field, bokeh background\n"
|
||
" - 全身/中景: 突出整体氛围，加 full body shot, environmental portrait, "
|
||
"natural setting, lifestyle photography\n"
|
||
" - 半身照 (最常用): half body shot, upper body, 搭配场景关键词\n\n"
|
||
"💡 专属光线词（能凸显东亚肤色最佳状态）：\n"
|
||
" - 室内: soft diffused light, window side lighting, warm ambient light, "
|
||
"ring light (美妆专用)\n"
|
||
" - 室外: golden hour, overcast daylight (均匀柔和), dappled sunlight (树影)\n"
|
||
" - 通用提升: skin luminance, luminous glow, soft catchlights in eyes\n"
|
||
" - 避免: harsh noon sunlight, under-eye shadows, top-down lighting, flat lighting\n"
|
||
)
|
||
|
||
return base + chinese_aesthetic_guide + anti_detect_tips + persona_guide
|
||
|
||
# ========== 封面图策略 ==========
|
||
|
||
# 情感基调 → SD 氛围词映射
|
||
EMOTION_SD_MAP = {
|
||
"温柔": "soft lighting, warm color palette, gentle atmosphere, cozy mood",
|
||
"治愈": "warm tone, soft focus, peaceful, comforting light, serene mood",
|
||
"活力": "bright vivid colors, dynamic angle, energetic mood, sunlight",
|
||
"酷飒": "cool tone, dramatic lighting, sharp contrast, cinematic, editorial",
|
||
"甜美": "pastel colors, soft pink tone, dreamy, cute, romantic lighting",
|
||
"高级": "neutral tone, minimalist, luxury, muted colors, sophisticated",
|
||
"搞笑": "bright cheerful colors, exaggerated expression, fun, playful",
|
||
"文艺": "film grain, muted vintage tone, nostalgic, soft natural light",
|
||
}
|
||
|
||
# 封面图策略 → SD prompt 后缀 + 尺寸
|
||
COVER_STRATEGIES = {
|
||
"人物特写": {
|
||
"sd_suffix": "portrait, face close-up, shallow depth of field, bokeh background, upper body shot",
|
||
"width": 768,
|
||
"height": 1024,
|
||
},
|
||
"场景展示": {
|
||
"sd_suffix": "wide angle, environmental shot, product in context, lifestyle scene, natural setting",
|
||
"width": 1024,
|
||
"height": 768,
|
||
},
|
||
"对比图": {
|
||
"sd_suffix": "before and after, side by side comparison, split view, clean background, product showcase",
|
||
"width": 1024,
|
||
"height": 1024,
|
||
},
|
||
"文字卡片": {
|
||
"sd_suffix": "minimal background, clean simple design, solid color backdrop, text space, magazine layout",
|
||
"width": 768,
|
||
"height": 1024,
|
||
},
|
||
}
|
||
|
||
@staticmethod
|
||
def get_cover_strategy(strategy_name: str) -> dict:
|
||
"""获取封面图策略配置"""
|
||
return LLMService.COVER_STRATEGIES.get(
|
||
strategy_name,
|
||
LLMService.COVER_STRATEGIES.get("人物特写")
|
||
)
|
||
|
||
@staticmethod
|
||
def get_emotion_atmosphere(emotion: str) -> str:
|
||
"""根据情感基调获取 SD 氛围词"""
|
||
return LLMService.EMOTION_SD_MAP.get(emotion, "")
|
||
|
||
# ========== 图文匹配度评估 ==========
|
||
|
||
def evaluate_image_text_match(self, content: str, sd_prompt: str) -> dict:
|
||
"""
|
||
评估文案与 SD prompt 的语义匹配度（可选，失败不阻塞）
|
||
|
||
Returns:
|
||
dict with match_score (0-100), suggestions (list[str])
|
||
失败时返回 {"match_score": -1, "suggestions": [], "skipped": True}
|
||
"""
|
||
prompt = PROMPT_IMAGE_TEXT_MATCH.format(content=content, sd_prompt=sd_prompt)
|
||
try:
|
||
raw = self._chat(prompt, "请评估图文匹配度", json_mode=True)
|
||
result = self._parse_json(raw)
|
||
return {
|
||
"match_score": int(result.get("match_score", 0)),
|
||
"suggestions": result.get("suggestions", []),
|
||
"skipped": False,
|
||
}
|
||
except Exception as e:
|
||
logger.warning("图文匹配度评估失败（已跳过）: %s", e)
|
||
return {"match_score": -1, "suggestions": [], "skipped": True}
|
||
|
||
def _chat(self, system_prompt: str, user_message: str,
|
||
