kg_agent/sug_v6_1_2_128.py

import asyncio
import json
import os
import sys
import argparse
from datetime import datetime
from typing import Literal, Optional

from agents import Agent, Runner, ModelSettings
from lib.my_trace import set_trace
from pydantic import BaseModel, Field

from lib.utils import read_file_as_string
from lib.client import get_model
MODEL_NAME = "google/gemini-2.5-flash"
# 得分提升阈值：sug或组合词必须比来源query提升至少此幅度才能进入下一轮
REQUIRED_SCORE_GAIN = 0.02
from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations
from script.search.xiaohongshu_search import XiaohongshuSearch


# ============================================================================
# 日志工具类
# ============================================================================

class TeeLogger:
    """同时输出到控制台和日志文件的工具类"""
    def __init__(self, stdout, log_file):
        self.stdout = stdout
        self.log_file = log_file

    def write(self, message):
        self.stdout.write(message)
        self.log_file.write(message)
        self.log_file.flush()  # 实时写入，避免丢失日志

    def flush(self):
        self.stdout.flush()
        self.log_file.flush()


# ============================================================================
# 数据模型
# ============================================================================

class Seg(BaseModel):
    """分词（旧版）- v120使用"""
    text: str
    score_with_o: float = 0.0  # 与原始问题的评分
    reason: str = ""  # 评分理由
    from_o: str = ""  # 原始问题


# ============================================================================
# 新架构数据模型 (v121)
# ============================================================================

class Segment(BaseModel):
    """语义片段（Round 0语义分段结果）"""
    text: str  # 片段文本
    type: str  # 语义类型: 疑问标记/核心动作/修饰短语/中心名词/逻辑连接
    score_with_o: float = 0.0  # 与原始问题的评分
    reason: str = ""  # 评分理由
    from_o: str = ""  # 原始问题
    words: list[str] = Field(default_factory=list)  # 该片段拆分出的词列表（Round 0拆词结果）
    word_scores: dict[str, float] = Field(default_factory=dict)  # 词的评分 {word: score}
    word_reasons: dict[str, str] = Field(default_factory=dict)  # 词的评分理由 {word: reason}


class DomainCombination(BaseModel):
    """域组合（Round N的N域组合结果）"""
    text: str  # 组合后的文本
    domains: list[int] = Field(default_factory=list)  # 参与组合的域索引列表（对应segments的索引）
    type_label: str = ""  # 类型标签，如 [疑问标记+核心动作+中心名词]
    source_words: list[list[str]] = Field(default_factory=list)  # 来源词列表，每个元素是一个域的词列表，如 [["猫咪"], ["梗图"]]
    score_with_o: float = 0.0  # 与原始问题的评分
    reason: str = ""  # 评分理由
    from_segments: list[str] = Field(default_factory=list)  # 来源segment的文本列表
    source_word_details: list[dict] = Field(default_factory=list)  # 词及其得分信息 [{"domain_index":0,"segment_type":"","words":[{"text":"","score":0.0}]}]
    source_scores: list[float] = Field(default_factory=list)  # 来源词的分数列表（扁平化）
    max_source_score: float | None = None  # 来源词的最高分
    is_above_source_scores: bool = False  # 组合得分是否超过所有来源词


# ============================================================================
# 旧架构数据模型（保留但不使用）
# ============================================================================

# class Word(BaseModel):
#     """词（旧版）- v120使用，v121不再使用"""
#     text: str
#     score_with_o: float = 0.0  # 与原始问题的评分
#     from_o: str = ""  # 原始问题


class Word(BaseModel):
    """词"""
    text: str
    score_with_o: float = 0.0  # 与原始问题的评分
    from_o: str = ""  # 原始问题


class QFromQ(BaseModel):
    """Q来源信息（用于Sug中记录）"""
    text: str
    score_with_o: float = 0.0


class Q(BaseModel):
    """查询"""
    text: str
    score_with_o: float = 0.0  # 与原始问题的评分
    reason: str = ""  # 评分理由
    from_source: str = ""  # v120: seg/sug/add; v121新增: segment/domain_comb/sug
    type_label: str = ""  # v121新增：域类型标签（仅用于domain_comb来源）
    domain_index: int = -1  # v121新增：域索引（word来源时有效，-1表示无域）
    domain_type: str = ""  # v121新增：域类型（word来源时表示所属segment的type，如"中心名词"）


class Sug(BaseModel):
    """建议词"""
    text: str
    score_with_o: float = 0.0  # 与原始问题的评分
    reason: str = ""  # 评分理由
    from_q: QFromQ | None = None  # 来自的q


class Seed(BaseModel):
    """种子（旧版）- v120使用，v121不再使用"""
    text: str
    added_words: list[str] = Field(default_factory=list)  # 已经增加的words
    from_type: str = ""  # seg/sug/add
    score_with_o: float = 0.0  # 与原始问题的评分


class Post(BaseModel):
    """帖子"""
    title: str = ""
    body_text: str = ""
    type: str = "normal"  # video/normal
    images: list[str] = Field(default_factory=list)  # 图片url列表，第一张为封面
    video: str = ""  # 视频url
    interact_info: dict = Field(default_factory=dict)  # 互动信息
    note_id: str = ""
    note_url: str = ""


class Search(Sug):
    """搜索结果（继承Sug）"""
    post_list: list[Post] = Field(default_factory=list)  # 搜索得到的帖子列表


class RunContext(BaseModel):
    """运行上下文"""
    version: str
    input_files: dict[str, str]
    c: str  # 原始需求
    o: str  # 原始问题
    log_url: str
    log_dir: str

