|
|
@@ -0,0 +1,2184 @@
|
|
|
+"""
|
|
|
+帖子评估模块 V4 - LangGraph版本 + Gemini API
|
|
|
+
|
|
|
+改进:
|
|
|
+1. 框架: 使用 LangGraph 状态机替代传统异步流程
|
|
|
+2. API: 切换到 Google Gemini API (google.generativeai)
|
|
|
+3. 视频: 支持视频内容评估
|
|
|
+4. Prompt: 视频内容自动调整Prompt描述
|
|
|
+5. 流程: Prompt1 → Prompt2 → Prompt3&4(并行) → 综合评分
|
|
|
+"""
|
|
|
+
|
|
|
+import asyncio
|
|
|
+import json
|
|
|
+import os
|
|
|
+import time
|
|
|
+import tempfile
|
|
|
+import io
|
|
|
+import base64
|
|
|
+import requests
|
|
|
+from datetime import datetime
|
|
|
+from typing import Optional, TypedDict, List, Dict, Any
|
|
|
+from pydantic import BaseModel, Field
|
|
|
+from PIL import Image
|
|
|
+from langchain_google_genai import ChatGoogleGenerativeAI
|
|
|
+from langchain_core.messages import HumanMessage, SystemMessage
|
|
|
+from langgraph.graph import StateGraph, END
|
|
|
+# import google.generativeai as genai # 暂时禁用,版本冲突
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# 常量配置
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+# Gemini配置
|
|
|
+GEMINI_API_KEY = os.getenv("GEMINI_API_KEY", "AIzaSyBgt9h74LvdWJ4Ivy_mh17Yyy2JH2WJICE")
|
|
|
+GEMINI_MODEL_NAME = "gemini-2.5-flash"
|
|
|
+MAX_IMAGES_PER_POST = 10
|
|
|
+
|
|
|
+# 并发&重试配置
|
|
|
+MAX_CONCURRENT_EVALUATIONS = 5
|
|
|
+API_TIMEOUT = 180
|
|
|
+MAX_RETRIES = 2
|
|
|
+RETRY_WAIT_SECONDS = 3
|
|
|
+FILE_PROCESS_TIMEOUT = 180
|
|
|
+
|
|
|
+# 缓存配置
|
|
|
+ENABLE_CACHE = False
|
|
|
+CACHE_DIR = ".evaluation_cache"
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# 数据模型 (复用V3)
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+class KnowledgeEvaluation(BaseModel):
|
|
|
+ """Prompt1: 判断是知识 - 评估结果"""
|
|
|
+ is_knowledge: bool = Field(..., description="是否是知识内容")
|
|
|
+ quick_exclude: dict = Field(default_factory=dict, description="快速排除判定")
|
|
|
+ title_layer: dict = Field(default_factory=dict, description="标题层判断")
|
|
|
+ image_layer: dict = Field(default_factory=dict, description="图片层判断(核心)")
|
|
|
+ text_layer: dict = Field(default_factory=dict, description="正文层判断(辅助)")
|
|
|
+ judgment_logic: str = Field(..., description="综合判定逻辑")
|
|
|
+ core_evidence: list[str] = Field(default_factory=list, description="核心证据")
|
|
|
+ issues: list[str] = Field(default_factory=list, description="不足或疑虑")
|
|
|
+ conclusion: str = Field(..., description="结论陈述")
|
|
|
+
|
|
|
+
|
|
|
+class ContentKnowledgeEvaluation(BaseModel):
|
|
|
+ """Prompt2: 判断是否是内容知识 - 评估结果"""
|
|
|
+ is_content_knowledge: bool = Field(..., description="是否属于内容知识")
|
|
|
+ final_score: int = Field(..., description="最终得分(0-100)")
|
|
|
+ level: str = Field(..., description="判定等级")
|
|
|
+ quick_exclude: dict = Field(default_factory=dict, description="快速排除判定")
|
|
|
+ dimension_scores: dict = Field(default_factory=dict, description="分层评分详情")
|
|
|
+ core_evidence: list[str] = Field(default_factory=list, description="核心证据")
|
|
|
+ issues: list[str] = Field(default_factory=list, description="不足之处")
|
|
|
+ summary: str = Field(..., description="总结陈述")
|
|
|
+
|
|
|
+
|
|
|
+class PurposeEvaluation(BaseModel):
|
|
|
+ """Prompt3: 目的性匹配 - 评估结果"""
|
|
|
+ purpose_score: int = Field(..., description="目的动机得分(0-100整数)")
|
|
|
+ core_motivation: str = Field(..., description="原始需求核心动机")
|
|
|
+ image_value: str = Field(..., description="图片提供的价值")
|
|
|
+ title_intention: str = Field(..., description="标题体现的意图")
|
|
|
+ text_content: str = Field(..., description="正文补充的内容")
|
|
|
+ match_level: str = Field(..., description="匹配度等级")
|
|
|
+ core_basis: str = Field(..., description="核心依据")
|
|
|
+
|
|
|
+
|
|
|
+class CategoryEvaluation(BaseModel):
|
|
|
+ """Prompt4: 品类匹配 - 评估结果"""
|
|
|
+ category_score: int = Field(..., description="品类匹配得分(0-100整数)")
|
|
|
+ original_category_analysis: dict = Field(default_factory=dict, description="原始需求品类分析")
|
|
|
+ actual_category: dict = Field(default_factory=dict, description="帖子实际品类")
|
|
|
+ match_level: str = Field(..., description="匹配度等级")
|
|
|
+ category_match_analysis: dict = Field(default_factory=dict, description="品类匹配分析")
|
|
|
+ core_basis: str = Field(..., description="核心依据")
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# LangGraph State定义
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+class EvaluationState(TypedDict):
|
|
|
+ """评估状态"""
|
|
|
+ # 输入
|
|
|
+ post: Any # Post对象
|
|
|
+ original_query: str
|
|
|
+
|
|
|
+ # 视频相关
|
|
|
+ video_file: Optional[Any] # genai.File对象
|
|
|
+ video_uri: Optional[str]
|
|
|
+ temp_video_path: Optional[str]
|
|
|
+
|
|
|
+ # 图片相关
|
|
|
+ temp_image_paths: Optional[List[str]] # 临时图片文件路径列表
|
|
|
+ cached_media_files: Optional[List[Dict]] # 缓存的图片base64数据，避免重复下载
|
|
|
+
|
|
|
+ # 评估结果
|
|
|
+ knowledge_eval: Optional[KnowledgeEvaluation]
|
|
|
+ content_eval: Optional[ContentKnowledgeEvaluation]
|
|
|
+ purpose_eval: Optional[PurposeEvaluation]
|
|
|
+ category_eval: Optional[CategoryEvaluation]
|
|
|
+ final_score: Optional[float]
|
|
|
+ match_level: Optional[str]
|
|
|
+
|
|
|
+ # 控制
|
|
|
+ should_continue: bool
|
|
|
+ error: Optional[str]
|
|
|
+ semaphore: Optional[asyncio.Semaphore]
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Prompt 定义 (复用V3 - 从post_evaluator_v3.py导入)
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+# 为了避免重复,我们从v3模块导入Prompt
|
|
|
+# ============================================================================
|
|
|
+# Prompt 定义 - 拆分为System和User两部分
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+# Prompt1: 知识判定 - System部分(评估规则)
|
|
|
+SYSTEM_PROMPT1_IS_KNOWLEDGE = """# 内容知识判定系统 v2.0
|
|
|
+
|
|
|
+## 角色定义
|
|
|
+你是一个多模态内容评估专家，专门判断社交媒体帖子是否属于"内容知识"类别。
|
|
|
+
|
|
|
+## 前置条件
|
|
|
+该帖子已通过知识判定，确认提供了知识。现在需要进一步判断是否属于"内容知识"。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 内容知识定义
|
|
|
+
|
|
|
+**内容知识**是指与创作/制作/设计相关的、具有实操性和可迁移性的知识，帮助创作者提升创作能力。
|
|
|
+
|
|
|
+### 内容知识的范畴
|
|
|
+- ✅ **创作原理**: 设计原理、创作逻辑、美学规律、构图法则（通用的，普适的）
|
|
|
+- ✅ **制作方法**: 操作流程、技术步骤、工具使用方法
|
|
|
+- ✅ **创意技巧**: 灵感方法、创意思路、表现手法、风格技法
|
|
|
+- ✅ **体系框架**: 完整的创作体系、方法论、思维框架
|
|
|
+- ✅ **案例提炼**: 从多个案例中总结的通用创作规律
|
|
|
+
|
|
|
+### 非内容知识（严格排除）
|
|
|
+- ❌ **单案例展示**: 仅展示单个作品，无方法论提炼
|
|
|
+- ❌ **作品集合**: 纯作品展示集合，无创作方法讲解
|
|
|
+- ❌ **单点元素**: 只展示配色/字体/素材，无使用方法
|
|
|
+- ❌ **单次操作**: 只讲某个项目的特定操作，无通用性
|
|
|
+- ❌ **非创作领域**: 健康、财经、生活、科普等非创作制作领域的知识
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输入信息
|
|
|
+- **标题**: [帖子标题]
|
|
|
+- **正文**: [帖子正文内容]
|
|
|
+- **图片**: [图片描述/内容]
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 判断流程
|
|
|
+
|
|
|
+### 第一步: 快速排除判断（任一为"是"则判定为非内容知识）
|
|
|
+
|
|
|
+1. 标题是否为纯展示型？（"我的XX作品"、"今天做了XX"、"作品分享"）
|
|
|
+2. 图片是否全为作品展示，无任何方法/原理/步骤说明？
|
|
|
+3. 是否只讲单个项目的特定操作，完全无通用性？
|
|
|
+4. 是否为纯元素展示，无创作方法？（仅展示配色、字体、素材）
|
|
|
+
|
|
|
+**排除判定**: □ 是（判定为非内容知识） / □ 否（继续评估）
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 第二步: 分层打分评估（满分100分）
|
|
|
+
|
|
|