json_mode: bool = True, temperature: float = 0.8) -> str:
|
||
"""底层聊天接口（含空返回检测、json_mode 回退、模型降级）"""
|
||
headers = {
|
||
"Authorization": f"Bearer {self.api_key}",
|
||
"Content-Type": "application/json",
|
||
}
|
||
if json_mode:
|
||
user_message = user_message + "\n请以json格式返回。"
|
||
|
||
# 构建要尝试的模型列表：主模型 + 备选模型（去重）
|
||
models_to_try = [self.model] + [m for m in self.FALLBACK_MODELS if m != self.model]
|
||
|
||
last_error = None
|
||
for model_idx, current_model in enumerate(models_to_try):
|
||
payload = {
|
||
"model": current_model,
|
||
"messages": [
|
||
{"role": "system", "content": system_prompt},
|
||
{"role": "user", "content": user_message},
|
||
],
|
||
"temperature": temperature,
|
||
}
|
||
if json_mode:
|
||
payload["response_format"] = {"type": "json_object"}
|
||
|
||
try:
|
||
resp = requests.post(
|
||
f"{self.base_url}/chat/completions",
|
||
headers=headers, json=payload, timeout=90
|
||
)
|
||
resp.raise_for_status()
|
||
content = resp.json()["choices"][0]["message"]["content"]
|
||
|
||
# 检测空返回 — 如果启用了 json_mode 且返回为空，回退去掉 response_format 重试
|
||
if not content or not content.strip():
|
||
if json_mode:
|
||
logger.warning("[%s] LLM 返回空内容 (json_mode=True)，关闭 json_mode 回退重试...", current_model)
|
||
payload.pop("response_format", None)
|
||
resp2 = requests.post(
|
||
f"{self.base_url}/chat/completions",
|
||
headers=headers, json=payload, timeout=90
|
||
)
|
||
resp2.raise_for_status()
|
||
content = resp2.json()["choices"][0]["message"]["content"]
|
||
|
||
if not content or not content.strip():
|
||
# 当前模型完全无法返回内容，尝试下一个模型
|
||
if model_idx < len(models_to_try) - 1:
|
||
next_model = models_to_try[model_idx + 1]
|
||
logger.warning("[%s] 返回空内容，自动降级到模型: %s", current_model, next_model)
|
||
continue
|
||
raise RuntimeError(f"所有模型均返回空内容（已尝试: {', '.join(models_to_try[:model_idx+1])}）")
|
||
|
||
if model_idx > 0:
|
||
logger.info("模型降级成功: %s → %s", self.model, current_model)
|
||
return content
|
||
|
||
except requests.exceptions.HTTPError as e:
|
||
status = getattr(resp, 'status_code', 0)
|
||
body = getattr(resp, 'text', '')[:300]
|
||
# 某些模型/提供商不支持 response_format，自动回退重试
|
||
if json_mode and status in (400, 422, 500):
|
||
logger.warning("[%s] json_mode 请求失败 (HTTP %s)，关闭 response_format 回退重试...", current_model, status)
|
||
payload.pop("response_format", None)
|
||
try:
|
||
resp2 = requests.post(
|
||
f"{self.base_url}/chat/completions",
|
||
headers=headers, json=payload, timeout=90
|
||
)
|
||
resp2.raise_for_status()
|
||
content = resp2.json()["choices"][0]["message"]["content"]
|
||
if content and content.strip():
|
||
if model_idx > 0:
|
||
logger.info("模型降级成功: %s → %s", self.model, current_model)
|
||
return content
|
||
except Exception:
|
||
pass
|
||
# 当前模型失败，尝试下一个
|
||
last_error = ConnectionError(f"LLM API 错误 ({status}): {body}")
|
||
if model_idx < len(models_to_try) - 1:
|
||
logger.warning("[%s] HTTP %s 失败，降级到: %s", current_model, status, models_to_try[model_idx + 1])
|
||
continue
|
||
raise last_error
|
||
|
||
except requests.exceptions.Timeout:
|
||
last_error = TimeoutError(f"[{current_model}] LLM 请求超时")
|
||
if model_idx < len(models_to_try) - 1:
|
||
logger.warning("[%s] 请求超时，降级到: %s", current_model, models_to_try[model_idx + 1])
|
||
continue
|
||
raise TimeoutError("LLM 请求超时，所有模型均超时，请检查网络")
|
||
|
||
except (ConnectionError, RuntimeError):
|
||
raise
|
||
except Exception as e:
|
||