    # v121新增：语义分段结果
    segments: list[dict] = Field(default_factory=list)  # Round 0的语义分段结果

    # 每轮的数据
    rounds: list[dict] = Field(default_factory=list)  # 每轮的详细数据

    # 最终结果
    final_output: str | None = None

    # 评估缓存：避免重复评估相同文本
    evaluation_cache: dict[str, tuple[float, str]] = Field(default_factory=dict)
    # key: 文本, value: (score, reason)

    # 历史词/组合得分追踪（用于Round 2+计算系数）
    word_score_history: dict[str, float] = Field(default_factory=dict)
    # key: 词/组合文本, value: 最终得分


# ============================================================================
# Agent 定义
# ============================================================================

# ============================================================================
# v121 新增 Agent
# ============================================================================

# Agent: 语义分段专家 (Prompt1)
class SemanticSegment(BaseModel):
    """单个语义片段"""
    segment_text: str = Field(..., description="片段文本")
    segment_type: str = Field(..., description="语义类型（疑问标记/核心动作/修饰短语/中心名词/逻辑连接）")
    reasoning: str = Field(..., description="分段理由")


class SemanticSegmentation(BaseModel):
    """语义分段结果"""
    segments: list[SemanticSegment] = Field(..., description="语义片段列表")
    overall_reasoning: str = Field(..., description="整体分段思路")


semantic_segmentation_instructions = """
你是语义分段专家。给定一个搜索query，将其拆分成不同语义类型的片段。

## 语义类型定义
1. **疑问引导**：如何、怎么、什么、哪里等疑问词
2. **核心动作**：关键动词，如获取、制作、拍摄、寻找等
3. **修饰短语**：形容词、副词等修饰成分
4. **中心名词**：核心名词
5. **逻辑连接**：并且、或者、以及等连接词（较少出现）

## 分段原则
1. **语义完整性**：每个片段应该是一个完整的语义单元
2. **类型互斥**：每个片段只能属于一种类型
3. **保留原文**：片段文本必须保留原query中的字符，不得改写
4. **顺序保持**：片段顺序应与原query一致


## 输出要求
- segments: 片段列表
  - segment_text: 片段文本（必须来自原query）
  - segment_type: 语义类型（从5种类型中选择）
  - reasoning: 为什么这样分段
- overall_reasoning: 整体分段思路

## JSON输出规范
1. **格式要求**：必须输出标准JSON格式
2. **引号规范**：字符串中如需表达引用，使用书名号《》或「」，不要使用英文引号或中文引号""
""".strip()

semantic_segmenter = Agent[None](
    name="语义分段专家",
    instructions=semantic_segmentation_instructions,
    model=get_model(MODEL_NAME),
    output_type=SemanticSegmentation,
)


# ============================================================================
# v120 保留 Agent
# ============================================================================

# Agent 1: 分词专家（v121用于Round 0拆词）
class WordSegmentation(BaseModel):
    """分词结果"""
    words: list[str] = Field(..., description="分词结果列表")
    reasoning: str = Field(..., description="分词理由")

word_segmentation_instructions = """
你是分词专家。给定一个query，将其拆分成有意义的最小单元。

## 分词原则
1. 保留有搜索意义的词汇
2. 拆分成独立的概念
3. 保留专业术语的完整性
4. 去除虚词（的、吗、呢等），但保留疑问词（如何、为什么、怎样等）

## 输出要求
返回分词列表和分词理由。
""".strip()

word_segmenter = Agent[None](
    name="分词专家",
    instructions=word_segmentation_instructions,
    model=get_model(MODEL_NAME),
    output_type=WordSegmentation,
)


# Agent 2: 动机维度评估专家 + 品类维度评估专家（两阶段评估）

# 动机评估的嵌套模型
class CoreMotivationExtraction(BaseModel):
    """核心动机提取"""
    简要说明核心动机: str = Field(..., description="核心动机说明")

class MotivationEvaluation(BaseModel):
    """动机维度评估"""
    原始问题核心动机提取: CoreMotivationExtraction = Field(..., description="原始问题核心动机提取")
    动机维度得分: float = Field(..., description="动机维度得分 -1~1")
    简要说明动机维度相关度理由: str = Field(..., description="动机维度相关度理由")
    得分为零的原因: Optional[Literal["原始问题无动机", "sug词条无动机", "动机不匹配", "不适用"]] = Field(None, description="当得分为0时的原因分类（可选，仅SUG评估使用）")

class CategoryEvaluation(BaseModel):
    """品类维度评估"""
    品类维度得分: float = Field(..., description="品类维度得分 -1~1")
    简要说明品类维度相关度理由: str = Field(..., description="品类维度相关度理由")

class ExtensionWordEvaluation(BaseModel):
    """延伸词评估"""
    延伸词得分: float = Field(..., ge=-1, le=1, description="延伸词得分 -1~1")
    简要说明延伸词维度相关度理由: str = Field(..., description="延伸词维度相关度理由")