+## 🖼️ 图片层评估（权重70%，满分70分）
|
|
|
+
|
|
|
+> **说明**: 社交媒体以图片为主要信息载体，图片层是核心判断依据
|
|
|
+
|
|
|
+#### 维度1: 创作方法呈现（20分）
|
|
|
+**评分依据**: 图片是否清晰展示了具体的创作/制作方法、技巧、技法
|
|
|
+
|
|
|
+- **20分**: 图片详细展示≥3个具体可操作的创作方法/技巧，有明确的操作指引
|
|
|
+- **15分**: 图片展示2个创作方法，方法较为具体
|
|
|
+- **10分**: 图片展示1个创作方法，但不够详细
|
|
|
+- **5分**: 图片暗示有方法，但未明确展示
|
|
|
+- **0分**: 图片无任何方法展示，纯作品呈现
|
|
|
+
|
|
|
+**得分**: __/20
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度2: 知识体系化程度（15分）
|
|
|
+**评分依据**: 多图是否形成完整的知识体系或逻辑链条
|
|
|
+
|
|
|
+- **15分**: 多图形成完整体系（步骤1→2→3，或原理→方法→案例），逻辑清晰
|
|
|
+- **12分**: 多图有知识关联性，形成部分体系
|
|
|
+- **8分**: 多图展示多个知识点，但关联性弱
|
|
|
+- **4分**: 多图仅为同类案例堆砌，无体系
|
|
|
+- **0分**: 单图或多图无逻辑关联
|
|
|
+
|
|
|
+**得分**: __/15
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度3: 教学性标注与说明（15分）
|
|
|
+**评分依据**: 图片是否包含教学性的视觉元素（标注、序号、箭头、文字说明）
|
|
|
+
|
|
|
+- **15分**: 大量教学标注（序号、箭头、高亮、文字说明、对比标记等），清晰易懂
|
|
|
+- **12分**: 有明显的教学标注，但不够完善
|
|
|
+- **8分**: 有少量标注或说明
|
|
|
+- **4分**: 仅有简单文字，无视觉教学元素
|
|
|
+- **0分**: 无任何教学标注，纯视觉展示
|
|
|
+
|
|
|
+**得分**: __/15
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度4: 方法可复用性（10分）
|
|
|
+**评分依据**: 图片展示的方法是否可迁移到其他创作场景/项目
|
|
|
+
|
|
|
+- **10分**: 明确展示通用方法，可应用于多种场景（配公式/模板/框架）
|
|
|
+- **8分**: 方法有一定通用性，可迁移到类似场景
|
|
|
+- **5分**: 方法通用性一般，需要改造才能应用
|
|
|
+- **2分**: 方法仅适用于特定项目
|
|
|
+- **0分**: 无可复用方法
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度5: 原理与案例结合（10分）
|
|
|
+**评分依据**: 图片是否将创作原理与实际案例有效结合
|
|
|
+
|
|
|
+- **10分**: 原理+多案例验证，清晰展示原理如何应用
|
|
|
+- **8分**: 原理+案例，有一定结合
|
|
|
+- **5分**: 有原理或有案例，但结合不够
|
|
|
+- **2分**: 仅有案例，无原理提炼
|
|
|
+- **0分**: 纯案例展示或纯理论
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**🖼️ 图片层总分**: __/70
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 📝 正文层评估（权重20%，满分20分）
|
|
|
+
|
|
|
+> **说明**: 正文作为辅助判断，补充图片未完整呈现的知识信息
|
|
|
+
|
|
|
+#### 维度6: 方法/步骤描述（10分）
|
|
|
+**评分依据**: 正文是否描述了具体的创作方法或操作步骤
|
|
|
+
|
|
|
+- **10分**: 有完整的步骤描述（≥3步）或详细的方法说明
|
|
|
+- **7分**: 有步骤或方法描述，但不够系统
|
|
|
+- **4分**: 有零散的方法提及
|
|
|
+- **0分**: 无方法/步骤，纯叙事或展示性文字
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度7: 知识总结与提炼（10分）
|
|
|
+**评分依据**: 正文是否对创作经验/规律进行总结提炼
|
|
|
+
|
|
|
+- **10分**: 有明确的知识总结、归纳、框架化输出
|
|
|
+- **7分**: 有一定的经验总结或要点提炼
|
|
|
+- **4分**: 有零散的心得，但未成体系
|
|
|
+- **0分**: 无任何知识提炼
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**📝 正文层总分**: __/20
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 🏷️ 标题层评估（权重10%，满分10分）
|
|
|
+
|
|
|
+> **说明**: 标题作为内容导向，辅助判断内容主题
|
|
|
+
|
|
|
+#### 维度8: 标题内容指向性（10分）
|
|
|
+**评分依据**: 标题是否明确指向创作/制作相关的知识内容
|
|
|
+
|
|
|
+- **10分**: 标题明确包含方法/教程/技巧/原理类词汇（"XX教程"、"XX技巧"、"如何XX"、"XX方法"）
|
|
|
+- **7分**: 标题包含整理型词汇（"合集"、"总结"、"分享XX方法"）
|
|
|
+- **4分**: 描述性标题，暗示有创作知识
|
|
|
+- **0分**: 纯展示型标题（"我的作品"、"今天做了XX"）或与创作无关
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**🏷️标题层总分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 第三步: 综合评分与判定
|
|
|
+
|
|
|
+**总分计算**:
|
|
|
+总分 = 图片层总分(70分) + 正文层总分(20分) + 标题层总分(10分)
|
|
|
+
|
|
|
+**最终得分**: __/100分
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**判定等级**:
|
|
|
+- **85-100分**: ⭐⭐⭐⭐⭐ 优质内容知识 - 强烈符合
|
|
|
+- **70-84分**: ⭐⭐⭐⭐ 良好内容知识 - 符合
|
|
|
+- **55-69分**: ⭐⭐⭐ 基础内容知识 - 基本符合
|
|
|
+- **40-54分**: ⭐⭐ 弱内容知识 - 不太符合
|
|
|
+- **0-39分**: ⭐ 非内容知识 - 不符合
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输出格式（JSON）
|
|
|
+```json
|
|
|
+{
|
|
|
+ "is_knowledge": true/false,
|
|
|
+ "quick_exclude": {
|
|
|
+ "result": "通过/排除",
|
|
|
+ "reason": "快速排除判定理由"
|
|
|
+ },
|
|
|
+ "title_layer": {
|
|
|
+ "has_knowledge_direction": true/false,
|
|
|
+ "reason": "标题层判断理由"
|
|
|
+ },
|
|
|
+ "image_layer": {
|
|
|
+ "knowledge_presentation": {
|
|
|
+ "match": true/false,
|
|
|
+ "reason": "图片是否呈现知识"
|
|
|
+ },
|
|
|
+ "educational_value": {
|
|
|
+ "has_value": true/false,
|
|
|
+ "reason": "是否有教学价值"
|
|
|
+ },
|
|
|
+ "structure_level": {
|
|
|
+ "structured": true/false,
|
|
|
+ "reason": "结构化程度"
|
|
|
+ },
|
|
|
+ "practicality": {
|
|
|
+ "practical": true/false,
|
|
|
+ "reason": "实用性评估"
|
|
|
+ },
|
|
|
+ "information_density": {
|
|
|
+ "level": "高/中/低",
|
|
|
+ "reason": "信息密度判断"
|
|
|
+ },
|
|
|
+ "overall": "传递知识/纯展示/其他"
|
|
|
+ },
|
|
|
+ "text_layer": {
|
|
|
+ "information_gain": {
|
|
|
+ "has_gain": true/false,
|
|
|
+ "reason": "是否有信息增量"
|
|
|
+ },
|
|
|
+ "verifiability": {
|
|
|
+ "verifiable": true/false,
|
|
|
+ "reason": "可验证性"
|
|
|
+ },
|
|
|
+ "knowledge_type": {
|
|
|
+ "type": "方法性知识/应用性知识/原理性知识等",
|
|
|
+ "reason": "知识类型判断"
|
|
|
+ },
|
|
|
+ "overall": "有知识支撑/无知识支撑"
|
|
|
+ },
|
|
|
+ "judgment_logic": "综合判定逻辑说明（2-3句话）",
|
|
|
+ "core_evidence": [
|
|
|
+ "证据1：从图片/正文/标题中提取的关键证据",
|
|
|
+ "证据2：...",
|
|
|
+ "证据3：..."
|
|
|
+ ],
|
|
|
+ "issues": [
|
|
|
+ "问题1：存在的不足或疑虑",
|
|
|
+ "问题2：..."
|
|
|
+ ],
|
|
|
+ "conclusion": "结论陈述（2-3句话说明判定结果和核心理由）"
|
|
|
+}
|
|
|
+```
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 判断原则
|
|
|
+1. **图片主导原则**: 图片占70%权重，是核心判断依据；标题和正文为辅助
|
|
|
+2. **创作领域限定**: 必须属于创作/制作/设计领域，其他领域知识不属于内容知识
|
|
|
+3. **方法优先原则**: 重点评估是否提供了可操作的创作方法，而非纯作品展示
|
|
|
+4. **通用性要求**: 优先考虑方法的可复用性和可迁移性
|
|
|
+5. **严格性原则**: 宁可误判为"非内容知识"，也不放过纯展示型内容
|
|
|
+6. **证据性原则**: 评分需基于明确的视觉和文本证据，可量化衡量
|
|
|
+"""
|
|
|
+
|
|
|
+# Prompt1: 知识判定 - User部分(帖子数据)
|
|
|
+USER_TEMPLATE1_IS_KNOWLEDGE = """请评估以下帖子是否为知识内容：
|
|
|
+
|
|
|
+**标题**: {title}
|
|
|
+**正文**: {body_text}
|
|
|
+**图片**: {num_images}张（图片内容见下方）
|
|
|
+"""
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Prompt2: 内容知识评估 - 拆分为System和User
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+SYSTEM_PROMPT2_CONTENT_KNOWLEDGE = """## 角色定义
|
|
|
+你是一个多模态内容评估专家，专门判断社交媒体帖子是否属于"内容知识"类别。
|
|
|
+
|
|
|
+## 前置条件
|
|
|
+该帖子已通过知识判定，确认提供了知识。现在需要进一步判断是否属于"内容知识"。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 内容知识的底层定义
|
|
|
+
|
|
|
+**内容知识**：关于社交媒体内容创作与制作的通识性、原理性知识，帮助创作者策划、生产、优化和传播优质内容。
|
|
|
+
|
|
|
+### 核心特征
|
|
|
+1. **领域特定性**：专注于社交媒体内容本身的创作与制作
|
|
|
+2. **通识性**：跨平台、跨领域适用的内容创作原理和方法
|
|
|
+3. **原理性**：不仅是操作步骤，更包含背后的逻辑和原理
|
|
|
+4. **可迁移性**：方法可应用于不同类型的社交媒体内容创作
|
|
|
+
|
|
|
+### 内容知识的完整范畴
|
|
|
+
|
|
|
+#### 1️⃣ 内容策划层
|
|
|
+- **选题方法**：如何找选题、选题原理、热点捕捉、用户需求分析
|
|
|
+- **内容定位**：账号定位、人设打造、差异化策略
|
|
|
+- **结构设计**：内容框架、故事结构、信息组织方式
|
|
|
+- **创意方法**：创意思路、脑暴方法、灵感来源
|
|
|
+
|
|
|
+#### 2️⃣ 内容制作层
|
|
|
+- **文案创作**：标题技巧、正文写作、文案公式、钩子设计、情绪调动
|
|
|
+- **视觉呈现**：封面设计原理、排版方法、配色技巧（用于内容呈现的）
|
|
|
+- **视频制作**：脚本结构、拍摄技巧、镜头语言、剪辑节奏、转场方法
|
|
|
+- **多模态组合**：图文配合、视频+文案组合、内容形式选择
|
|
|
+
|
|
|
+#### 3️⃣ 内容优化层
|
|
|
+- **开头/钩子**：前3秒设计、开头公式、吸引注意力的方法
|
|
|
+- **节奏控制**：信息密度、节奏把控、留白技巧
|
|
|
+- **完播/完读**：提升完播率/完读率的方法和原理
|
|
|
+- **互动设计**：评论引导、互动话术、用户参与设计
|
|
|
+
|
|
|
+#### 4️⃣ 内容方法论
|
|
|
+- **创作体系**：完整的内容创作流程和体系
|
|
|
+- **底层原理**：为什么这样做有效的原理解释
|
|
|
+- **通用框架**：可复用的内容创作框架和模板
|
|
|
+- **案例提炼**：从多个案例中总结的通用规律
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 内容知识 vs 非内容知识
|
|
|
+
|
|
|
+**✅ 属于内容知识的例子**：
|
|
|
+- "小红书爆款标题的5个公式"（文案创作）
|
|