last_error = RuntimeError(f"LLM 调用异常: {e}")
|
||
if model_idx < len(models_to_try) - 1:
|
||
logger.warning("[%s] 调用异常 (%s)，降级到: %s", current_model, e, models_to_try[model_idx + 1])
|
||
continue
|
||
raise last_error
|
||
|
||
raise last_error or RuntimeError("LLM 调用失败: 未知错误")
|
||
|
||
def _parse_json(self, text: str) -> dict:
|
||
"""从 LLM 返回文本中解析 JSON（多重容错）"""
|
||
if not text or not text.strip():
|
||
raise ValueError("LLM 返回内容为空，无法解析 JSON")
|
||
|
||
raw = text.strip()
|
||
|
||
# 策略1: 去除 markdown 代码块
|
||
cleaned = re.sub(r"```(?:json)?\s*", "", raw)
|
||
cleaned = re.sub(r"```", "", cleaned).strip()
|
||
|
||
# 策略2: 直接解析
|
||
try:
|
||
return json.loads(cleaned)
|
||
except json.JSONDecodeError:
|
||
pass
|
||
|
||
# 策略3: 提取最外层的 { ... } 块
|
||
match = re.search(r'(\{[\s\S]*\})', cleaned)
|
||
if match:
|
||
try:
|
||
return json.loads(match.group(1))
|
||
except json.JSONDecodeError:
|
||
pass
|
||
|
||
# 策略4: 逐行查找 JSON 开始位置
|
||
for i, ch in enumerate(cleaned):
|
||
if ch == '{':
|
||
try:
|
||
return json.loads(cleaned[i:])
|
||
except json.JSONDecodeError:
|
||
pass
|
||
break
|
||
|
||
# 策略5: 尝试修复常见问题（尾部多余逗号、缺少闭合括号）
|
||
try:
|
||
# 去除尾部多余逗号
|
||
fixed = re.sub(r',\s*([}\]])', r'\1', cleaned)
|
||
return json.loads(fixed)
|
||
except json.JSONDecodeError:
|
||
pass
|
||
|
||
# 全部失败，打日志并抛出有用的错误信息
|
||
preview = raw[:500] if len(raw) > 500 else raw
|
||
logger.error("JSON 解析全部失败，LLM 原始返回: %s", preview)
|
||
raise ValueError(
|
||
f"LLM 返回内容无法解析为 JSON。\n"
|
||
f"返回内容前200字: {raw[:200]}\n\n"
|
||
f"💡 可能原因: 模型不支持 JSON 输出格式，建议更换模型重试"
|
||
)
|
||
|
||
# ---------- 业务方法 ----------
|
||
|
||
def get_models(self) -> list[str]:
|
||
"""获取可用模型列表"""
|
||
url = f"{self.base_url}/models"
|
||
headers = {"Authorization": f"Bearer {self.api_key}"}
|
||
try:
|
||
resp = requests.get(url, headers=headers, timeout=10)
|
||
resp.raise_for_status()
|
||
text = resp.text.strip()
|
||
if not text:
|
||
logger.warning("GET %s 返回空响应", url)
|
||
return []
|
||
data = resp.json()
|
||
return [item["id"] for item in data.get("data", [])]
|
||
except Exception as e:
|
||
logger.warning("获取模型列表失败 (%s): %s", url, e)
|
||
return []
|
||
|
||
@staticmethod
|
||
def _build_layered_prompt(style: str, sd_guide: str, persona: str = None) -> str:
|
||
"""构建分层 Prompt：基础层 → 风格层 → 人设层 → 后缀"""
|
||
parts = [PROMPT_BASE]
|
||
# 风格层（缺失时退回基础层）
|
||
style_prompt = PROMPT_STYLES.get(style, "")
|
||
if style_prompt:
|
||
parts.append(style_prompt)
|
||
# 人设层
|
||
if persona:
|
||
parts.append(f"\n【博主人设】：{persona}\n请以此人设的视角和风格创作。\n")
|
||
# 后缀（SD prompt 指导 + JSON 格式要求）
|
||
parts.append(PROMPT_COPYWRITING_SUFFIX.format(sd_prompt_guide=sd_guide))
|
||
return "\n".join(parts)
|
||
|
||
def _self_check(self, content: str) -> dict:
|
||
"""对文案进行 AI 痕迹自检，返回 {ai_score, feedback, dimension_scores}"""
|
||
try:
|
||
prompt = PROMPT_SELF_CHECK.format(content=content)
|
||
raw = self._chat(prompt, "请评估以上文案的AI痕迹程度",
|
||
json_mode=True, temperature=0.3)
|
||
result = self._parse_json(raw)
|
||
# 确保字段完整
|
||
return {
|
||
"ai_score": int(result.get("ai_score", 50)),
|
||
"feedback": result.get("feedback", ""),
|
||
"dimension_scores": result.get("dimension_scores", {}),
|
||
}
|
||
except Exception as e:
|
||
logger.warning("文案自检失败（跳过）: %s", e)
|
||
return {"ai_score": 0, "feedback": "", "dimension_scores": {}}
|
||
|
||
def _self_check_rewrite(self, original_content: str, feedback: str) -> str:
|
||