# 动机评估 prompt（统一版本）
motivation_evaluation_instructions = """
# 角色
你是**专业的动机意图评估专家**。
任务：判断<平台sug词条>与<原始问题>的**动机意图匹配度**，给出**-1到1之间**的数值评分。

---
# 输入信息
你将接收到以下输入：
- **<原始问题>**：用户的初始查询问题，代表用户的真实需求意图。
- **<平台sug词条>**：待评估的词条，可能是单个或多个作用域的组合
---


# 核心约束

## 维度独立性声明
【严格约束】本评估**仅评估动机意图维度**：
- **只评估** 用户"想要做什么"，即原始问题的行为意图和目的
- 核心是 **动词**：获取、学习、拍摄、制作、寻找等
- 包括：核心动作 + 使用场景 + 最终目的
- **评估重点**：动作本身及其语义方向
 **禁止使用"主题相关"作为评分依据**：评分理由中不得出现"主题"、"内容"、"话题"等词

---

# 作用域与动作意图

## 什么是作用域？
**作用域 = 动机层 + 对象层 + 场景层**

## 动作意图的识别

### 方法1: 显性动词直接提取

当原始问题明确包含动词时，直接提取
示例：
"如何获取素材" → 核心动机 = "获取"
"寻找拍摄技巧" → 核心动机 = "寻找"（或"学习"）
"制作视频教程" → 核心动机 = "制作"

### 方法2: 隐性动词语义推理
当原始问题没有显性动词时，需要结合上下文推理

如果原始问题是纯名词短语，无任何动作线索：
→ 核心动机 = 无法识别
→ 在此情况下，动机维度得分应为 0。
示例：
"摄影" → 无法识别动机，动机维度得分 = 0
"川西风光" → 无法识别动机，动机维度得分 = 0

---

# 部分作用域的处理

## 情况1：sug词条是原始问题的部分作用域

当sug词条只包含原始问题的部分作用域时，需要判断：
1. sug词条是否包含动作意图
2. 如果包含，动作是否匹配

**示例**：
```
原始问题："川西旅行行程规划"
- 完整作用域：规划（动作）+ 旅行行程（对象）+ 川西（场景）

Sug词条："川西旅行"
- 包含作用域：旅行（部分对象）+ 川西（场景）
- 缺失作用域：规划（动作）
- 动作意图评分：0（无动作意图）
```

**评分原则**：
- 如果sug词条缺失动机层（动作） → 动作意图得分 = 0
- 如果sug词条包含动机层 → 按动作匹配度评分

---

# 评分标准

## 【正向匹配】

### +0.9~1.0：核心动作完全一致
**示例**：
- "规划旅行行程" vs "安排旅行路线" → 0.98
  - 规划≈安排，语义完全一致
- "获取素材" vs "下载素材" → 0.97
  - 获取≈下载，语义完全一致

- 特殊规则: 如果sug词的核心动作是原始问题动作的**具体化子集**，也判定为完全一致
例: 原始问题"扣除猫咪主体的方法" vs sug词"扣除猫咪眼睛的方法"（子集但目的一致
**注意**：此处不考虑对象和场景是否一致，只看动作本身

###+0.75~0.95: 核心动作语义相近或为同义表达
  - 例: 原始问题"如何获取素材" vs sug词"如何下载素材"
  - 同义词对: 获取≈下载≈寻找, 技巧≈方法≈教程≈攻略

### +0.50~0.75：动作意图相关
**判定标准**：
- 动作是实现原始意图的相关路径
- 或动作是原始意图的前置/后置步骤

**示例**：
- "获取素材" vs "管理素材" → 0.65
  - 管理是获取后的相关步骤
- "规划行程" vs "预订酒店" → 0.60
  - 预订是规划的具体实施步骤

### +0.25~0.50：动作意图弱相关
**判定标准**：
- 动作在同一大类但方向不同
- 或动作有间接关联

**示例**：
- "学习摄影技巧" vs "欣赏摄影作品" → 0.35
  - 都与摄影有关，但学习≠欣赏
- "规划旅行" vs "回忆旅行" → 0.30
  - 都与旅行有关，但方向不同

---

## 【中性/无关】

### 0：无动作意图或动作完全无关
**适用场景**：
1. 原始问题或sug词条无法识别动作
2. 两者动作意图完全无关

**示例**：
- "如何获取素材" vs "摄影器材" → 0
  - sug词条无动作意图
- "川西风光" vs "风光摄影作品" → 0
  - 原始问题无动作意图

**理由模板**：
- "sug词条无明确动作意图，无法评估动作匹配度"
- "原始问题无明确动作意图，动作维度得分为0"

---

## 【负向偏离】

### -0.2~-0.05：动作方向轻度偏离
**示例**：
- "学习摄影技巧" vs "销售摄影课程" → -0.10
  - 学习 vs 销售，方向有偏差

### -0.5~-0.25：动作意图明显冲突
**示例**：
- "获取免费素材" vs "购买素材" → -0.35
  - 获取免费 vs 购买，明显冲突

### -1.0~-0.55：动作意图完全相反
**示例**：
- "下载素材" vs "上传素材" → -0.70
  - 下载 vs 上传，方向完全相反

---

## 得分为零的原因（语义判断）

当动机维度得分为 0 时，需要在 `得分为零的原因` 字段中选择以下之一：
- **"原始问题无动机"**：原始问题是纯名词短语，无法识别任何动作意图
- **"sug词条无动机"**：sug词条中不包含任何动作意图
- **"动机不匹配"**：双方都有动作，但完全无关联
- **"不适用"**：得分不为零时使用此默认值