|
+- "短视频前3秒如何抓住用户"（开头设计）
|
|
|
+- "如何策划一个涨粉选题"（内容策划）
|
|
|
+- "视频节奏控制的底层逻辑"（内容优化）
|
|
|
+- "图文笔记的排版原理"（视觉呈现）
|
|
|
+- "从10个爆款视频总结的脚本结构"（方法论提炼）
|
|
|
+
|
|
|
+**❌ 不属于内容知识的例子**：
|
|
|
+- "摄影构图的三分法则"（专业摄影技能，除非用于讲解社交媒体内容拍摄）
|
|
|
+- "PS修图教程"（设计软件技能，除非用于讲解封面/配图制作）
|
|
|
+- "我的探店vlog"（单个作品展示，无创作方法）
|
|
|
+- "今天涨粉100个好开心"（个人记录，无方法论）
|
|
|
+- "健康饮食的10个建议"（其他领域知识）
|
|
|
+- "这套配色真好看"（纯元素展示，无创作方法）
|
|
|
+
|
|
|
+**⚠️ 边界情况判断**：
|
|
|
+- **专业技能类**：如果是为社交媒体内容创作服务的，属于内容知识（如"拍摄短视频的灯光布置"）；如果是纯技能教学，不属于（如"专业摄影的灯光理论"）
|
|
|
+- **工具使用类**：如果是为内容制作服务的，属于内容知识（如"剪映做转场的3种方法"）；如果是纯软件教程，不属于（如"AE粒子特效教程"）
|
|
|
+- **案例分析类**：如果从案例中提炼了内容创作方法，属于内容知识；如果只是案例展示，不属于
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 判断核心准则
|
|
|
+
|
|
|
+**问自己三个问题**：
|
|
|
+1. **这个知识是关于"如何创作社交媒体内容"的吗？**
|
|
|
+ - 是 → 可能是内容知识
|
|
|
+ - 否 → 不是内容知识
|
|
|
+
|
|
|
+2. **这个方法/原理是通识性的吗？能跨内容类型/平台应用吗？**
|
|
|
+ - 是 → 符合内容知识特征
|
|
|
+ - 否 → 可能只是单点技巧
|
|
|
+
|
|
|
+3. **看完后，创作者能用它来改进自己的内容创作吗？**
|
|
|
+ - 能 → 是内容知识
|
|
|
+ - 不能 → 不是内容知识
|
|
|
+
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输入信息
|
|
|
+- **标题**: [帖子标题]
|
|
|
+- **正文**: [帖子正文内容]
|
|
|
+- **图片**: [图片描述/内容]
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 判断流程
|
|
|
+
|
|
|
+### 第一步: 领域快速筛查
|
|
|
+
|
|
|
+**判断：内容是否属于社交媒体内容创作/制作领域？**
|
|
|
+
|
|
|
+核心判断标准：
|
|
|
+- 属于： 讲的是如何创作/制作社交媒体内容（选题、文案、拍摄、剪辑、运营等）
|
|
|
+- 属于：讲的是内容创作的原理、方法、技巧
|
|
|
+- 属于：讲的是平台运营、爆款方法、涨粉策略
|
|
|
+- 不属于：讲的是其他专业领域技能（摄影、设计、编程等），与内容创作无关
|
|
|
+- 不属于：讲的是其他行业知识（财经、健康、科普等）
|
|
|
+
|
|
|
+**判定**: □ 属于内容创作领域（继续） / □ 不属于（判定为非内容知识）
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 第二步: 快速排除判断（任一为"是"则判定为非内容知识）
|
|
|
+
|
|
|
+1. 标题是否为纯展示型？（"我的XX"、"今天拍了XX"、"作品分享"）
|
|
|
+2. 图片是否全为作品展示，无任何内容创作方法说明？
|
|
|
+3. 是否只讲单个项目/单次创作的特定操作，完全无通用性？
|
|
|
+4. 是否为纯元素/素材展示，无创作方法？（仅展示配色、字体、模板）
|
|
|
+5. 是否为其他领域的专业知识，与内容创作无关？
|
|
|
+
|
|
|
+**排除判定**: □ 是（判定为非内容知识） / □ 否（继续评估）
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 第三步: 分层打分评估（满分100分）
|
|
|
+
|
|
|
+## 🖼️ 图片层评估（权重70%，满分70分）
|
|
|
+
|
|
|
+> **说明**: 社交媒体以图片为主要信息载体，图片层是核心判断依据
|
|
|
+
|
|
|
+#### 维度1: 内容创作方法呈现（20分）
|
|
|
+**评分依据**: 图片是否清晰展示了具体的内容创作/制作方法、技巧
|
|
|
+
|
|
|
+- **20分**: 图片详细展示≥3个可操作的内容创作方法（如标题公式、脚本结构、拍摄技巧等）
|
|
|
+- **15分**: 图片展示2个内容创作方法，方法较为具体
|
|
|
+- **10分**: 图片展示1个内容创作方法，但不够详细
|
|
|
+- **5分**: 图片暗示有方法，但未明确展示
|
|
|
+- **0分**: 图片无任何方法展示，纯作品呈现
|
|
|
+
|
|
|
+**得分**: __/20
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度2: 内容知识体系化（15分）
|
|
|
+**评分依据**: 多图是否形成完整的内容创作知识体系或逻辑链条
|
|
|
+
|
|
|
+- **15分**: 多图形成完整体系（如选题→文案→制作→优化，或原理→方法→案例），逻辑清晰
|
|
|
+- **12分**: 多图有知识关联性，形成部分内容创作体系
|
|
|
+- **8分**: 多图展示多个内容创作知识点，但关联性弱
|
|
|
+- **4分**: 多图仅为同类案例堆砌，无体系
|
|
|
+- **0分**: 单图或多图无逻辑关联
|
|
|
+
|
|
|
+**得分**: __/15
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度3: 教学性标注与说明（15分）
|
|
|
+**评分依据**: 图片是否包含教学性的视觉元素（标注、序号、箭头、文字说明）
|
|
|
+
|
|
|
+- **15分**: 大量教学标注（序号、箭头、高亮、文字说明、对比标记等），清晰易懂
|
|
|
+- **12分**: 有明显的教学标注，但不够完善
|
|
|
+- **8分**: 有少量标注或说明
|
|
|
+- **4分**: 仅有简单文字，无视觉教学元素
|
|
|
+- **0分**: 无任何教学标注，纯视觉展示
|
|
|
+
|
|
|
+**得分**: __/15
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度4: 方法通识性与可迁移性（10分）
|
|
|
+**评分依据**: 图片展示的方法是否具有通识性，可迁移到不同类型的内容创作
|
|
|
+
|
|
|
+- **10分**: 明确展示通识性方法，可应用于多种内容类型/平台（配公式/框架）
|
|
|
+- **8分**: 方法有较强通识性，可迁移到类似内容
|
|
|
+- **5分**: 方法通识性一般，适用范围较窄
|
|
|
+- **2分**: 方法仅适用于特定单一场景
|
|
|
+- **0分**: 无通识性方法
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度5: 原理性深度（10分）
|
|
|
+**评分依据**: 图片是否讲解了内容创作背后的原理和逻辑，而非仅操作步骤
|
|
|
+
|
|
|
+- **10分**: 深入讲解原理（为什么这样做有效），配合方法和案例
|
|
|
+- **8分**: 有原理说明，但深度不够
|
|
|
+- **5分**: 主要是方法，略有原理提及
|
|
|
+- **2分**: 仅有操作步骤，无原理
|
|
|
+- **0分**: 纯案例展示，无原理无方法
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**🖼️ 图片层总分**: __/70
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 📝 正文层评估（权重20%，满分20分）
|
|
|
+
|
|
|
+> **说明**: 正文作为辅助判断，补充图片未完整呈现的知识信息
|
|
|
+
|
|
|
+#### 维度6: 方法/步骤描述（10分）
|
|
|
+**评分依据**: 正文是否描述了具体的内容创作方法或操作步骤
|
|
|
+
|
|
|
+- **10分**: 有完整的内容创作步骤（≥3步）或详细的方法说明
|
|
|
+- **7分**: 有步骤或方法描述，但不够系统
|
|
|
+- **4分**: 有零散的方法提及
|
|
|
+- **0分**: 无方法/步骤，纯叙事或展示性文字
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+#### 维度7: 知识总结与提炼（10分）
|
|
|
+**评分依据**: 正文是否对内容创作经验/规律进行总结提炼
|
|
|
+
|
|
|
+- **10分**: 有明确的知识总结、规律归纳、框架化输出
|
|
|
+- **7分**: 有一定的经验总结或要点提炼
|
|
|
+- **4分**: 有零散的心得，但未成体系
|
|
|
+- **0分**: 无任何知识提炼
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**📝 正文层总分**: __/20
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 🏷️ 标题层评估（权重10%，满分10分）
|
|
|
+
|
|
|
+> **说明**: 标题作为内容导向，辅助判断内容主题
|
|
|
+
|
|
|
+#### 维度8: 标题内容指向性（10分）
|
|
|
+**评分依据**: 标题是否明确指向内容创作/制作相关的知识
|
|
|
+
|
|
|
+- **10分**: 标题明确包含内容创作相关词汇（"爆款XX"、"涨粉XX"、"XX文案"、"XX脚本"、"XX选题"、"XX标题"、"如何拍/写/做XX"）
|
|
|
+- **7分**: 标题包含整理型词汇（"XX合集"、"XX技巧总结"）
|
|
|
+- **4分**: 描述性标题，暗示有内容创作知识
|
|
|
+- **0分**: 纯展示型标题（"我的作品"、"今天拍了XX"）或与内容创作无关
|
|
|
+
|
|
|
+**得分**: __/10
|
|
|
+---
|
|
|
+
|
|
|
+**🏷️标题层总分**: __/10
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+### 第三步: 综合评分与判定
|
|
|
+
|
|
|
+**总分计算**:
|
|
|
+总分 = 图片层总分(70分) + 正文层总分(20分) + 标题层总分(10分)
|
|
|
+
|
|
|
+**最终得分**: __/100分
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+**判定等级**:
|
|
|
+- **85-100分**: ⭐⭐⭐⭐⭐ 优质内容知识 - 强烈符合
|
|
|
+- **70-84分**: ⭐⭐⭐⭐ 良好内容知识 - 符合
|
|
|
+- **55-69分**: ⭐⭐⭐ 基础内容知识 - 基本符合
|
|
|
+- **40-54分**: ⭐⭐ 弱内容知识 - 不符合
|
|
|
+- **0-39分**: ⭐ 非内容知识 - 完全不符合
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输出格式（JSON）
|
|
|
+```json
|
|
|
+{
|
|
|
+ "is_content_knowledge": true/false,
|
|
|
+ "final_score": 0-100的整数,
|
|
|
+ "level": "⭐⭐⭐⭐⭐ 优质内容知识 / ⭐⭐⭐⭐ 良好内容知识 / ⭐⭐⭐ 基础内容知识 / ⭐⭐ 弱内容知识 / ⭐ 非内容知识",
|
|
|
+ "quick_exclude": {
|
|
|
+ "result": "是/否",
|
|
|
+ "reason": "快速排除判定理由"
|
|
|
+ },
|
|
|
+ "dimension_scores": {
|
|
|
+ "image_layer": {
|
|
|
+ "creation_method": {
|
|
|
+ "score": 0-20的整数,
|
|
|
+ "reason": "内容创作方法呈现评分依据"
|
|
|
+ },
|
|
|
+ "knowledge_system": {
|
|
|
+ "score": 0-15的整数,
|
|
|
+ "reason": "内容知识体系化评分依据"
|
|
|
+ },
|
|
|
+ "teaching_annotation": {
|
|
|
+ "score": 0-15的整数,
|
|
|
+ "reason": "教学性标注评分依据"
|
|
|
+ },
|
|
|
+ "method_reusability": {
|
|
|
+ "score": 0-10的整数,
|
|
|
+ "reason": "方法通识性评分依据"
|
|
|
+ },
|
|
|
+ "principle_case": {
|
|
|
+ "score": 0-10的整数,
|
|
|
+ "reason": "原理性深度评分依据"
|
|
|
+ },
|
|
|
+ "subtotal": 0-70的整数
|
|
|
+ },
|
|
|
+ "text_layer": {
|
|
|
+ "method_description": {
|
|
|
+ "score": 0-10的整数,
|
|
|
+ "reason": "方法/步骤描述评分依据"
|
|
|
+ },
|
|
|
+ "knowledge_summary": {
|
|
|
+ "score": 0-10的整数,
|
|
|
+ "reason": "知识总结提炼评分依据"
|
|
|
+ },
|
|
|
+ "subtotal": 0-20的整数
|
|
|
+ },
|
|
|
+ "title_layer": {
|
|
|
+ "content_direction": {
|
|
|
+ "score": 0-10的整数,
|
|
|
+ "reason": "标题内容创作指向性评分依据"
|
|
|
+ },
|
|
|
+ "subtotal": 0-10的整数
|
|
|
+ }
|
|
|
+ },
|
|
|
+ "core_evidence": [
|
|
|
+ "证据1：从图片/正文/标题中提取的关键证据",
|
|
|
+ "证据2：...",
|
|
|
+ "证据3：..."
|
|
|
+ ],
|
|
|
+ "issues": [
|
|
|
+ "问题1：存在的不足",
|
|
|
+ "问题2：..."