"""根据自检反馈改写文案"""
|
||
try:
|
||
prompt = PROMPT_SELF_CHECK_REWRITE.format(
|
||
original_content=original_content, feedback=feedback
|
||
)
|
||
rewritten = self._chat(prompt, "请改写文案", json_mode=False, temperature=0.9)
|
||
return rewritten.strip() if rewritten and rewritten.strip() else original_content
|
||
except Exception as e:
|
||
logger.warning("文案改写失败（使用原始文案）: %s", e)
|
||
return original_content
|
||
|
||
def generate_copy(self, topic: str, style: str, sd_model_name: str = None, persona: str = None) -> dict:
|
||
"""生成小红书文案（分层 Prompt 架构，含重试逻辑，自动适配SD模型，支持人设）"""
|
||
sd_guide = self.get_sd_prompt_guide(sd_model_name, persona=persona)
|
||
system_prompt = self._build_layered_prompt(style, sd_guide, persona=persona)
|
||
user_msg = f"主题：{topic}\n风格：{style}"
|
||
last_error = None
|
||
for attempt in range(2):
|
||
try:
|
||
# 第二次尝试不使用 json_mode（兼容不支持的模型）
|
||
use_json_mode = (attempt == 0)
|
||
content = self._chat(
|
||
system_prompt,
|
||
user_msg,
|
||
json_mode=use_json_mode,
|
||
temperature=0.92,
|
||
)
|
||
data = self._parse_json(content)
|
||
|
||
# 强制标题长度限制
|
||
title = data.get("title", "")
|
||
if len(title) > 20:
|
||
title = title[:20]
|
||
data["title"] = title
|
||
|
||
# 自检机制：检测 AI 痕迹
|
||
quality_meta = {"ai_score": 0, "self_check_passed": True, "rewritten": False}
|
||
raw_content = data.get("content", "")
|
||
if raw_content:
|
||
check_result = self._self_check(raw_content)
|
||
ai_score = check_result.get("ai_score", 0)
|
||
quality_meta["ai_score"] = ai_score
|
||
if ai_score >= 60:
|
||
# AI 痕迹较重，触发改写
|
||
quality_meta["self_check_passed"] = False
|
||
feedback = check_result.get("feedback", "")
|
||
rewritten = self._self_check_rewrite(raw_content, feedback)
|
||
if rewritten != raw_content:
|
||
data["content"] = rewritten
|
||
quality_meta["rewritten"] = True
|
||
logger.info("文案自检未通过 (ai_score=%d)，已改写", ai_score)
|
||
else:
|
||
logger.info("文案自检未通过 (ai_score=%d)，改写无变化", ai_score)
|
||
|
||
# 去 AI 化后处理
|
||
if "content" in data:
|
||
data["content"] = self._humanize_content(data["content"])
|
||
|
||
data["quality_meta"] = quality_meta
|
||
return data
|
||
|
||
except (json.JSONDecodeError, ValueError) as e:
|
||
last_error = e
|
||
if attempt == 0:
|
||
logger.warning("文案生成 JSON 解析失败 (尝试 %d/2): %s，将关闭 json_mode 重试", attempt + 1, e)
|
||
continue
|
||
else:
|
||
logger.error("文案生成 JSON 解析失败 (尝试 %d/2): %s", attempt + 1, e)
|
||
|
||
raise RuntimeError(f"文案生成失败: LLM 返回无法解析为 JSON，已重试 2 次。\n最后错误: {last_error}")
|
||
|
||
def generate_copy_with_reference(self, topic: str, style: str,
|
||
reference_notes: str, sd_model_name: str = None, persona: str = None) -> dict:
|
||
"""参考热门笔记生成文案（分层 Prompt，含重试逻辑，自动适配SD模型，支持人设）"""
|
||
sd_guide = self.get_sd_prompt_guide(sd_model_name, persona=persona)
|
||
# 分层构建：基础层 + 风格层 + 参考笔记层 + 后缀
|
||
ref_extra = PROMPT_COPY_WITH_REFERENCE_EXTRA.format(
|
||
reference_notes=reference_notes, topic=topic, style=style,
|
||
)
|
||
style_prompt = PROMPT_STYLES.get(style, "")
|
||
parts = [PROMPT_BASE]
|
||
if style_prompt:
|
||
parts.append(style_prompt)
|
||
parts.append(ref_extra)
|
||
if persona:
|
||
parts.append(f"\n【博主人设】：{persona}\n请以此人设的视角和风格创作。\n")
|
||
parts.append(PROMPT_COPYWRITING_SUFFIX.format(sd_prompt_guide=sd_guide))
|
||
prompt = "\n".join(parts)
|
||
user_msg = f"请创作关于「{topic}」的小红书笔记"
|
||
last_error = None
|
||
for attempt in range(2):
|
||
try:
|
||
use_json_mode = (attempt == 0)