---

# 输出格式
输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "原始问题核心动机提取": {
    "简要说明核心动机": ""
  },
  "动机维度得分": "-1到1之间的小数",
  "简要说明动机维度相关度理由": "评估该sug词条与原始问题动机匹配程度的理由，包含作用域覆盖情况",
  "得分为零的原因": "原始问题无动机/sug词条无动机/动机不匹配/不适用"
}
```

**输出约束（非常重要）**：
1. **字符串长度限制**：\"简要说明动机维度相关度理由\"字段必须控制在**150字以内**
2. **JSON格式规范**：必须生成完整的JSON格式，确保字符串用双引号包裹且正确闭合
3. **引号使用**：字符串中如需表达引用，请使用《》或「」代替单引号或双引号

---

# 核心原则总结
1. **只评估动作**：完全聚焦于动作意图，不管对象和场景
2. **作用域识别**：识别作用域但只评估动机层
3. **严格标准一致性**：对所有用例使用相同的评估标准，避免评分飘移
4. **理由纯粹**：评分理由只能谈动作，不能谈对象、场景、主题
""".strip()

# 品类评估 prompt
category_evaluation_instructions = """
# 角色
你是**专业的内容主体评估专家**。
任务：判断<平台sug词条>与<原始问题>的**内容主体匹配度**，给出**-1到1之间**的数值评分。

---

# 输入信息
- **<原始问题>**：用户的完整需求描述
- **<平台sug词条>**：待评估的词条，可能是单个或多个作用域的组合
---


# 核心约束

## 维度独立性声明
【严格约束】本评估**仅评估内容主体维度**：
- **只评估**：名词主体 + 限定词（地域、时间、场景、质量等）
- **完全忽略**：动作、意图、目的
- **评估重点**：内容本身的主题和属性

---

# 作用域与内容主体

## 什么是作用域？
**作用域 = 动机层 + 对象层 + 场景层**

在Prompt2中：
- **动机层（动作）完全忽略**
- **只评估对象层 + 场景层（限定词）**

## 内容主体的构成

**内容主体 = 核心名词 + 限定词**


---

# 作用域覆盖度评估

## 核心原则：越完整越高分

**完整性公式**：
```
作用域覆盖度 = sug词条包含的作用域元素 / 原始问题的作用域元素总数
```

**评分影响**：
- 覆盖度100% → 基础高分（0.9+）
- 覆盖度50-99% → 中高分（0.6-0.9）
- 覆盖度<50% → 中低分（0.3-0.6）
- 覆盖度=0 → 低分或0分

---

## 部分作用域的处理

### 情况1：sug词条包含原始问题的所有对象层和场景层元素
**评分**：0.95-1.0

**示例**：
```
原始问题："川西秋季风光摄影素材"
- 对象层：摄影素材
- 场景层：川西 + 秋季 + 风光

Sug词条："川西秋季风光摄影作品"
- 对象层：摄影作品（≈素材）
- 场景层：川西 + 秋季 + 风光
- 覆盖度：100%
- 评分：0.98
```

### 情况2：sug词条包含部分场景层元素
**评分**：根据覆盖比例

**示例**：
```
原始问题："川西秋季风光摄影素材"
- 对象层：摄影素材
- 场景层：川西 + 秋季 + 风光（3个元素）

Sug词条："川西风光摄影素材"
- 对象层：摄影素材 ✓
- 场景层：川西 + 风光（2个元素）
- 覆盖度：(1+2)/(1+3) = 75%
- 评分：0.85
```

### 情况3：sug词条只包含对象层，无场景层
**评分**：根据对象匹配度和覆盖度

**示例**：
```
原始问题："川西秋季风光摄影素材"
- 对象层：摄影素材
- 场景层：川西 + 秋季 + 风光

Sug词条："摄影素材"
- 对象层：摄影素材 ✓
- 场景层：无
- 覆盖度：1/4 = 25%
- 评分：0.50（对象匹配但缺失所有限定）
```

### 情况4：sug词条只包含场景层，无对象层
**评分**：较低分

**示例**：
```
原始问题："川西旅行行程规划"
- 对象层：旅行行程
- 场景层：川西