|
|
|
+ ],
|
|
|
+ "summary": "总结陈述（5-6句话说明判定结果和核心理由，明确指出为何属于/不属于内容知识）"
|
|
|
+}
|
|
|
+```
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 判断原则
|
|
|
+1. **图片主导原则**: 图片占70%权重，是核心判断依据；标题和正文为辅助
|
|
|
+2. **创作领域限定**: 必须属于创作/制作/设计领域，其他领域知识不属于内容知识
|
|
|
+3. **方法优先原则**: 重点评估是否提供了可操作的创作方法，而非纯作品展示
|
|
|
+4. **通用性要求**: 优先考虑方法的可复用性和可迁移性
|
|
|
+5. **严格性原则**: 宁可误判为"非内容知识"，也不放过纯展示型内容
|
|
|
+6. **证据性原则**: 评分需基于明确的视觉和文本证据，可量化衡量
|
|
|
+"""
|
|
|
+
|
|
|
+USER_TEMPLATE2_CONTENT_KNOWLEDGE = """请评估以下帖子是否属于内容知识：
|
|
|
+
|
|
|
+**标题**: {title}
|
|
|
+**正文**: {body_text}
|
|
|
+**图片**: {num_images}张（图片内容见下方）
|
|
|
+"""
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Prompt3: 目的性匹配评估 - 拆分为System和User
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+SYSTEM_PROMPT3_PURPOSE_MATCH = """
|
|
|
+
|
|
|
+# Prompt 1: 多模态内容目的动机匹配评估
|
|
|
+
|
|
|
+## 角色定义
|
|
|
+你是一位专业的多模态内容评估专家，擅长分析社交媒体UGC平台帖子的**目的动机匹配度**，能够精准判断帖子是否满足用户的核心意图。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 任务说明
|
|
|
+你将收到一个**原始搜索需求**和一条**多模态帖子**（包含图片、标题、正文）
|
|
|
+请**仅评估目的动机维度**的匹配度，输出0-100分的量化得分。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输入格式
|
|
|
+
|
|
|
+**原始搜索需求：**
|
|
|
+[用户的搜索查询词/需求描述]
|
|
|
+
|
|
|
+**多模态帖子内容：**
|
|
|
+- **图片：** [图片内容描述或实际图片]
|
|
|
+- **标题：** [帖子标题]
|
|
|
+- **正文：** [帖子正文内容]
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估维度：目的动机匹配
|
|
|
+
|
|
|
+### 核心评估逻辑
|
|
|
+
|
|
|
+**目的动机 = 用户想做什么 = 核心动词/意图**
|
|
|
+
|
|
|
+常见动机类型：
|
|
|
+- **获取型**：寻找、下载、收藏、获取
|
|
|
+- **学习型**：教程、学习、了解、掌握
|
|
|
+- **决策型**：推荐、对比、评测、选择
|
|
|
+- **创作型**：拍摄、制作、设计、生成
|
|
|
+- **分享型**：晒单、记录、分享、展示
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估流程
|
|
|
+
|
|
|
+### 第一步：识别原始需求的核心动机
|
|
|
+- 提取**核心动词**（如果是纯名词短语，识别隐含意图）
|
|
|
+- 判断用户的**最终目的**是什么
|
|
|
+
|
|
|
+### 第二步：分析帖子提供的价值（重点看图片）
|
|
|
+
|
|
|
+**图片分析（权重70%）：**
|
|
|
+- 图片展示的是什么类型的内容？
|
|
|
+- 图片是否直接解答了需求的目的？
|
|
|
+- 图片的信息完整度和实用性如何？
|
|
|
+
|
|
|
+**标题分析（权重15%）：**
|
|
|
+- 标题是否明确了内容的目的？
|
|
|
+
|
|
|
+**正文分析（权重15%）：**
|
|
|
+- 正文是否提供了实质性的解答内容？
|
|
|
+
|
|
|
+### 第三步：判断目的匹配度
|
|
|
+- 帖子是否**实质性地满足**了需求的动机？
|
|
|
+- 内容是否**实用、完整、可执行**？
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评分标准（0-100分）
|
|
|
+
|
|
|
+### 高度匹配区间
|
|
|
+
|
|
|
+**90-100分：完全满足动机，内容实用完整**
|
|
|
+- 图片直接展示解决方案/教程步骤/对比结果
|
|
|
+- 内容完整、清晰、可直接使用
|
|
|
+- 例：需求"如何拍摄夜景" vs 图片展示完整的夜景拍摄参数设置和效果对比
|
|
|
+
|
|
|
+**75-89分：基本满足动机，信息较全面**
|
|
|
+- 图片提供了核心解答内容
|
|
|
+- 信息相对完整但深度略有不足
|
|
|
+- 例：需求"推荐旅行路线" vs 图片展示了路线图但缺少详细说明
|
|
|
+
|
|
|
+**60-74分：部分满足动机，有参考价值**
|
|
|
+- 图片提供了相关内容但不够直接
|
|
|
+- 需要结合文字才能理解完整意图
|
|
|
+
|
|
|
+### 中度相关区间
|
|
|
+
|
|
|
+**40-59分：弱相关，核心目的未充分满足**
|
|
|
+- 图片内容与动机有关联但不是直接解答
|
|
|
+- 实用性较低
|
|
|
+- 例：需求"如何拍摄" vs 图片只展示成品照片，无教程内容
|
|
|
+
|
|
|
+
|
|
|
+### 不相关/负向区间
|
|
|
+
|
|
|
+**20-39分：微弱关联，基本未解答**
|
|
|
+- 图片仅有外围相关性
|
|
|
+- 对满足需求帮助极小
|
|
|
+
|
|
|
+**1-19分：几乎无关**
|
|
|
+- 图片与需求动机关联极弱
|
|
|
+
|
|
|
+**0分：完全不相关**
|
|
|
+- 图片与需求动机无任何关联
|
|
|
+
|
|
|
+**负分不使用**（目的动机维度不设负分）
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输出格式（JSON）
|
|
|
+```json
|
|
|
+{
|
|
|
+ "purpose_score": 0-100的整数,
|
|
|
+ "core_motivation": "识别出的用户意图（一句话）",
|
|
|
+ "image_value": "图片展示了什么，如何满足动机",
|
|
|
+ "title_intention": "标题说明了什么",
|
|
|
+ "text_content": "正文是否有实质解答",
|
|
|
+ "match_level": "完全匹配/高度匹配/基本匹配/弱匹配/不匹配",
|
|
|
+ "core_basis": "为什么给这个分数（100字以内）"
|
|
|
+}
|
|
|
+```
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估原则
|
|
|
+
|
|
|
+1. **图片优先**：图片权重70%，是判断的主要依据
|
|
|
+2. **实用导向**：不看表面相关，看实际解答程度
|
|
|
+3. **严格标准**：宁可低估，避免虚高
|
|
|
+4. **客观量化**：基于可观察的内容特征打分
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 特别注意
|
|
|
+
|
|
|
+- 本评估**只关注目的动机维度**，不考虑品类是否匹配
|
|
|
+- 输出的分数必须是**0-100的整数**
|
|
|
+- 不要自行计算综合分数，只输出目的动机分数
|
|
|
+- 评分依据要具体、可验证
|
|
|
+
|
|
|
+"""
|
|
|
+
|
|
|
+USER_TEMPLATE3_PURPOSE_MATCH = """请评估以下帖子与用户需求的目的性匹配度：
|
|
|
+
|
|
|
+**原始搜索词**: {original_query}
|
|
|
+**帖子标题**: {title}
|
|
|
+**帖子正文**: {body_text}
|
|
|
+**图片**: {num_images}张（图片内容见下方）
|
|
|
+"""
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Prompt4: 品类匹配评估 - 拆分为System和User
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+SYSTEM_PROMPT4_CATEGORY_MATCH = """# Prompt 2: 多模态内容品类匹配评估
|
|
|
+
|
|
|
+## 角色定义
|
|
|
+你是一位专业的多模态内容评估专家，擅长分析社交媒体UGC平台帖子的**品类匹配度**
|
|
|
+能够精准判断帖子的内容主体是否与用户需求一致。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 任务说明
|
|
|
+你将收到一个**原始搜索需求**和一条**多模态帖子**（包含图片、标题、正文），请**仅评估品类维度**的匹配度，输出0-100分的量化得分。
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输入格式
|
|
|
+
|
|
|
+**原始搜索需求：**
|
|
|
+[用户的搜索查询词/需求描述]
|
|
|
+
|
|
|
+**多模态帖子内容：**
|
|
|
+- **图片：** [图片内容描述或实际图片]
|
|
|
+- **标题：** [帖子标题]
|
|
|
+- **正文：** [帖子正文内容]
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估维度：品类匹配
|
|
|
+
|
|
|
+### 核心评估逻辑
|
|
|
+
|
|
|
+**品类 = 核心主体（名词）+ 限定词**
|
|
|
+
|
|
|
+- **核心主体**：具体的内容对象（风光摄影、旅行攻略、美食推荐）
|
|
|
+- **限定词**：
|
|
|
+ - 地域：川西、成都、日本
|
|
|
+ - 时间：秋季、夏天、2024
|
|
|
+ - 类型：免费、高清、入门级
|
|
|
+ - 风格：小清新、复古、简约
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估流程
|
|
|
+
|
|
|
+### 第一步：提取原始需求的品类信息
|
|
|
+- 识别**核心主体名词**
|
|
|
+- 识别**关键限定词**（地域/时间/类型/风格等）
|
|
|
+
|
|
|
+### 第二步：从帖子中提取品类信息（重点看图片）
|
|
|
+
|
|
|
+**图片识别（权重70%）：**
|
|
|
+- 图片展示的核心主体是什么？
|
|
|
+- 图片中可识别的限定特征（地域标志、季节特征、类型属性、风格特点）
|
|
|
+
|
|
|
+**标题提取（权重15%）：**
|
|
|
+- 标题明确的品类名词和限定词
|
|
|
+
|
|
|
+**正文提取（权重15%）：**
|
|
|
+- 正文描述的品类信息
|
|
|
+
|
|
|
+### 第三步：对比匹配度
|
|
|
+- 核心主体是否一致？
|
|
|
+- 限定词匹配了几个？
|
|
|
+- 是否存在泛化或偏移？
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评分标准（0-100分）
|
|
|
+
|
|
|
+### 高度匹配区间
|
|
|
+
|
|
|
+**90-100分：核心主体+关键限定词完全匹配**
|
|
|
+- 图片展示的主体与需求精准一致
|
|
|
+- 关键限定词全部匹配（地域、时间、类型等）
|
|
|
+- 例：需求"川西秋季风光" vs 图片展示川西秋季风景
|
|
|
+
|
|
|
+**75-89分：核心主体匹配，限定词匹配度百分之80**
|
|
|
+- 图片主体一致
|
|
|
+- 存在1-2个限定词缺失但不影响核心匹配
|
|
|
+- 例：需求"川西秋季风光" vs 图片展示川西风光（缺秋季）
|
|
|
+
|
|
|
+**60-74分：核心主体匹配，限定词匹配度百分之60**
|
|
|
+- 图片主体在同一大类
|
|
|
+- 限定词部分匹配或有合理上下位关系
|
|
|
+- 例：需求"川西秋季风光" vs 图片展示四川风光
|
|
|
+
|
|
|
+### 中度相关区间
|
|
|
+
|
|
|
+**40-59分：核心主体匹配，限定词完全不匹配**
|
|
|
+- 图片主体相同但上下文不同
|
|
|
+- 限定词严重缺失或不匹配
|
|
|
+- 例：需求"猫咪表情包梗图" vs 女孩表情包
|
|
|
+
|
|
|
+### 不相关/负向区间
|
|
|
+
|
|
|
+**20-39分：主体过度泛化**
|
|
|
+- 图片主体是通用概念，需求是特定概念
|
|
|
+- 仅有抽象类别相似
|
|
|
+- 例：需求"川西旅行攻略" vs 图片展示普通旅行场景
|
|
|
+
|
|
|
+**1-19分：品类关联极弱**
|
|
|
+- 图片主体与需求差异明显
|
|
|
+
|
|
|
+**0分：品类完全不同**
|
|
|
+- 图片主体类别完全不同
|
|
|
+- 例：需求"风光摄影" vs 图片展示美食
|
|
|
+
|
|
|
+**负分不使用**（品类维度不设负分）
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 输出格式（JSON）
|
|
|
+```json
|
|
|
+{
|
|
|
+ "category_score": 0-100的整数,
|
|
|
+ "original_category_analysis": {
|
|
|
+ "核心主体": "提取的主体名词",
|
|
|
+ "关键限定词": ["限定词1", "限定词2"]
|
|
|
+ },
|
|
|
+ "actual_category": {
|
|
|
+ "图片主体": "图片展示的核心主体",
|
|
|
+ "图片限定特征": ["从图片识别的限定词"],
|
|
|
+ "标题品类": "标题提及的品类",
|
|
|
+ "正文品类": "正文描述的品类"
|
|
|
+ },
|
|
|
+ "match_level": "完全匹配/高度匹配/基本匹配/弱匹配/不匹配",
|
|
|
+ "category_match_analysis": {
|
|
|
+ "主体匹配情况": "主体是否一致",
|
|
|
+ "限定词匹配情况": "哪些限定词匹配/缺失"
|
|
|
+ },
|
|
|
+ "core_basis": "为什么给这个分数（100字以内）"
|
|
|
+}
|
|
|
+```
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 评估原则
|
|
|
+
|
|
|
+1. **图片优先**：图片权重70%，是判断的主要依据
|
|
|
+2. **表面匹配**：只看实际展示的内容，禁止推测联想
|
|
|
+3. **通用≠特定**：通用概念不等于特定概念，需明确区分
|
|
|
+4. **严格标准**：宁可低估，避免虚高
|
|
|
+5. **客观量化**：基于可观察的视觉特征和文字信息打分
|
|
|
+
|
|
|
+---
|
|
|
+
|
|
|
+## 特别注意
|
|
|
+
|
|
|
+- 本评估**只关注品类维度**，不考虑目的是否匹配
|
|
|
+- 输出的分数必须是**0-100的整数**
|
|
|
+- 不要自行计算综合分数，只输出品类分数
|
|
|
+- 禁止因为"可能相关"就给分，必须有明确视觉证据
|
|
|
+
|
|
|
+---
|
|
|
+"""
|
|
|
+
|
|
|
+USER_TEMPLATE4_CATEGORY_MATCH = """请评估以下帖子与用户需求的品类匹配度：
|
|
|
+
|
|
|
+**原始搜索词**: {original_query}
|
|
|
+**帖子标题**: {title}
|
|
|
+**帖子正文**: {body_text}
|
|
|
+**图片**: {num_images}张（图片内容见下方）
|
|
|
+"""
|
|
|
+
|
|
|
+
|
|
|
+# 为了向后兼容，保留原始导入
|
|
|
+from post_evaluator_v3 import (
|
|
|
+ PROMPT1_IS_KNOWLEDGE,
|
|
|
+ PROMPT2_IS_CONTENT_KNOWLEDGE,