|
||
content = self._chat(
|
||
prompt, user_msg,
|
||
json_mode=use_json_mode, temperature=0.92,
|
||
)
|
||
data = self._parse_json(content)
|
||
|
||
title = data.get("title", "")
|
||
if len(title) > 20:
|
||
data["title"] = title[:20]
|
||
|
||
if "content" in data:
|
||
data["content"] = self._humanize_content(data["content"])
|
||
|
||
return data
|
||
|
||
except (json.JSONDecodeError, ValueError) as e:
|
||
last_error = e
|
||
if attempt == 0:
|
||
logger.warning("参考文案生成 JSON 解析失败 (尝试 %d/2): %s，将关闭 json_mode 重试", attempt + 1, e)
|
||
continue
|
||
else:
|
||
logger.error("参考文案生成 JSON 解析失败 (尝试 %d/2): %s", attempt + 1, e)
|
||
|
||
raise RuntimeError(f"参考文案生成失败: LLM 返回无法解析为 JSON，已重试 2 次。\n最后错误: {last_error}")
|
||
|
||
def analyze_hotspots(self, feed_data: str) -> dict:
|
||
"""分析热门内容趋势（含重试逻辑）"""
|
||
prompt = PROMPT_HOTSPOT_ANALYSIS.format(feed_data=feed_data)
|
||
last_error = None
|
||
for attempt in range(2):
|
||
try:
|
||
use_json_mode = (attempt == 0)
|
||
content = self._chat(prompt, "请分析以上热门笔记数据",
|
||
json_mode=use_json_mode)
|
||
return self._parse_json(content)
|
||
except (json.JSONDecodeError, ValueError) as e:
|
||
last_error = e
|
||
if attempt == 0:
|
||
logger.warning("热点分析 JSON 解析失败 (尝试 %d/2): %s，将关闭 json_mode 重试", attempt + 1, e)
|
||
continue
|
||
else:
|
||
logger.error("热点分析 JSON 解析失败 (尝试 %d/2): %s", attempt + 1, e)
|
||
|
||
raise RuntimeError(f"热点分析失败: LLM 返回无法解析为 JSON，已重试 2 次。\n最后错误: {last_error}")
|
||
|
||
@staticmethod
|
||
def _humanize_content(text: str) -> str:
|
||
"""后处理: 深度去除 AI 书面痕迹，模拟真人手机打字风格"""
|
||
t = text
|
||
|
||
# ========== 第一层: 替换过于书面化/AI化的表达 ==========
|
||
ai_phrases = {
|
||
"值得一提的是": "对了",
|
||
"需要注意的是": "不过要注意",
|
||
"总的来说": "反正",
|
||
"综上所述": "总之",
|
||
"总而言之": "总之",
|
||
"不仅如此": "而且",
|
||
"与此同时": "然后",
|
||
"除此之外": "还有",
|
||
"众所周知": "",
|
||
"毋庸置疑": "",
|
||
"不言而喻": "",
|
||
"在这里给大家分享": "来分享",
|
||
"在此分享给大家": "分享一下",
|
||
"接下来让我们": "",
|
||
"话不多说": "",
|
||
"废话不多说": "",
|
||
"下面我来": "",
|
||
"让我来": "",
|
||
"首先我要说": "先说",
|
||
"我认为": "我觉得",
|
||
"我相信": "我觉得",
|
||
"事实上": "其实",
|
||
"实际上": "其实",
|
||
"毫无疑问": "",
|
||
"不可否认": "",
|
||
"客观来说": "",
|
||
"坦白说": "",
|
||
"具体而言": "就是",
|
||
"简而言之": "就是说",
|
||
"换句话说": "就是",
|
||
"归根结底": "说白了",
|
||
"由此可见": "",
|
||
"正如我所说": "",
|
||
"正如前文所述": "",
|
||
"在我看来": "我觉得",
|
||
"从某种程度上说": "",
|
||
"在一定程度上": "",
|
||
"非常值得推荐": "真的可以试试",
|
||
"强烈推荐": "真心推荐",
|
||
"性价比极高": "性价比很高",
|
||
"给大家安利": "安利",
|
||
"为大家推荐": "推荐",
|
||
"希望对大家有所帮助": "",
|
||
"希望能帮到大家": "",
|
||
"以上就是": "",
|
||
"感谢阅读": "",
|
||
"感谢大家的阅读": "",
|
||
}
|
||
for old, new in ai_phrases.items():
|
||
t = t.replace(old, new)
|
||
|
||
# ========== 第二层: 去掉分点罗列感 ==========
|
||
t = re.sub(r'(?m)^首先[，,：:\s]*', '', t)
|
||
t = re.sub(r'(?m)^其次[，,：:\s]*', '', t)
|
||
t = re.sub(r'(?m)^最后[，,：:\s]*', '', t)
|
||
t = re.sub(r'(?m)^再者[，,：:\s]*', '', t)
|
||
t = re.sub(r'(?m)^另外[，,：:\s]*', '', t)
|
||
# 去序号: "1. " "2、" "①" 等
|
||
t = re.sub(r'(?m)^[①②③④⑤⑥⑦⑧⑨⑩]\s*', '', t)
|
||
t = re.sub(r'(?m)^[1-9][.、）)]\s*', '', t)
|
||
|
||
# ========== 第三层: 去掉AI常见的空洞开头 ==========
|
||
for prefix in ["嗨大家好！", "嗨，大家好！", "大家好，", "大家好！",
|
||
"哈喽大家好！", "Hello大家好！", "嗨~", "hey~",
|
||
"各位姐妹大家好！", "各位宝子们好！"]:
|
||
if t.startswith(prefix):
|
||
t = t[len(prefix):].strip()
|
||
|
||
# ========== 第四层: 标点符号真人化（增强版） ==========
|
||
# AI 特征: 每句话都有完整标点 → 真人经常不加标点或只用逗号
|
||
sentences = t.split('\n')
|
||
humanized_lines = []