Sug词条："川西"
- 对象层：无
- 场景层：川西 ✓
- 覆盖度：1/2 = 50%
- 评分：0.35（只有场景，缺失核心对象）
```

---

# 评估核心原则

## 原则1：只看表面词汇，禁止联想推演
**严格约束**：只能基于sug词实际包含的词汇评分

**错误案例**：
- ❌ "川西旅行" vs "旅行"
  - 错误："旅行可以包括川西，所以有关联" → 评分0.7
  - 正确："sug词只有'旅行'，无'川西'，缺失地域限定" → 评分0.50


---

# 评分标准

## 【正向匹配】

+0.95~1.0: 核心主体+所有关键限定词完全匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"川西秋季风光摄影作品"

+0.75~0.95: 核心主体匹配，存在限定词匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"川西风光摄影素材"（缺失"秋季"）

+0.5~0.75: 核心主体匹配，无限定词匹配或合理泛化
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"四川风光摄影"

+0.3~0.5: 核心主体匹配，但限定词缺失或存在语义错位
  - 特别注意"语义身份"差异，主体词出现但上下文语义不同
  - 例:
    · "猫咪的XX行为"（猫咪是行为者）
    · vs "用猫咪表达XX的梗图"（猫咪是媒介）
    · 虽都含"猫咪+XX"，但语义角色不同

+0.2~0.3: 主体词不匹配，限定词缺失或错位
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"风光摄影入门"

+0.05~0.2: 主体词过度泛化或仅抽象相似
  - 例: sug词是通用概念，原始问题是特定概念
    sug词"每日计划"（通用）vs 原始问题 "川西旅行行程"（特定）
      → 评分：0.08

【中性/无关】
0: 类别明显不同，没有明确目的，无明确关联
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"人像摄影素材"
  - 例: 原始问题无法识别动机 且 sug词也无明确动作 → 0

【负向偏离】
-0.2~-0.05: 主体词或限定词存在误导性
  - 例: 原始问题"免费摄影素材" vs sug词"付费摄影素材库"

-0.5~-0.25: 主体词明显错位或品类冲突
  - 例: 原始问题"风光摄影素材" vs sug词"人像修图教程"

-1.0~-0.55: 完全错误的品类或有害引导
  - 例: 原始问题"正版素材获取" vs sug词"盗版素材下载"


---

# 输出格式
输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "品类维度得分": "-1到1之间的小数",
  "简要说明品类维度相关度理由": "评估该sug词条与原始问题品类匹配程度的理由，包含作用域覆盖理由"
}
```

**输出约束（非常重要）**：
1. **字符串长度限制**：\"简要说明品类维度相关度理由\"字段必须控制在**150字以内**
2. **JSON格式规范**：必须生成完整的JSON格式，确保字符串用双引号包裹且正确闭合
3. **引号使用**：字符串中如需表达引用，请使用《》或「」代替单引号或双引号

---

# 核心原则总结

1. **只看名词和限定词**：完全忽略动作和意图
2. **作用域覆盖优先**：覆盖的作用域元素越多，分数越高
3. **禁止联想推演**：只看sug词实际包含的词汇
4. **通用≠特定**：通用概念不等于特定概念
5. **理由纯粹**：评分理由只能谈对象、限定词、覆盖度
""".strip()

# 延伸词评估 prompt
extension_word_evaluation_instructions = """
# 角色
你是**专业的延伸词语义评估专家**。
任务：识别<平台sug词条>中的延伸词，评估其对原始问题作用域的补全度和目的贡献度，给出**-1到1之间**的数值评分。

---
# 输入信息
- **<原始问题>**：用户的完整需求描述
- **<平台sug词条>**：待评估的词条，可能是单个或多个作用域的组合
---

# 核心概念

## 什么是延伸词？
**延伸词**：<平台sug词条>中出现，但不属于<原始问题>作用域范围内的词汇或概念

**关键判断**：
```
IF sug词的词汇属于原始问题的作用域元素（动机/对象/场景）：
   → 不是延伸词，是作用域内的词

IF sug词的词汇不属于原始问题的作用域：
   → 是延伸词
   → 由Prompt3评估
```

---

# 作用域与延伸词

## 作用域
**作用域 = 动机层 + 对象层 + 场景层**

**非延伸词示例**（属于作用域内）：
```
原始问题："川西旅行行程规划"
作用域：
- 动机层：规划
- 对象层：旅行行程
- 场景层：川西

Sug词条："川西旅行行程规划攻略"
- "川西"→ 属于场景层，不是延伸词
- "旅行"→ 属于对象层，不是延伸词
- "行程"→ 属于对象层，不是延伸词
- "规划"→ 属于动机层，不是延伸词
- "攻略"→ 与"规划"同义，不是延伸词
- 结论：无延伸词
```

**延伸词示例**（不属于作用域）：
```
原始问题："川西旅行行程规划"
作用域：规划 + 旅行行程 + 川西

Sug词条："川西旅行行程规划住宿推荐"
- "住宿推荐"→ 不属于原始问题任何作用域
- 结论：延伸词 = ["住宿推荐"]
```

---

# 延伸词识别方法

## 步骤1：提取原始问题的作用域元素
```
动机层：提取动作及其同义词
对象层：提取核心名词及其同义词
场景层：提取所有限定词
```

## 步骤2：提取sug词条的所有关键词
```
提取sug词条中的所有实词（名词、动词、形容词）
```

## 步骤3：匹配判定
```
FOR 每个sug词条关键词：
   IF 该词 ∈ 原始问题作用域元素（包括同义词）：
      → 不是延伸词
   ELSE：
      → 是延伸词
```

## 步骤4：同义词/相近词判定规则

### 不算延伸词的情况：
**同义词**：
- 行程 ≈ 路线 ≈ 安排 ≈ 计划
- 获取 ≈ 下载 ≈ 寻找 ≈ 收集
- 技巧 ≈ 方法 ≈ 教程 ≈ 攻略
- 素材 ≈ 资源 ≈ 作品 ≈ 内容

**具体化/细化**：
- 原始："川西旅游" + sug词："稻城亚丁"（川西的具体地点）→ 不算延伸
- 原始："摄影技巧" + sug词："风光摄影"（摄影的细化）→ 不算延伸
- 原始："素材" + sug词："高清素材"（素材的质量细化）→ 不算延伸