|
|
|
+ PROMPT3_PURPOSE_MATCH,
|
|
|
+ PROMPT4_CATEGORY_MATCH
|
|
|
+)
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Gemini Client
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+class GeminiClient:
|
|
|
+ """Gemini API客户端 - 使用LangChain ChatGoogleGenerativeAI"""
|
|
|
+
|
|
|
+ def __init__(self, api_key: str = GEMINI_API_KEY, model_name: str = GEMINI_MODEL_NAME):
|
|
|
+ self.api_key = api_key
|
|
|
+ self.model_name = model_name
|
|
|
+
|
|
|
+ def create_model(self) -> ChatGoogleGenerativeAI:
|
|
|
+ """创建Gemini模型实例(LangChain)"""
|
|
|
+ return ChatGoogleGenerativeAI(
|
|
|
+ model=self.model_name,
|
|
|
+ google_api_key=self.api_key,
|
|
|
+ temperature=0.1,
|
|
|
+ # 配置返回JSON格式
|
|
|
+ model_kwargs={
|
|
|
+ "response_mime_type": "application/json"
|
|
|
+ }
|
|
|
+ )
|
|
|
+
|
|
|
+ async def generate_content(
|
|
|
+ self,
|
|
|
+ prompt_text: str = None,
|
|
|
+ media_files: Optional[List[Any]] = None,
|
|
|
+ max_retries: int = MAX_RETRIES,
|
|
|
+ system_prompt: str = None,
|
|
|
+ user_prompt: str = None
|
|
|
+ ) -> dict:
|
|
|
+ """
|
|
|
+ 调用Gemini API生成内容 (支持SystemMessage + HumanMessage)
|
|
|
+
|
|
|
+ Args:
|
|
|
+ prompt_text: Prompt文本(旧格式,向后兼容)
|
|
|
+ media_files: 媒体文件列表 (base64 data URL字典或视频File对象)
|
|
|
+ max_retries: 最大重试次数
|
|
|
+ system_prompt: System Prompt(新格式 - 评估规则)
|
|
|
+ user_prompt: User Prompt(新格式 - 帖子数据)
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ 解析后的JSON响应
|
|
|
+ """
|
|
|
+ # 构建messages列表
|
|
|
+ messages = []
|
|
|
+
|
|
|
+ # 如果提供了system_prompt和user_prompt,使用新格式
|
|
|
+ if system_prompt and user_prompt:
|
|
|
+ # System Message
|
|
|
+ messages.append(SystemMessage(content=system_prompt))
|
|
|
+
|
|
|
+ # Human Message (用户内容 + 图片)
|
|
|
+ human_content = [{"type": "text", "text": user_prompt}]
|
|
|
+ if media_files:
|
|
|
+ human_content.extend(media_files)
|
|
|
+ messages.append(HumanMessage(content=human_content))
|
|
|
+
|
|
|
+ # 否则使用旧格式(向后兼容)
|
|
|
+ else:
|
|
|
+ content = []
|
|
|
+ # 添加文本
|
|
|
+ content.append({"type": "text", "text": prompt_text or ""})
|
|
|
+
|
|
|
+ # 添加媒体文件
|
|
|
+ if media_files:
|
|
|
+ content.extend(media_files)
|
|
|
+ messages.append(HumanMessage(content=content))
|
|
|
+
|
|
|
+ # 打印调试信息
|
|
|
+ if media_files:
|
|
|
+ print(f" 🔍 传递给Gemini: {len(media_files)}个媒体文件")
|
|
|
+ for i, media in enumerate(media_files[:3]):
|
|
|
+ if isinstance(media, dict) and media.get("type") == "image_url":
|
|
|
+ data_url = media.get("image_url", {}).get("url", "")
|
|
|
+ print(f" 📸 图片[{i}]: Base64 data URL ({len(data_url)}字符)")
|
|
|
+ else:
|
|
|
+ print(f" 🎥 视频[{i}]: {type(media).__name__}")
|
|
|
+ else:
|
|
|
+ print(f" ⚠️ 无媒体文件传递给Gemini（仅文本）")
|
|
|
+
|
|
|
+ print(f" 💬 Messages: {len(messages)} ({['System' if 'SystemMessage' in str(type(m)) else 'Human' for m in messages]})")
|
|
|
+
|
|
|
+ # 创建模型
|
|
|
+ model = self.create_model()
|
|
|
+
|
|
|
+ for attempt in range(max_retries + 1):
|
|
|
+ try:
|
|
|
+ # 调用模型
|
|
|
+ loop = asyncio.get_event_loop()
|
|
|
+ response = await loop.run_in_executor(
|
|
|
+ None,
|
|
|
+ lambda: model.invoke(messages)
|
|
|
+ )
|
|
|
+
|
|
|
+ # 解析JSON响应
|
|
|
+ response_text = response.content.strip()
|
|
|
+ response_text = self._clean_json_response(response_text)
|
|
|
+ return json.loads(response_text)
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ error_msg = str(e)
|
|
|
+ print(f" ❌ Gemini API错误详情: {error_msg[:200]}")
|
|
|
+ if "image" in error_msg.lower() or "media" in error_msg.lower():
|
|
|
+ print(f" ⚠️ 可能是图片/媒体访问问题")
|
|
|
+
|
|
|
+ if attempt < max_retries:
|
|
|
+ wait_time = RETRY_WAIT_SECONDS * (attempt + 1)
|
|
|
+ print(f" ⏳ {wait_time}秒后重试 (第{attempt + 1}/{max_retries}次)")
|
|
|
+ await asyncio.sleep(wait_time)
|
|
|
+ else:
|
|
|
+ raise Exception(f"Gemini API调用失败: {error_msg}")
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ def _clean_json_response(text: str) -> str:
|
|
|
+ """清理JSON响应"""
|
|
|
+ text = text.strip()
|
|
|
+ if text.startswith("```json"):
|
|
|
+ text = text[7:]
|
|
|
+ elif text.startswith("```"):
|
|
|
+ text = text[3:]
|
|
|
+ if text.endswith("```"):
|
|
|
+ text = text[:-3]
|
|
|
+ return text.strip()
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Video Uploader
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+class VideoUploader:
|
|
|
+ """视频上传处理器"""
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ async def upload_video(video_url: str) -> tuple[Optional[Any], Optional[str], Optional[str]]:
|
|
|
+ """
|
|
|
+ 上传视频到Gemini
|
|
|
+
|
|
|
+ Args:
|
|
|
+ video_url: 视频URL
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ (video_file, video_uri, temp_path)
|
|
|
+ """
|
|
|
+ import requests
|
|
|
+
|
|
|
+ # 下载视频到临时文件
|
|
|
+ temp_fd, temp_path = tempfile.mkstemp(suffix=".mp4", prefix="eval_video_")
|
|
|
+ os.close(temp_fd)
|
|
|
+
|
|
|
+ try:
|
|
|
+ print(f" 📥 下载视频: {video_url[:60]}...")
|
|
|
+
|
|
|
+ # 下载
|
|
|
+ loop = asyncio.get_event_loop()
|
|
|
+ response = await loop.run_in_executor(
|
|
|
+ None,
|
|
|
+ lambda: requests.get(video_url, timeout=120, stream=True)
|
|
|
+ )
|
|
|
+ response.raise_for_status()
|
|
|
+
|
|
|
+ with open(temp_path, 'wb') as f:
|
|
|
+ for chunk in response.iter_content(chunk_size=8192):
|
|
|
+ if chunk:
|
|
|
+ f.write(chunk)
|
|
|
+
|
|
|
+ file_size_mb = os.path.getsize(temp_path) / (1024 * 1024)
|
|
|
+ print(f" 📦 视频下载完成,大小: {file_size_mb:.2f}MB")
|
|
|
+
|
|
|
+ # 上传到Gemini
|
|
|
+ print(f" ☁️ 上传到Gemini...")
|
|
|
+ # 暂时禁用视频上传功能(genai版本冲突)
|
|
|
+ raise NotImplementedError("视频上传暂时禁用,等待修复版本冲突")
|
|
|
+ # uploaded_file = await loop.run_in_executor(
|
|
|
+ # None,
|
|
|
+ # lambda: genai.upload_file(temp_path)
|
|
|
+ # )
|
|
|
+
|
|
|
+ # 等待处理
|
|
|
+ processed_file = await VideoUploader._wait_for_processing(uploaded_file)
|
|
|
+ if not processed_file:
|
|
|
+ return None, None, temp_path
|
|
|
+
|
|
|
+ print(f" ✅ 视频上传成功: {processed_file.uri}")
|
|
|
+ return processed_file, processed_file.uri, temp_path
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ❌ 视频上传失败: {str(e)[:100]}")
|
|
|
+ return None, None, temp_path
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ async def _wait_for_processing(uploaded_file: Any) -> Optional[Any]:
|
|
|
+ """等待Gemini处理视频文件"""
|
|
|
+ start_time = time.time()
|
|
|
+ current_file = uploaded_file
|
|
|
+
|
|
|
+ loop = asyncio.get_event_loop()
|
|
|
+
|
|
|
+ while current_file.state.name == "PROCESSING":
|
|
|
+ elapsed = time.time() - start_time
|
|
|
+ if elapsed > FILE_PROCESS_TIMEOUT:
|
|
|
+ print(f" ❌ 视频处理超时: {current_file.name}")
|
|
|
+ return None
|
|
|
+
|
|
|
+ print(f" ⏳ 等待Gemini处理视频...{elapsed:.0f}s")
|
|
|
+ await asyncio.sleep(RETRY_WAIT_SECONDS)
|
|
|
+
|
|
|
+ current_file = await loop.run_in_executor(
|
|
|
+ None,
|
|
|
+ lambda: genai.get_file(current_file.name)
|
|
|
+ )
|
|
|
+
|
|
|
+ if current_file.state.name == "FAILED":
|
|
|
+ print(f" ❌ 视频处理失败: {current_file.state}")
|
|
|
+ return None
|
|
|
+
|
|
|
+ return current_file
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# Image Uploader
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+class ImageUploader:
|
|
|
+ """图片加载器 - 下载图片并转为base64 data URL(参考demo)"""
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ async def upload_images(image_urls: List[str]) -> tuple[List[Dict], List[str]]:
|
|
|
+ """
|
|
|
+ 批量下载图片并转为base64 data URL格式
|
|
|
+
|
|
|
+ Args:
|
|
|
+ image_urls: 图片URL列表
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ (image_contents, []) - 图片content字典列表和空列表(保持接口兼容)
|
|
|
+ 格式: {"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}}
|
|
|
+ """
|
|
|
+ if not image_urls:
|
|
|
+ return [], []
|
|
|
+
|
|
|
+ print(f" 📥 准备加载 {len(image_urls)} 张图片(Base64方式)...")