|
||
for line in sentences:
|
||
if not line.strip():
|
||
humanized_lines.append(line)
|
||
continue
|
||
# 随机去掉句末句号 (真人经常不打句号) — 概率提高到 50%
|
||
if line.rstrip().endswith('。') and random.random() < 0.50:
|
||
line = line.rstrip()[:-1]
|
||
# 随机把部分逗号替换成空格或什么都不加 (模拟打字不加标点) — 概率提高到 25%
|
||
if random.random() < 0.25:
|
||
comma_positions = [m.start() for m in re.finditer(r'[，,]', line)]
|
||
if comma_positions:
|
||
pos = random.choice(comma_positions)
|
||
replacement = random.choice([' ', '', ' '])
|
||
line = line[:pos] + replacement + line[pos+1:]
|
||
# 随机把感叹号降级为句号 (AI 爱用感叹号)
|
||
if line.rstrip().endswith('！') and random.random() < 0.20:
|
||
line = line.rstrip()[:-1] + '。'
|
||
# 随机删除句末标点 (真人有时就不加)
|
||
if line.rstrip() and line.rstrip()[-1] in '。，,' and random.random() < 0.10:
|
||
line = line.rstrip()[:-1]
|
||
humanized_lines.append(line)
|
||
t = '\n'.join(humanized_lines)
|
||
|
||
# ========== 第五层: 随机添加真人口语化元素 ==========
|
||
# 在段落开头随机插入口语衔接词
|
||
oral_connectors = [
|
||
"对了 ", "哦对 ", "话说 ", "然后 ", "就是说 ", "emmm ", "嗯 ",
|
||
"说真的 ", "不是 ", "离谱的是 ", "我发现 ",
|
||
]
|
||
paragraphs = t.split('\n\n')
|
||
if len(paragraphs) > 2:
|
||
# 在中间段落随机加1-2个口语衔接词
|
||
inject_count = random.randint(1, min(2, len(paragraphs) - 2))
|
||
inject_indices = random.sample(range(1, len(paragraphs)), inject_count)
|
||
for idx in inject_indices:
|
||
if paragraphs[idx].strip() and not any(paragraphs[idx].strip().startswith(c.strip()) for c in oral_connectors):
|
||
connector = random.choice(oral_connectors)
|
||
paragraphs[idx] = connector + paragraphs[idx].lstrip()
|
||
t = '\n\n'.join(paragraphs)
|
||
|
||
# ========== 第六层: 语气词注入 ==========
|
||
# 真人说话带语气词 → AI 生成文本通常没有
|
||
tone_particles_end = ['啊', '呢', '吧', '嘛', '呀', '哦', '啦', '噢']
|
||
tone_particles_mid = ['嘿', '诶', '哈', '唉']
|
||
lines = t.split('\n')
|
||
particle_budget = random.randint(2, 4) # 全文最多注入 2-4 个
|
||
injected = 0
|
||
for i in range(len(lines)):
|
||
if injected >= particle_budget:
|
||
break
|
||
line = lines[i].strip()
|
||
if not line or len(line) < 6:
|
||
continue
|
||
# 句末语气词: 在没有标点或句号结尾的句子加语气词
|
||
if random.random() < 0.15 and line[-1] not in '。！？!?~～…':
|
||
lines[i] = lines[i].rstrip() + random.choice(tone_particles_end)
|
||
injected += 1
|
||
# 句首感叹词: 在段落开头偶尔加
|
||
elif random.random() < 0.08 and not any(line.startswith(p) for p in tone_particles_mid):
|
||
lines[i] = random.choice(tone_particles_mid) + ' ' + lines[i].lstrip()
|
||
injected += 1
|
||
t = '\n'.join(lines)
|
||
|
||
# ========== 第七层: 句子长度打散 ==========
|
||
# AI 特征: 句子长度高度均匀 → 真人笔记长短参差不齐
|
||
# 随机把一些长句用换行打散
|
||
lines = t.split('\n')
|
||
final_lines = []
|
||
for line in lines:
|
||
# 超过60字的行, 随机在一个位置断句
|
||
if len(line) > 60 and random.random() < 0.3:
|
||
# 找到中间附近的标点位置断句
|
||
mid = len(line) // 2
|
||
best_pos = -1
|
||
for offset in range(0, mid):
|
||
for check_pos in [mid + offset, mid - offset]:
|
||
if 0 < check_pos < len(line) and line[check_pos] in '，。！？、,':
|
||
best_pos = check_pos
|
||
break
|
||
if best_pos > 0:
|
||
break
|
||
if best_pos > 0:
|
||
final_lines.append(line[:best_pos + 1])
|
||
final_lines.append(line[best_pos + 1:].lstrip())
|
||
continue
|
||
final_lines.append(line)
|
||
t = '\n'.join(final_lines)
|
||
|
||
# ========== 第八层: 随机注入微小不完美 ==========
|
||
# 真人打字偶尔有重复字、多余空格等
|
||
if random.random() < 0.2:
|
||
# 随机在某处加一个波浪号或省略号
|
||
insert_chars = ['~', '...', '～', '..']