**判定逻辑**：
```
IF sug词的概念是原始问题概念的子集/下位词/同义词：
   → 不算延伸词
   → 视为对原问题的细化或重述
```

---

### 算延伸词的情况：

**新增维度**：原始问题未涉及的信息维度
- 原始："川西旅行" + sug词："住宿" → 延伸词
- 原始："摄影素材" + sug词："版权" → 延伸词

**新增限定条件**：原始问题未提及的约束
- 原始："素材获取" + sug词："免费" → 延伸词
- 原始："旅行行程" + sug词："7天" → 延伸词

**扩展主题**：相关但非原问题范围
- 原始："川西行程" + sug词："美食推荐" → 延伸词
- 原始："摄影技巧" + sug词："后期修图" → 延伸词

**工具/方法**：原始问题未提及的具体工具
- 原始："视频剪辑" + sug词："PR软件" → 延伸词
- 原始："图片处理" + sug词："PS教程" → 延伸词

---

# 延伸词类型与评分

## 核心评估维度：对原始问题作用域的贡献

### 维度1：作用域补全度
延伸词是否帮助sug词条更接近原始问题的完整作用域？


### 维度2：目的达成度
延伸词是否促进原始问题核心目的的达成？
---
####类型1：作用域增强型
**定义**：延伸词是原始问题核心目的，或补全关键作用域
**得分范围**：+0.12~+0.20

**判定标准**：
- 使sug词条更接近原始问题的完整需求
---

####类型2：作用域辅助型
**定义**：延伸词对核心目的有辅助作用，但非必需

**得分范围**：+0.05~+0.12

**判定标准**：
- sug词条更丰富但不改变原始需求核心

---

####类型3：作用域无关型
**定义**：延伸词与核心目的无实质关联

**得分**：0

**示例**：
- 原始："如何拍摄风光" + 延伸词："相机品牌排行"
  - 评分：0
  - 理由：品牌排行与拍摄技巧无关

---

####类型4：作用域稀释型（轻度负向）
**定义**：延伸词稀释原始问题的聚焦度，降低内容针对性

**得分范围**：-0.08~-0.18

**判定标准**：
- 引入无关信息，分散注意力
- 降低内容的专注度和深度
- 使sug词条偏离原始问题的核心

**示例**：
- 原始："专业风光摄影技巧" + 延伸词："手机拍照"
  - 评分：-0.12
  - 理由：手机拍照与专业摄影需求不符，稀释专业度

- 原始："川西深度游攻略" + 延伸词："周边一日游"
  - 评分：-0.10
  - 理由：一日游与深度游定位冲突，稀释深度


---

# 特殊情况处理

## 情况1：多个延伸词同时存在
**处理方法**：分别评估每个延伸词，然后综合

**综合规则**：
```
延伸词总得分 = Σ(每个延伸词得分) / 延伸词数量

考虑累积效应：
- 多个增强型延伸词 → 总分可能超过单个最高分，但上限+0.25
- 正负延伸词并存 → 相互抵消
- 多个冲突型延伸词 → 总分下限-0.60
```

**示例**：
```
原始："川西旅行行程"
Sug词条："川西旅行行程住宿美食推荐"
延伸词识别：
- "住宿推荐"→ 增强型，+0.18
- "美食推荐"→ 辅助型，+0.10
总得分：(0.18 + 0.10) / 2 = 0.14
```