|
|
|
+
|
|
|
+ # 并发下载所有图片
|
|
|
+ tasks = [ImageUploader._load_single_image(url, idx) for idx, url in enumerate(image_urls)]
|
|
|
+ results = await asyncio.gather(*tasks, return_exceptions=True)
|
|
|
+
|
|
|
+ # 分离成功和失败的结果
|
|
|
+ image_contents = []
|
|
|
+
|
|
|
+ for idx, result in enumerate(results):
|
|
|
+ if isinstance(result, Exception):
|
|
|
+ print(f" ⚠️ 图片{idx}加载失败: {str(result)[:50]}")
|
|
|
+ elif result is not None:
|
|
|
+ image_contents.append(result)
|
|
|
+
|
|
|
+ print(f" ✅ 成功加载 {len(image_contents)}/{len(image_urls)} 张图片")
|
|
|
+ return image_contents, [] # 返回空列表作为temp_paths,因为不需要清理
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ async def _load_single_image(image_url: str, idx: int) -> Optional[Dict]:
|
|
|
+ """
|
|
|
+ 下载单张图片并转为base64 data URL格式
|
|
|
+
|
|
|
+ Args:
|
|
|
+ image_url: 图片URL
|
|
|
+ idx: 图片索引(用于日志)
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ 图片content字典: {"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}}
|
|
|
+ """
|
|
|
+ try:
|
|
|
+ # 下载图片到内存
|
|
|
+ loop = asyncio.get_event_loop()
|
|
|
+ response = await loop.run_in_executor(
|
|
|
+ None,
|
|
|
+ lambda: requests.get(image_url, timeout=30)
|
|
|
+ )
|
|
|
+ response.raise_for_status()
|
|
|
+
|
|
|
+ # 转换为PIL Image对象
|
|
|
+ image = Image.open(io.BytesIO(response.content))
|
|
|
+
|
|
|
+ # 转换为RGB模式(Gemini推荐)
|
|
|
+ if image.mode != 'RGB':
|
|
|
+ image = image.convert('RGB')
|
|
|
+
|
|
|
+ # 转换为PNG格式的BytesIO
|
|
|
+ buffer = io.BytesIO()
|
|
|
+ image.save(buffer, format="PNG")
|
|
|
+ image_bytes = buffer.getvalue()
|
|
|
+
|
|
|
+ # Base64编码
|
|
|
+ base64_encoded = base64.b64encode(image_bytes).decode('utf-8')
|
|
|
+ data_url = f"data:image/png;base64,{base64_encoded}"
|
|
|
+
|
|
|
+ file_size_kb = len(image_bytes) / 1024
|
|
|
+ print(f" ✓ 图片{idx}加载成功 ({file_size_kb:.1f}KB, {image.size[0]}x{image.size[1]})")
|
|
|
+
|
|
|
+ # 返回格式与demo一致
|
|
|
+ return {
|
|
|
+ "type": "image_url",
|
|
|
+ "image_url": {"url": data_url}
|
|
|
+ }
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ✗ 图片{idx}加载失败: {str(e)[:60]}")
|
|
|
+ return None
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+class PromptAdapter:
|
|
|
+ """Prompt适配器 - 根据媒体类型调整Prompt"""
|
|
|
+
|
|
|
+ @staticmethod
|
|
|
+ def adapt_prompt(prompt_template: str, post: Any, **kwargs) -> str:
|
|
|
+ """
|
|
|
+ 适配Prompt
|
|
|
+
|
|
|
+ Args:
|
|
|
+ prompt_template: Prompt模板
|
|
|
+ post: Post对象
|
|
|
+ **kwargs: 其他参数 (如original_query)
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ 适配后的Prompt
|
|
|
+ """
|
|
|
+ # 准备替换参数
|
|
|
+ params = {
|
|
|
+ "title": post.title or "",
|
|
|
+ "body_text": post.body_text or "",
|
|
|
+ }
|
|
|
+
|
|
|
+ # 媒体描述
|
|
|
+ if post.type == "video":
|
|
|
+ params["num_images"] = "1个视频"
|
|
|
+ else:
|
|
|
+ num_images = len(post.images) if post.images else 0
|
|
|
+ params["num_images"] = f"{num_images}张"
|
|
|
+
|
|
|
+ # 添加其他参数
|
|
|
+ params.update(kwargs)
|
|
|
+
|
|
|
+ return prompt_template.format(**params)
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# 缓存函数 (复用V3逻辑)
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+def _get_cache_key(note_id: str) -> str:
|
|
|
+ """生成缓存key"""
|
|
|
+ return f"{note_id}_v4.0.json"
|
|
|
+
|
|
|
+
|
|
|
+def _load_from_cache(note_id: str) -> Optional[tuple]:
|
|
|
+ """从缓存加载评估结果"""
|
|
|
+ if not ENABLE_CACHE:
|
|
|
+ return None
|
|
|
+
|
|
|
+ cache_file = os.path.join(CACHE_DIR, _get_cache_key(note_id))
|
|
|
+
|
|
|
+ if not os.path.exists(cache_file):
|
|
|
+ return None
|
|
|
+
|
|
|
+ try:
|
|
|
+ with open(cache_file, 'r', encoding='utf-8') as f:
|
|
|
+ data = json.load(f)
|
|
|
+
|
|
|
+ # 重建评估对象
|
|
|
+ knowledge_eval = None
|
|
|
+ if data.get("knowledge_eval"):
|
|
|
+ knowledge_eval = KnowledgeEvaluation(**data["knowledge_eval"])
|
|
|
+
|
|
|
+ content_eval = None
|
|
|
+ if data.get("content_eval"):
|
|
|
+ content_eval = ContentKnowledgeEvaluation(**data["content_eval"])
|
|
|
+
|
|
|
+ purpose_eval = None
|
|
|
+ if data.get("purpose_eval"):
|
|
|
+ purpose_eval = PurposeEvaluation(**data["purpose_eval"])
|
|
|
+
|
|
|
+ category_eval = None
|
|
|
+ if data.get("category_eval"):
|
|
|
+ category_eval = CategoryEvaluation(**data["category_eval"])
|
|
|
+
|
|
|
+ final_score = data.get("final_score")
|
|
|
+ match_level = data.get("match_level")
|
|
|
+
|
|
|
+ return (knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level)
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ⚠️ 缓存读取失败: {note_id} - {str(e)[:50]}")
|
|
|
+ return None
|
|
|
+
|
|
|
+
|
|
|
+def _save_to_cache(note_id: str, eval_results: tuple):
|
|
|
+ """保存评估结果到缓存"""
|
|
|
+ if not ENABLE_CACHE:
|
|
|
+ return
|
|
|
+
|
|
|
+ knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level = eval_results
|
|
|
+
|
|
|
+ os.makedirs(CACHE_DIR, exist_ok=True)
|
|
|
+
|
|
|
+ cache_data = {
|
|
|
+ "knowledge_eval": knowledge_eval.model_dump() if knowledge_eval else None,
|
|
|
+ "content_eval": content_eval.model_dump() if content_eval else None,
|
|
|
+ "purpose_eval": purpose_eval.model_dump() if purpose_eval else None,
|
|
|
+ "category_eval": category_eval.model_dump() if category_eval else None,
|
|
|
+ "final_score": final_score,
|
|
|
+ "match_level": match_level,
|
|
|
+ "cache_time": datetime.now().isoformat(),
|
|
|
+ "evaluator_version": "v4.0"
|
|
|
+ }
|
|
|
+
|
|
|
+ cache_file = os.path.join(CACHE_DIR, _get_cache_key(note_id))
|
|
|
+
|
|
|
+ try:
|
|
|
+ with open(cache_file, 'w', encoding='utf-8') as f:
|
|
|
+ json.dump(cache_data, f, ensure_ascii=False, indent=2)
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ⚠️ 缓存保存失败: {note_id} - {str(e)[:50]}")
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# LangGraph 节点函数
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+async def knowledge_node(state: EvaluationState) -> EvaluationState:
|
|
|
+ """
|
|
|
+ Node 1: 知识判断 (Prompt1)
|
|
|
+ """
|
|
|
+ post = state["post"]
|
|
|
+ semaphore = state.get("semaphore")
|
|
|
+
|
|
|
+ print(f" 📝 Step 1/4: 判断是知识...")
|
|
|
+
|
|
|
+ try:
|
|
|
+ # 准备媒体文件
|
|
|
+ media_files = []
|
|
|
+ if post.type == "video" and state.get("video_file"):
|
|
|
+ media_files = [state["video_file"]]
|
|
|
+ print(f" 📹 准备视频文件: {state.get('video_uri', 'N/A')}")
|
|
|
+ elif post.images:
|
|
|
+ # 图文帖子 - 上传图片到Gemini
|
|
|
+ image_urls = post.images[:MAX_IMAGES_PER_POST]
|
|
|
+ print(f" 📸 准备上传 {len(image_urls)} 张图片 (总共{len(post.images)}张)")
|
|
|
+
|
|
|
+ uploaded_files, temp_paths = await ImageUploader.upload_images(image_urls)
|
|
|
+ media_files = uploaded_files
|
|
|
+
|
|
|
+ # 保存临时路径到state中
|
|
|
+ if not state.get("temp_image_paths"):
|
|
|
+ state["temp_image_paths"] = []
|
|
|
+ state["temp_image_paths"].extend(temp_paths)
|
|
|
+
|
|
|
+ # ✅ 缓存图片数据，避免后续节点重复下载
|
|
|
+ state["cached_media_files"] = media_files
|
|
|
+ else:
|
|
|
+ print(f" ⚠️ 帖子无图片/视频")
|
|
|
+
|
|
|
+ # 准备System和User Prompt
|
|
|
+ user_prompt = PromptAdapter.adapt_prompt(USER_TEMPLATE1_IS_KNOWLEDGE, post)
|
|
|
+ system_prompt = SYSTEM_PROMPT1_IS_KNOWLEDGE
|
|
|
+
|
|
|
+ # 调用Gemini (使用新格式)
|
|
|
+ client = GeminiClient()
|
|
|
+
|
|
|
+ if semaphore:
|
|
|
+ async with semaphore:
|
|
|
+ data = await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+ else:
|
|
|
+ data = await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+
|
|
|
+ # 调试:打印返回的数据结构
|
|
|
+ print(f" 🐛 DEBUG - API返回数据: {json.dumps(data, ensure_ascii=False, indent=2)[:500]}")
|
|
|
+ print(f" 🐛 DEBUG - data keys: {list(data.keys())}")
|
|
|
+
|
|
|
+ # 解析结果
|
|
|
+ knowledge_eval = KnowledgeEvaluation(
|
|
|
+ is_knowledge=data.get("is_knowledge", False),
|
|
|
+ quick_exclude=data.get("quick_exclude", {}),
|
|
|
+ title_layer=data.get("title_layer", {}),
|
|
|
+ image_layer=data.get("image_layer", {}),
|
|
|
+ text_layer=data.get("text_layer", {}),
|
|
|
+ judgment_logic=data.get("judgment_logic", ""),
|
|
|
+ core_evidence=data.get("core_evidence", []),
|
|
|
+ issues=data.get("issues", []),
|
|
|
+ conclusion=data.get("conclusion", "")
|
|
|
+ )
|
|
|
+
|
|
|
+ state["knowledge_eval"] = knowledge_eval
|
|
|
+
|
|
|
+ # 判断是否继续
|
|
|
+ if not knowledge_eval.is_knowledge:
|
|
|
+ print(f" ⊗ 非知识内容,停止后续评估")
|
|
|
+ state["should_continue"] = False
|
|
|
+ else:
|
|
|
+ print(f" ✅ Step 1: 是知识内容")
|
|
|
+ state["should_continue"] = True
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ❌ Prompt1评估失败: {str(e)[:100]}")
|
|
|
+ state["error"] = str(e)
|
|
|
+ state["should_continue"] = False
|
|
|
+
|
|
|
+ return state
|
|
|
+
|
|
|
+
|
|
|
+async def content_knowledge_node(state: EvaluationState) -> EvaluationState:
|
|
|
+ """
|
|
|
+ Node 2: 内容知识判断 (Prompt2)
|
|
|
+ """
|
|
|
+ post = state["post"]
|
|
|
+ semaphore = state.get("semaphore")
|
|
|
+
|
|
|
+ print(f" 📝 Step 2/4: 判断是否是内容知识...")