|
||
lines = t.split('\n')
|
||
if lines:
|
||
target = random.randint(0, len(lines) - 1)
|
||
if lines[target].rstrip() and not lines[target].rstrip()[-1] in '~～.。！？!?':
|
||
lines[target] = lines[target].rstrip() + random.choice(insert_chars)
|
||
t = '\n'.join(lines)
|
||
|
||
# ========== 第九层: 段落节奏打散 ==========
|
||
# AI 特征: 连续段落字数接近 → 真人笔记长短参差不齐
|
||
paragraphs = t.split('\n\n')
|
||
if len(paragraphs) >= 3:
|
||
para_lens = [len(p.strip()) for p in paragraphs]
|
||
for i in range(1, len(paragraphs) - 1):
|
||
if para_lens[i] == 0:
|
||
continue
|
||
prev_len = para_lens[i - 1] if para_lens[i - 1] > 0 else 1
|
||
# 如果连续两段字数差异 < 30%，尝试打散
|
||
ratio = abs(para_lens[i] - prev_len) / max(para_lens[i], prev_len)
|
||
if ratio < 0.30 and para_lens[i] > 20 and random.random() < 0.40:
|
||
# 策略: 在中间段落找标点断开，制造长短不一
|
||
p = paragraphs[i].strip()
|
||
cut_pos = -1
|
||
mid = len(p) // 3 # 在 1/3 处截断，制造不均匀
|
||
for offset in range(0, mid):
|
||
for check in [mid + offset, mid - offset]:
|
||
if 0 < check < len(p) and p[check] in '，。！？、,!?':
|
||
cut_pos = check
|
||
break
|
||
if cut_pos > 0:
|
||
break
|
||
if cut_pos > 0:
|
||
paragraphs[i] = p[:cut_pos + 1] + '\n\n' + p[cut_pos + 1:].lstrip()
|
||
t = '\n\n'.join(paragraphs)
|
||
|
||
# ========== 第十层: emoji 密度控制 ==========
|
||
# 目标: 全文 6-12 个 emoji，分布不均匀，避免堆叠
|
||
emoji_pattern = re.compile(
|
||
r'[\U0001F300-\U0001F9FF\u2600-\u27BF\u2702-\u27B0'
|
||
r'\U0001FA00-\U0001FA6F\U0001FA70-\U0001FAFF'
|
||
r'\u231A-\u231B\u23E9-\u23F3\u23F8-\u23FA'
|
||
r'\u25AA-\u25AB\u25B6\u25C0\u25FB-\u25FE'
|
||
r'\u2614-\u2615\u2648-\u2653\u267F\u2693'
|
||
r'\u26A1\u26AA-\u26AB\u26BD-\u26BE\u26C4-\u26C5'
|
||
r'\u26D4\u26EA\u26F2-\u26F3\u26F5\u26FA\u26FD\u2934-\u2935]'
|
||
)
|
||
emojis_found = emoji_pattern.findall(t)
|
||
emoji_count = len(emojis_found)
|
||
target_min, target_max = 6, 12
|
||
|
||
if emoji_count > target_max:
|
||
# 太多: 随机删除多余的
|
||
excess = emoji_count - random.randint(target_min, target_max)
|
||
if excess > 0:
|
||
# 找到所有 emoji 位置，随机选择 excess 个删除
|
||
positions = [m.start() for m in emoji_pattern.finditer(t)]
|
||
remove_positions = set(random.sample(positions, min(excess, len(positions))))
|
||
t = ''.join(c for idx, c in enumerate(t) if idx not in remove_positions)
|
||
elif emoji_count < target_min and emoji_count > 0:
|
||
# 太少: 在随机位置复制现有 emoji
|
||
shortage = random.randint(target_min, target_min + 2) - emoji_count
|
||
lines = t.split('\n')
|
||
non_empty_lines = [i for i, l in enumerate(lines) if l.strip() and len(l.strip()) > 4]
|
||
if non_empty_lines and emojis_found:
|
||
for _ in range(min(shortage, len(non_empty_lines))):
|
||
idx = random.choice(non_empty_lines)
|
||
emoji_to_add = random.choice(emojis_found)
|
||
# 在行末添加
|
||
lines[idx] = lines[idx].rstrip() + emoji_to_add
|
||
t = '\n'.join(lines)
|
||
|
||
# 去掉连续相同的 emoji 堆叠（超过 2 个相同的只保留 1 个）
|
||
t = re.sub(r'([\U0001F300-\U0001F9FF\u2600-\u27BF])\1{1,}', r'\1', t)
|
||
|
||
# ========== 第十一层: 清理 ==========
|
||
# 清理多余空行
|
||
t = re.sub(r'\n{3,}', '\n\n', t)
|
||
# 清理行首多余空格 (手机打字不会缩进)
|
||
t = re.sub(r'(?m)^[ \t]+', '', t)
|
||
|
||
return t.strip()
|
||
|
||
@staticmethod
|
||
def _humanize(text: str) -> str:
|
||
"""后处理: 深度去除 AI 评论/回复中的非人类痕迹"""
|
||
t = text.strip()
|
||
# 去掉前后引号包裹
|
||
if (t.startswith('"') and t.endswith('"')) or (t.startswith("'") and t.endswith("'")):
|
||
t = t[1:-1].strip()
|
||
# 去掉 AI 常见的前缀
|
||
for prefix in ["回复：", "回复:", "评论：", "评论:", "以下是", "好的，",
|
||
"当然，", "当然！", "谢谢你的", "感谢你的", "好的！",
|
||
"嗯，"]:
|
||
if t.startswith(prefix):
|
||
t = t[len(prefix):].strip()
|
||
# 去掉末尾多余的句号（真人评论很少用句号结尾）
|