---

## 情况2：无延伸词
**处理方法**：
```
IF sug词条无延伸词：
   延伸词得分 = 0
   理由："sug词条未引入延伸词，所有词汇均属于原始问题作用域范围"
```

---

## 情况3：延伸词使sug词条更接近原始问题
**特殊加成**：
```
IF 延伸词是原始问题隐含需求的显式化：
   → 额外加成 +0.05
```

**示例**：
```
原始："川西旅行" （隐含需要行程规划）
Sug词条："川西旅行行程规划"
- "行程规划"可能被识别为延伸词，但它显式化了隐含需求
- 给予额外加成
```

---

# 输出格式
输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "延伸词得分": "-1到1之间的小数",
  "简要说明延伸词维度相关度理由": "评估延伸词对作用域的影响"
}
```

**输出约束（非常重要）**：
1. **字符串长度限制**：\"简要说明延伸词维度相关度理由\"字段必须控制在**150字以内**
2. **JSON格式规范**：必须生成完整的JSON格式，确保字符串用双引号包裹且正确闭合
3. **引号使用**：字符串中如需表达引用，请使用《》或「」代替单引号或双引号

---

# 核心原则总结

1. **严格区分**：作用域内的词 ≠ 延伸词
2. **同义词/细化词不算延伸**：属于作用域范围的词由其他prompt评估
3. **作用域导向**：评估延伸词是否使sug词条更接近原始问题的完整作用域
4. **目的导向**：评估延伸词是否促进核心目的达成
5. **分类明确**：准确判定延伸词类型
6. **理由充分**：每个延伸词都要说明其对作用域和目的的影响
7. **谨慎负分**：仅在明确冲突或有害时使用负分
""".strip()

# 创建评估 Agent
motivation_evaluator = Agent[None](
    name="动机维度评估专家(后续轮次)",
    instructions=motivation_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=MotivationEvaluation)

category_evaluator = Agent[None](
    name="品类维度评估专家",
    instructions=category_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=CategoryEvaluation
)

extension_word_evaluator = Agent[None](
    name="延伸词评估专家",
    instructions=extension_word_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=ExtensionWordEvaluation,
    model_settings=ModelSettings(temperature=0.2)
)


# ============================================================================
# Round 0 专用 Agent（v124新增 - 需求1）
# ============================================================================

# Round 0 动机评估 prompt（不含延伸词）
round0_motivation_evaluation_instructions = """
#角色
你是**专业的动机意图评估专家**
你的任务是：判断我给你的 <词条> 与 <原始问题> 的需求动机匹配度，给出 **-1 到 1 之间** 的数值评分。

---
# 输入信息
你将接收到以下输入：
- **<原始问题>**：用户的初始查询问题，代表用户的真实需求意图。
- **<词条>**：平台推荐的词条列表，每个词条需要单独评估。

# 核心约束

## 维度独立性声明
【严格约束】本评估**仅评估动机意图维度**：
- **只评估** 用户"想要做什么"，即原始问题的行为意图和目的
- 核心是 **动词**：获取、学习、拍摄、制作、寻找等
- 包括：核心动作 + 使用场景 + 最终目的
- **评估重点**：动作本身及其语义方向
 **禁止使用"主题相关"作为评分依据**：评分理由中不得出现"主题"、"内容"、"话题"等词

---

# 作用域与动作意图

## 什么是作用域？
**作用域 = 动机层 + 对象层 + 场景层**

## 动作意图的识别

### 方法1: 显性动词直接提取

当原始问题明确包含动词时，直接提取
示例：
"如何获取素材" → 核心动机 = "获取"
"寻找拍摄技巧" → 核心动机 = "寻找"（或"学习"）
"制作视频教程" → 核心动机 = "制作"

### 方法2: 隐性动词语义推理
当原始问题没有显性动词时，需要结合上下文推理

如果原始问题是纯名词短语，无任何动作线索：
→ 核心动机 = 无法识别
→ 在此情况下，动机维度得分应为 0。
示例：
"摄影" → 无法识别动机，动机维度得分 = 0
"川西风光" → 无法识别动机，动机维度得分 = 0

---

# 部分作用域的处理

## 情况1：词条是原始问题的部分作用域

当词条只包含原始问题的部分作用域时，需要判断：
1. 词条是否包含动作意图
2. 如果包含，动作是否匹配

**示例**：
```
原始问题："川西旅行行程规划"
- 完整作用域：规划（动作）+ 旅行行程（对象）+ 川西（场景）

词条："川西旅行"
- 包含作用域：旅行（部分对象）+ 川西（场景）
- 缺失作用域：规划（动作）
- 动作意图评分：0（无动作意图）
```

**评分原则**：
- 如果sug词条缺失动机层（动作） → 动作意图得分 = 0
- 如果sug词条包含动机层 → 按动作匹配度评分


---

#评分标准:

【正向匹配】
### +0.9~1.0：核心动作完全一致
**示例**：
- "规划旅行行程" vs "安排旅行路线" → 0.98
  - 规划≈安排，语义完全一致
- "获取素材" vs "下载素材" → 0.97
  - 获取≈下载，语义完全一致

- 特殊规则: 如果sug词的核心动作是原始问题动作的**具体化子集**，也判定为完全一致
例: 原始问题"扣除猫咪主体的方法" vs 词条"扣除猫咪眼睛的方法"（子集但目的一致
**注意**：此处不考虑对象和场景是否一致，只看动作本身

###+0.75~0.90: 核心动作语义相近或为同义表达
  - 例: 原始问题"如何获取素材" vs 词条"如何下载素材"
  - 同义词对: 获取≈下载≈寻找, 技巧≈方法≈教程≈攻略

### +0.50~0.75：动作意图相关
**判定标准**：
- 动作是实现原始意图的相关路径
- 或动作是原始意图的前置/后置步骤

**示例**：
- "获取素材" vs "管理素材" → 0.65
  - 管理是获取后的相关步骤
- "规划行程" vs "预订酒店" → 0.60
  - 预订是规划的具体实施步骤

### +0.25~0.50：动作意图弱相关
**判定标准**：
- 动作在同一大类但方向不同
- 或动作有间接关联

**示例**：
- "学习摄影技巧" vs "欣赏摄影作品" → 0.35
  - 都与摄影有关，但学习≠欣赏
- "规划旅行" vs "回忆旅行" → 0.30
  - 都与旅行有关，但方向不同

---

## 【中性/无关】

### 0：无动作意图或动作完全无关
**适用场景**：
1. 原始问题或词条无法识别动作
2. 两者动作意图完全无关

**示例**：
- "如何获取素材" vs "摄影器材" → 0
  - sug词条无动作意图
- "川西风光" vs "风光摄影作品" → 0
  - 原始问题无动作意图

**理由模板**：
- "sug词条无明确动作意图，无法评估动作匹配度"
- "原始问题无明确动作意图，动作维度得分为0"

---

## 【负向偏离】

### -0.2~-0.05：动作方向轻度偏离
**示例**：
- "学习摄影技巧" vs "销售摄影课程" → -0.10
  - 学习 vs 销售，方向有偏差

### -0.5~-0.25：动作意图明显冲突
**示例**：
- "获取免费素材" vs "购买素材" → -0.35
  - 获取免费 vs 购买，明显冲突

### -1.0~-0.55：动作意图完全相反
**示例**：
- "下载素材" vs "上传素材" → -0.70
  - 下载 vs 上传，方向完全相反

---

# 输出要求

输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "原始问题核心动机提取": {
    "简要说明核心动机": ""
  },
  "动机维度得分": "-1到1之间的小数",
  "简要说明动机维度相关度理由": "评估该词条与原始问题动机匹配程度的理由"
}
```