|
|
|
+
|
|
|
+ try:
|
|
|
+ # 准备媒体文件
|
|
|
+ media_files = []
|
|
|
+ if post.type == "video" and state.get("video_file"):
|
|
|
+ media_files = [state["video_file"]]
|
|
|
+ print(f" 📹 准备视频文件")
|
|
|
+ elif post.images:
|
|
|
+ # ✅ 优先使用缓存的图片，避免重复下载
|
|
|
+ if state.get("cached_media_files"):
|
|
|
+ media_files = state["cached_media_files"]
|
|
|
+ print(f" ♻️ 使用缓存图片 ({len(media_files)}张)")
|
|
|
+ else:
|
|
|
+ # 缓存不存在才下载
|
|
|
+ image_urls = post.images[:MAX_IMAGES_PER_POST]
|
|
|
+ print(f" 📸 准备上传 {len(image_urls)} 张图片 (用于内容知识评估)")
|
|
|
+
|
|
|
+ uploaded_files, temp_paths = await ImageUploader.upload_images(image_urls)
|
|
|
+ media_files = uploaded_files
|
|
|
+
|
|
|
+ # 保存临时路径到state中
|
|
|
+ if not state.get("temp_image_paths"):
|
|
|
+ state["temp_image_paths"] = []
|
|
|
+ state["temp_image_paths"].extend(temp_paths)
|
|
|
+ else:
|
|
|
+ print(f" ⚠️ 无媒体文件")
|
|
|
+
|
|
|
+ # 准备System和User Prompt
|
|
|
+ user_prompt = PromptAdapter.adapt_prompt(USER_TEMPLATE2_CONTENT_KNOWLEDGE, post)
|
|
|
+ system_prompt = SYSTEM_PROMPT2_CONTENT_KNOWLEDGE
|
|
|
+
|
|
|
+ # 调用Gemini (使用新格式)
|
|
|
+ client = GeminiClient()
|
|
|
+
|
|
|
+ if semaphore:
|
|
|
+ async with semaphore:
|
|
|
+ data = await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+ else:
|
|
|
+ data = await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+
|
|
|
+ # 解析结果
|
|
|
+ final_score = data.get("final_score", 0)
|
|
|
+ is_content_knowledge = final_score >= 55
|
|
|
+
|
|
|
+ content_eval = ContentKnowledgeEvaluation(
|
|
|
+ is_content_knowledge=is_content_knowledge,
|
|
|
+ final_score=final_score,
|
|
|
+ level=data.get("level", ""),
|
|
|
+ quick_exclude=data.get("quick_exclude", {}),
|
|
|
+ dimension_scores=data.get("dimension_scores", {}),
|
|
|
+ core_evidence=data.get("core_evidence", []),
|
|
|
+ issues=data.get("issues", []),
|
|
|
+ summary=data.get("summary", "")
|
|
|
+ )
|
|
|
+
|
|
|
+ state["content_eval"] = content_eval
|
|
|
+
|
|
|
+ # 判断是否继续
|
|
|
+ if not is_content_knowledge:
|
|
|
+ print(f" ⊗ 非内容知识,停止后续评估 (得分: {final_score})")
|
|
|
+ state["should_continue"] = False
|
|
|
+ else:
|
|
|
+ print(f" ✅ Step 2: 是内容知识 (得分: {final_score})")
|
|
|
+ state["should_continue"] = True
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ❌ Prompt2评估失败: {str(e)[:100]}")
|
|
|
+ state["error"] = str(e)
|
|
|
+ state["should_continue"] = False
|
|
|
+
|
|
|
+ return state
|
|
|
+
|
|
|
+
|
|
|
+async def parallel_match_node(state: EvaluationState) -> EvaluationState:
|
|
|
+ """
|
|
|
+ Node 3: 并行目的性和品类匹配 (Prompt3 & Prompt4)
|
|
|
+ """
|
|
|
+ post = state["post"]
|
|
|
+ original_query = state["original_query"]
|
|
|
+ semaphore = state.get("semaphore")
|
|
|
+
|
|
|
+ print(f" 📝 Step 3&4/4: 并行执行目的性和品类匹配...")
|
|
|
+
|
|
|
+ try:
|
|
|
+ # 准备媒体文件
|
|
|
+ media_files = []
|
|
|
+ if post.type == "video" and state.get("video_file"):
|
|
|
+ media_files = [state["video_file"]]
|
|
|
+ print(f" 📹 准备视频文件")
|
|
|
+ elif post.images:
|
|
|
+ # ✅ 优先使用缓存的图片，避免重复下载
|
|
|
+ if state.get("cached_media_files"):
|
|
|
+ media_files = state["cached_media_files"]
|
|
|
+ print(f" ♻️ 使用缓存图片 ({len(media_files)}张)")
|
|
|
+ else:
|
|
|
+ # 缓存不存在才下载
|
|
|
+ image_urls = post.images[:MAX_IMAGES_PER_POST]
|
|
|
+ print(f" 📸 准备上传 {len(image_urls)} 张图片 (用于目的性和品类评估)")
|
|
|
+
|
|
|
+ uploaded_files, temp_paths = await ImageUploader.upload_images(image_urls)
|
|
|
+ media_files = uploaded_files
|
|
|
+
|
|
|
+ # 保存临时路径到state中
|
|
|
+ if not state.get("temp_image_paths"):
|
|
|
+ state["temp_image_paths"] = []
|
|
|
+ state["temp_image_paths"].extend(temp_paths)
|
|
|
+ else:
|
|
|
+ print(f" ⚠️ 无媒体文件")
|
|
|
+
|
|
|
+ client = GeminiClient()
|
|
|
+
|
|
|
+ # 并行执行Prompt3和Prompt4
|
|
|
+ async def eval_purpose():
|
|
|
+ user_prompt = PromptAdapter.adapt_prompt(
|
|
|
+ USER_TEMPLATE3_PURPOSE_MATCH, post, original_query=original_query
|
|
|
+ )
|
|
|
+ system_prompt = SYSTEM_PROMPT3_PURPOSE_MATCH
|
|
|
+
|
|
|
+ if semaphore:
|
|
|
+ async with semaphore:
|
|
|
+ return await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+ else:
|
|
|
+ return await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+
|
|
|
+ async def eval_category():
|
|
|
+ user_prompt = PromptAdapter.adapt_prompt(
|
|
|
+ USER_TEMPLATE4_CATEGORY_MATCH, post, original_query=original_query
|
|
|
+ )
|
|
|
+ system_prompt = SYSTEM_PROMPT4_CATEGORY_MATCH
|
|
|
+
|
|
|
+ if semaphore:
|
|
|
+ async with semaphore:
|
|
|
+ return await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+ else:
|
|
|
+ return await client.generate_content(
|
|
|
+ system_prompt=system_prompt,
|
|
|
+ user_prompt=user_prompt,
|
|
|
+ media_files=media_files
|
|
|
+ )
|
|
|
+
|
|
|
+ purpose_data, category_data = await asyncio.gather(eval_purpose(), eval_category())
|
|
|
+
|
|
|
+ # 🔍 调试日志 - 查看API返回的实际结构
|
|
|
+ print(f"\n 🐛 DEBUG - purpose_data keys: {list(purpose_data.keys())}")
|
|
|
+ print(f" 🐛 DEBUG - purpose_data 内容: {purpose_data}")
|
|
|
+ print(f"\n 🐛 DEBUG - category_data keys: {list(category_data.keys())}")
|
|
|
+ print(f" 🐛 DEBUG - category_data 内容: {category_data}\n")
|
|
|
+
|
|
|
+ # 解析Prompt3结果（直接使用英文字段名）
|
|
|
+ purpose_eval = PurposeEvaluation(
|
|
|
+ purpose_score=purpose_data.get("purpose_score", 0),
|
|
|
+ core_motivation=purpose_data.get("core_motivation", ""),
|
|
|
+ image_value=purpose_data.get("image_value", ""),
|
|
|
+ title_intention=purpose_data.get("title_intention", ""),
|
|
|
+ text_content=purpose_data.get("text_content", ""),
|
|
|
+ match_level=purpose_data.get("match_level", ""),
|
|
|
+ core_basis=purpose_data.get("core_basis", "")
|
|
|
+ )
|
|
|
+
|
|
|
+ # 解析Prompt4结果（直接使用英文字段名）
|
|
|
+ category_eval = CategoryEvaluation(
|
|
|
+ category_score=category_data.get("category_score", 0),
|
|
|
+ original_category_analysis=category_data.get("original_category_analysis", {}),
|
|
|
+ actual_category=category_data.get("actual_category", {}),
|
|
|
+ match_level=category_data.get("match_level", ""),
|
|
|
+ category_match_analysis=category_data.get("category_match_analysis", {}),
|
|
|
+ core_basis=category_data.get("core_basis", "")
|
|
|
+ )
|
|
|
+
|
|
|
+ state["purpose_eval"] = purpose_eval
|
|
|
+ state["category_eval"] = category_eval
|
|
|
+ state["should_continue"] = True
|
|
|
+
|
|
|
+ print(f" ✅ Step 3: 目的性得分 = {purpose_eval.purpose_score}")
|
|
|
+ print(f" ✅ Step 4: 品类得分 = {category_eval.category_score}")
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ❌ Prompt3或4评估失败: {str(e)[:100]}")
|
|
|
+ state["error"] = str(e)
|
|
|
+ state["should_continue"] = False
|
|
|
+
|
|
|
+ return state
|
|
|
+
|
|
|
+
|
|
|
+async def score_node(state: EvaluationState) -> EvaluationState:
|
|
|
+ """
|
|
|
+ Node 4: 计算综合得分
|
|
|
+ """
|
|
|
+ print(f" 📊 Step 5/5: 计算综合得分...")