||
if t.endswith("。"):
|
||
t = t[:-1]
|
||
# 去掉末尾的"哦" "呢" 堆叠 (AI 常见)
|
||
t = re.sub(r'[哦呢呀哈]{2,}$', lambda m: m.group()[0], t)
|
||
# 替换过于完整规范的标点为口语化
|
||
if random.random() < 0.25 and '，' in t:
|
||
# 随机去掉一个逗号
|
||
comma_pos = [m.start() for m in re.finditer('，', t)]
|
||
if comma_pos:
|
||
pos = random.choice(comma_pos)
|
||
t = t[:pos] + ' ' + t[pos+1:]
|
||
# 随机去掉末尾感叹号（真人不是每句都加！）
|
||
if t.endswith('！') and random.random() < 0.3:
|
||
t = t[:-1]
|
||
# 限制连续 emoji（最多2个）
|
||
t = re.sub(r'([\U0001F600-\U0001F9FF\u2600-\u27BF])\1{2,}', r'\1\1', t)
|
||
return t
|
||
|
||
def generate_reply(self, persona: str, post_title: str, comment: str) -> str:
|
||
"""AI 生成评论回复"""
|
||
prompt = PROMPT_COMMENT_REPLY.format(
|
||
persona=persona, post_title=post_title, comment=comment
|
||
)
|
||
raw = self._chat(prompt, "请生成回复", json_mode=False, temperature=0.95)
|
||
return self._humanize(raw)
|
||
|
||
def generate_proactive_comment(self, persona: str, post_title: str,
|
||
post_content: str, existing_comments: str = "") -> str:
|
||
"""AI 生成主动评论"""
|
||
prompt = PROMPT_PROACTIVE_COMMENT.format(
|
||
persona=persona, post_title=post_title,
|
||
post_content=post_content,
|
||
existing_comments=existing_comments or "暂无评论",
|
||
)
|
||
raw = self._chat(prompt, "请生成评论", json_mode=False, temperature=0.95)
|
||
return self._humanize(raw)
|
||
|
||
def analyze_note_performance(self, note_data: str) -> dict:
|
||
"""AI 深度分析笔记表现，生成内容策略建议"""
|
||
prompt = PROMPT_PERFORMANCE_ANALYSIS.format(note_data=note_data)
|
||
last_error = None
|
||
for attempt in range(2):
|
||
try:
|
||
use_json_mode = (attempt == 0)
|
||
content = self._chat(prompt, "请深度分析以上笔记数据，找出规律并给出优化建议",
|
||
json_mode=use_json_mode, temperature=0.7)
|
||
return self._parse_json(content)
|
||
except (json.JSONDecodeError, ValueError) as e:
|
||
last_error = e
|
||
if attempt == 0:
|
||
logger.warning("表现分析 JSON 解析失败 (尝试 %d/2): %s", attempt + 1, e)
|
||
continue
|
||
raise RuntimeError(f"笔记表现分析失败: {last_error}")
|
||
|
||
def generate_weighted_copy(self, topic: str, style: str,
|
||
weight_insights: str, title_advice: str,
|
||
hot_tags: str, sd_model_name: str = None, persona: str = None) -> dict:
|
||
"""基于权重学习生成高互动潜力的文案（分层 Prompt，自动适配SD模型，支持人设）"""
|
||
sd_guide = self.get_sd_prompt_guide(sd_model_name, persona=persona)
|
||
# 分层构建：基础层 + 风格层 + 权重洞察层 + 后缀
|
||
weighted_extra = PROMPT_WEIGHTED_COPYWRITING_EXTRA.format(
|
||
weight_insights=weight_insights,
|
||
title_advice=title_advice,
|
||
hot_tags=hot_tags,
|
||
)
|
||
style_prompt = PROMPT_STYLES.get(style, "")
|
||
parts = [PROMPT_BASE]
|
||
if style_prompt:
|
||
parts.append(style_prompt)
|
||
parts.append(weighted_extra)
|
||
if persona:
|
||
parts.append(f"\n【博主人设】：{persona}\n请以此人设的视角和风格创作。\n")
|
||
parts.append(PROMPT_COPYWRITING_SUFFIX.format(sd_prompt_guide=sd_guide))
|
||
prompt = "\n".join(parts)
|
||
user_msg = f"主题：{topic}\n风格：{style}\n请创作一篇基于数据洞察的高质量小红书笔记"
|
||
last_error = None
|
||
for attempt in range(2):
|
||
try:
|
||
use_json_mode = (attempt == 0)
|
||
content = self._chat(
|
||
prompt,
|
||
user_msg,
|
||
json_mode=use_json_mode,
|
||
temperature=0.92,
|
||
)
|
||
data = self._parse_json(content)
|
||
|
||
title = data.get("title", "")
|
||
if len(title) > 20:
|
||
data["title"] = title[:20]
|
||
if "content" in data:
|
||
data["content"] = self._humanize_content(data["content"])
|
||
return data
|
||
|
||
except (json.JSONDecodeError, ValueError) as e:
|
||
last_error = e
|
||
if attempt == 0:
|
||
logger.warning("加权文案生成失败 (尝试 %d/2): %s", attempt + 1, e)
|
||
continue
|
||
raise RuntimeError(f"加权文案生成失败: {last_error}")
|