|
|
|
+
|
|
|
+ try:
|
|
|
+ purpose_eval = state["purpose_eval"]
|
|
|
+ category_eval = state["category_eval"]
|
|
|
+
|
|
|
+ if not purpose_eval or not category_eval:
|
|
|
+ raise Exception("缺少目的性或品类评估结果")
|
|
|
+
|
|
|
+ # 计算综合得分: 目的性50% + 品类50%
|
|
|
+ final_score = round(
|
|
|
+ purpose_eval.purpose_score * 0.5 + category_eval.category_score * 0.5,
|
|
|
+ 2
|
|
|
+ )
|
|
|
+
|
|
|
+ # 判定匹配等级
|
|
|
+ if final_score >= 85:
|
|
|
+ match_level = "高度匹配"
|
|
|
+ elif final_score >= 70:
|
|
|
+ match_level = "基本匹配"
|
|
|
+ elif final_score >= 50:
|
|
|
+ match_level = "部分匹配"
|
|
|
+ elif final_score >= 30:
|
|
|
+ match_level = "弱匹配"
|
|
|
+ else:
|
|
|
+ match_level = "不匹配"
|
|
|
+
|
|
|
+ state["final_score"] = final_score
|
|
|
+ state["match_level"] = match_level
|
|
|
+
|
|
|
+ print(f" ✅ 综合得分: {final_score} ({match_level})")
|
|
|
+
|
|
|
+ except Exception as e:
|
|
|
+ print(f" ❌ 综合评分失败: {str(e)[:100]}")
|
|
|
+ state["error"] = str(e)
|
|
|
+
|
|
|
+ return state
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# LangGraph 图定义
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+def create_evaluation_graph() -> StateGraph:
|
|
|
+ """创建评估流程图"""
|
|
|
+
|
|
|
+ # 定义条件判断
|
|
|
+ def should_continue_to_content(state: EvaluationState) -> str:
|
|
|
+ """判断是否继续到内容知识评估"""
|
|
|
+ if not state.get("should_continue", False):
|
|
|
+ return END
|
|
|
+ return "content_knowledge_node"
|
|
|
+
|
|
|
+ def should_continue_to_match(state: EvaluationState) -> str:
|
|
|
+ """判断是否继续到匹配评估"""
|
|
|
+ if not state.get("should_continue", False):
|
|
|
+ return END
|
|
|
+ return "parallel_match_node"
|
|
|
+
|
|
|
+ def should_continue_to_score(state: EvaluationState) -> str:
|
|
|
+ """判断是否继续到评分"""
|
|
|
+ if not state.get("should_continue", False):
|
|
|
+ return END
|
|
|
+ return "score_node"
|
|
|
+
|
|
|
+ # 创建StateGraph
|
|
|
+ workflow = StateGraph(EvaluationState)
|
|
|
+
|
|
|
+ # 添加节点
|
|
|
+ workflow.add_node("knowledge_node", knowledge_node)
|
|
|
+ workflow.add_node("content_knowledge_node", content_knowledge_node)
|
|
|
+ workflow.add_node("parallel_match_node", parallel_match_node)
|
|
|
+ workflow.add_node("score_node", score_node)
|
|
|
+
|
|
|
+ # 设置入口点
|
|
|
+ workflow.set_entry_point("knowledge_node")
|
|
|
+
|
|
|
+ # 添加条件边
|
|
|
+ workflow.add_conditional_edges(
|
|
|
+ "knowledge_node",
|
|
|
+ should_continue_to_content,
|
|
|
+ {
|
|
|
+ "content_knowledge_node": "content_knowledge_node",
|
|
|
+ END: END
|
|
|
+ }
|
|
|
+ )
|
|
|
+
|
|
|
+ workflow.add_conditional_edges(
|
|
|
+ "content_knowledge_node",
|
|
|
+ should_continue_to_match,
|
|
|
+ {
|
|
|
+ "parallel_match_node": "parallel_match_node",
|
|
|
+ END: END
|
|
|
+ }
|
|
|
+ )
|
|
|
+
|
|
|
+ workflow.add_conditional_edges(
|
|
|
+ "parallel_match_node",
|
|
|
+ should_continue_to_score,
|
|
|
+ {
|
|
|
+ "score_node": "score_node",
|
|
|
+ END: END
|
|
|
+ }
|
|
|
+ )
|
|
|
+
|
|
|
+ # score_node结束后直接到END
|
|
|
+ workflow.add_edge("score_node", END)
|
|
|
+
|
|
|
+ return workflow.compile()
|
|
|
+
|
|
|
+
|
|
|
+# ============================================================================
|
|
|
+# 主评估函数
|
|
|
+# ============================================================================
|
|
|
+
|
|
|
+async def evaluate_post_v4(
|
|
|
+ post,
|
|
|
+ original_query: str,
|
|
|
+ semaphore: Optional[asyncio.Semaphore] = None
|
|
|
+) -> tuple:
|
|
|
+ """
|
|
|
+ V4评估主函数 (LangGraph版本)
|
|
|
+
|
|
|
+ Args:
|
|
|
+ post: Post对象
|
|
|
+ original_query: 原始搜索query
|
|
|
+ semaphore: 并发控制信号量
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ (knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level)
|
|
|
+ """
|
|
|
+ # 检查缓存
|
|
|
+ if ENABLE_CACHE:
|
|
|
+ cached_result = _load_from_cache(post.note_id)
|
|
|
+ if cached_result is not None:
|
|
|
+ print(f" ♻️ 使用缓存结果: {post.note_id}")
|
|
|
+ return cached_result
|
|
|
+
|
|
|
+ print(f" 🔍 开始V4评估 (LangGraph): {post.note_id}")
|
|
|
+
|
|
|
+ # 初始化状态
|
|
|
+ initial_state: EvaluationState = {
|
|
|
+ "post": post,
|
|
|
+ "original_query": original_query,
|
|
|
+ "video_file": None,
|
|
|
+ "video_uri": None,
|
|
|
+ "temp_video_path": None,
|
|
|
+ "temp_image_paths": None,
|
|
|
+ "knowledge_eval": None,
|
|
|
+ "content_eval": None,
|
|
|
+ "purpose_eval": None,
|
|
|
+ "category_eval": None,
|
|
|
+ "final_score": None,
|
|
|
+ "match_level": None,
|
|
|
+ "should_continue": True,
|
|
|
+ "error": None,
|
|
|
+ "semaphore": semaphore
|
|
|
+ }
|
|
|
+
|
|
|
+ # 处理视频
|
|
|
+ if post.type == "video" and post.images and len(post.images) > 0:
|
|
|
+ video_url = post.images[0] # 视频URL通常在images[0]
|
|
|
+ video_file, video_uri, temp_path = await VideoUploader.upload_video(video_url)
|
|
|
+ initial_state["video_file"] = video_file
|
|
|
+ initial_state["video_uri"] = video_uri
|
|
|
+ initial_state["temp_video_path"] = temp_path
|
|
|
+
|
|
|
+ if not video_file:
|
|
|
+ print(f" ❌ 视频上传失败,停止评估")
|
|
|
+ return (None, None, None, None, None, None)
|
|
|
+
|
|
|
+ try:
|
|
|
+ # 创建并运行图
|
|
|
+ graph = create_evaluation_graph()
|
|
|
+ final_state = await graph.ainvoke(initial_state)
|
|
|
+
|
|
|
+ # 提取结果
|
|
|
+ knowledge_eval = final_state.get("knowledge_eval")
|
|
|
+ content_eval = final_state.get("content_eval")
|
|
|
+ purpose_eval = final_state.get("purpose_eval")
|
|
|
+ category_eval = final_state.get("category_eval")
|
|
|
+ final_score = final_state.get("final_score")
|
|
|
+ match_level = final_state.get("match_level")
|
|
|
+
|
|
|
+ # 保存到缓存
|
|
|
+ if ENABLE_CACHE and knowledge_eval:
|
|
|
+ _save_to_cache(
|
|
|
+ post.note_id,
|
|
|
+ (knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level)
|
|
|
+ )
|
|
|
+
|
|
|
+ return (knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level)
|
|
|
+
|
|
|
+ finally:
|
|
|
+ # 清理临时视频文件
|
|
|
+ if initial_state.get("temp_video_path"):
|
|
|
+ try:
|
|
|
+ os.remove(initial_state["temp_video_path"])
|
|
|
+ print(f" 🗑️ 清理临时视频文件")
|
|
|
+ except:
|
|
|
+ pass
|
|
|
+
|
|
|
+ # 清理临时图片文件
|
|
|
+ temp_image_paths = final_state.get("temp_image_paths") if 'final_state' in locals() else initial_state.get("temp_image_paths")
|
|
|
+ if temp_image_paths:
|
|
|
+ cleaned_count = 0
|
|
|
+ for temp_path in temp_image_paths:
|
|
|
+ try:
|
|
|
+ os.remove(temp_path)
|
|
|
+ cleaned_count += 1
|
|
|
+ except:
|
|
|
+ pass
|
|
|
+ if cleaned_count > 0:
|
|
|
+ print(f" 🗑️ 清理 {cleaned_count}/{len(temp_image_paths)} 个临时图片文件")
|
|
|
+
|
|
|
+
|
|
|
+def apply_evaluation_v4_to_post(
|
|
|
+ post,
|
|
|
+ knowledge_eval: Optional[KnowledgeEvaluation],
|
|
|
+ content_eval: Optional[ContentKnowledgeEvaluation],
|
|
|
+ purpose_eval: Optional[PurposeEvaluation],
|
|
|
+ category_eval: Optional[CategoryEvaluation],
|
|
|
+ final_score: Optional[float],
|
|
|
+ match_level: Optional[str]
|
|
|
+):
|
|
|
+ """
|
|
|
+ 将V4评估结果应用到Post对象
|
|
|
+
|
|
|
+ Args:
|
|
|
+ post: Post对象
|
|
|
+ knowledge_eval: Prompt1结果
|
|
|
+ content_eval: Prompt2结果
|
|
|
+ purpose_eval: Prompt3结果
|
|
|
+ category_eval: Prompt4结果
|
|
|
+ final_score: 综合得分
|
|
|
+ match_level: 匹配等级
|
|
|
+ """
|
|
|
+ # Prompt1: 判断是知识
|
|
|
+ if knowledge_eval:
|
|
|
+ post.is_knowledge = knowledge_eval.is_knowledge
|
|
|
+ post.knowledge_evaluation = {
|
|
|
+ "quick_exclude": knowledge_eval.quick_exclude,
|
|
|
+ "title_layer": knowledge_eval.title_layer,
|
|
|
+ "image_layer": knowledge_eval.image_layer,
|
|
|
+ "text_layer": knowledge_eval.text_layer,
|
|
|
+ "judgment_logic": knowledge_eval.judgment_logic,
|
|
|
+ "core_evidence": knowledge_eval.core_evidence,
|
|
|
+ "issues": knowledge_eval.issues,
|
|
|
+ "conclusion": knowledge_eval.conclusion
|
|
|
+ }
|
|
|
+
|
|
|
+ # Prompt2: 判断是否是内容知识
|
|
|
+ if content_eval:
|
|
|
+ post.is_content_knowledge = content_eval.is_content_knowledge
|
|
|
+ post.knowledge_score = float(content_eval.final_score)
|
|
|
+ post.content_knowledge_evaluation = {
|
|
|
+ "is_content_knowledge": content_eval.is_content_knowledge,
|
|
|
+ "final_score": content_eval.final_score,
|
|
|
+ "level": content_eval.level,
|
|
|
+ "quick_exclude": content_eval.quick_exclude,
|
|
|
+ "dimension_scores": content_eval.dimension_scores,
|
|
|
+ "core_evidence": content_eval.core_evidence,
|
|
|
+ "issues": content_eval.issues,
|
|
|
+ "summary": content_eval.summary
|
|
|
+ }
|
|
|
+
|
|
|
+ # Prompt3: 目的性匹配
|
|
|
+ if purpose_eval:
|
|
|
+ post.purpose_score = purpose_eval.purpose_score
|
|
|
+ post.purpose_evaluation = {
|
|
|
+ "purpose_score": purpose_eval.purpose_score,
|
|
|
+ "core_motivation": purpose_eval.core_motivation,
|
|
|
+ "image_value": purpose_eval.image_value,
|
|
|
+ "title_intention": purpose_eval.title_intention,
|
|
|
+ "text_content": purpose_eval.text_content,
|
|
|
+ "match_level": purpose_eval.match_level,
|
|
|
+ "core_basis": purpose_eval.core_basis
|
|
|
+ }
|
|
|
+
|
|
|
+ # Prompt4: 品类匹配
|
|
|
+ if category_eval:
|
|
|
+ post.category_score = category_eval.category_score
|
|
|
+ post.category_evaluation = {
|
|
|
+ "category_score": category_eval.category_score,
|
|
|
+ "original_category_analysis": category_eval.original_category_analysis,
|
|
|
+ "actual_category": category_eval.actual_category,
|
|
|
+ "match_level": category_eval.match_level,
|
|
|
+ "category_match_analysis": category_eval.category_match_analysis,
|
|
|
+ "core_basis": category_eval.core_basis
|
|
|
+ }
|
|
|
+
|
|
|
+ # 综合得分
|
|
|
+ if final_score is not None and match_level is not None:
|
|
|
+ post.final_score = final_score
|
|
|
+ post.match_level = match_level
|
|
|
+
|
|
|
+ # 设置评估时间和版本
|
|
|
+ post.evaluation_time = datetime.now().isoformat()
|
|
|
+ post.evaluator_version = "v4.0_langgraph"
|
|
|
+
|
|
|
+
|
|
|
+async def batch_evaluate_posts_v4(
|
|
|
+ posts: list,
|
|
|
+ original_query: str,
|
|
|
+ max_concurrent: int = MAX_CONCURRENT_EVALUATIONS
|
|
|
+) -> int:
|
|
|
+ """
|
|
|
+ 批量评估多个帖子 (V4版本)
|
|
|
+
|
|
|
+ Args:
|
|
|
+ posts: Post对象列表
|
|
|
+ original_query: 原始搜索query
|
|
|
+ max_concurrent: 最大并发数
|
|
|
+
|
|
|
+ Returns:
|
|
|
+ 成功评估的帖子数量
|
|
|
+ """
|
|
|
+ semaphore = asyncio.Semaphore(max_concurrent)
|
|
|
+
|
|
|
+ print(f"\n📊 开始批量评估 {len(posts)} 个帖子 (LangGraph + Gemini,并发限制: {max_concurrent})...")
|
|
|
+
|
|
|
+ tasks = [evaluate_post_v4(post, original_query, semaphore) for post in posts]
|
|
|
+ results = await asyncio.gather(*tasks)
|
|
|
+
|
|
|
+ success_count = 0
|
|
|
+ for i, result in enumerate(results):
|
|
|
+ knowledge_eval, content_eval, purpose_eval, category_eval, final_score, match_level = result
|
|
|
+
|
|
|
+ if knowledge_eval:
|
|
|
+ apply_evaluation_v4_to_post(
|
|
|
+ posts[i],
|
|
|
+ knowledge_eval,
|
|
|
+ content_eval,
|
|
|
+ purpose_eval,
|
|
|
+ category_eval,
|
|
|
+ final_score,
|
|
|
+ match_level
|
|
|
+ )
|
|
|
+ success_count += 1
|
|
|
+
|
|
|
+ print(f"✅ 批量评估完成: {success_count}/{len(posts)} 帖子已评估")
|
|
|
+
|
|
|
+ return success_count
|
刘立冬