#注意事项：
始终围绕动机维度：所有评估都基于"动机"维度，不偏离
核心动机必须是动词：在评估前，必须先提取原始问题的核心动机（动词），这是整个评估的基础
严格标准一致性：对所有用例使用相同的评估标准，避免评分飘移
负分使用原则：仅当词条对原始问题动机产生误导、冲突或有害引导时给予负分
零分使用原则：当词条与原始问题动机无明确关联，既不相关也不冲突时给予零分，或原始问题无法识别动机时。
""".strip()

# Round 0 品类评估 prompt（不含延伸词）
round0_category_evaluation_instructions = """
#角色
你是一个 **专业的语言专家和语义相关性评判专家**。
你的任务是：判断我给你的 <词条> 与 <原始问题> 的内容主体和限定词匹配度，给出 **-1 到 1 之间** 的数值评分。

---
# 核心概念与方法论

## 评估维度
本评估系统围绕 **品类维度** 进行：

#  维度独立性警告
【严格约束】本评估**只评估品类维度**,，必须遵守以下规则：
1. **只看名词和限定词**：评估时只考虑主体、限定词的匹配度
2. **完全忽略动词**：动作意图、目的等动机信息对本维度评分无影响

### 品类维度
**定义：** 用户"关于什么内容"，即原始问题的主题对象和限定词
- 核心是 **名词+限定词**：川西秋季风光摄影素材
- 包括：核心主体 + 地域限定 + 时间限定 + 质量限定等

## ⚠️ 品类评估核心原则（必读）

### 原则1：只看词条表面，禁止联想推演
- 只能基于词条实际包含的词汇评分
- 禁止推测"可能包含"、"可以理解为"

**错误示例：**
原始问题："川西旅行行程" vs 词条："每日计划"
- 错误 "每日计划可以包含旅行规划，所以有关联" → 这是不允许的联想
- 正确： "词条只有'每日计划'，无'旅行'字眼，品类不匹配" → 正确判断

### 原则2：通用概念 ≠ 特定概念
- **通用**：计划、方法、技巧、素材（无领域限定）
- **特定**：旅行行程、摄影技巧、烘焙方法（有明确领域）

IF 词条是通用 且 原始问题是特定：
   → 品类不匹配 → 评分0.05~0.1
关键：通用概念不等于特定概念，不能因为"抽象上都是规划"就给分

---

# 输入信息
你将接收到以下输入：
- **<原始问题>**：用户的初始查询问题，代表用户的真实需求意图。
- **<词条>**：平台推荐的词条列表，每个词条需要单独评估。


#判定流程
#评估架构

输入: <原始问题> + <词条>
         ↓
【品类维度相关性判定】
    ├→ 步骤1: 评估<词条>与<原始问题>的内容主体和限定词匹配度
    └→ 输出: -1到1之间的数值 + 判定依据


相关度评估维度详解
维度2: 品类维度评估
评估对象： <词条> 与 <原始问题> 的内容主体和限定词匹配度

评分标准:

【正向匹配】
+0.95~1.0: 核心主体+所有关键限定词完全匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs 词条"川西秋季风光摄影作品"

+0.75~0.95: 核心主体匹配，存在限定词匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs 词条"川西风光摄影素材"（缺失"秋季"）

+0.5~0.75: 核心主体匹配，无限定词匹配或合理泛化
  - 例: 原始问题"川西秋季风光摄影素材" vs 词条"四川风光摄影"

+0.3~0.5: 核心主体匹配，但限定词缺失或存在语义错位
  - 特别注意"语义身份"差异，主体词出现但上下文语义不同
  - 例:
    · "猫咪的XX行为"（猫咪是行为者）
    · vs "用猫咪表达XX的梗图"（猫咪是媒介）
    · 虽都含"猫咪+XX"，但语义角色不同

+0.2~0.3: 主体词不匹配，限定词缺失或错位
  - 例: 原始问题"川西秋季风光摄影素材" vs 词条"风光摄影入门"

+0.05~0.2: 主体词过度泛化或仅抽象相似
  - 例: 词条是通用概念，原始问题是特定概念
    词条"每日计划"（通用）vs 原始问题 "川西旅行行程"（特定）
      → 评分：0.08

【中性/无关】
0: 类别明显不同，没有明确目的，无明确关联
  - 例: 原始问题"川西秋季风光摄影素材" vs 词条"人像摄影素材"
  - 例: 原始问题无法识别动机 且 词条也无明确动作 → 0

【负向偏离】
-0.2~-0.05: 主体词或限定词存在误导性
  - 例: 原始问题"免费摄影素材" vs 词条"付费摄影素材库"

-0.5~-0.25: 主体词明显错位或品类冲突
  - 例: 原始问题"风光摄影素材" vs 词条"人像修图教程"

-1.0~-0.55: 完全错误的品类或有害引导
  - 例: 原始问题"正版素材获取" vs 词条"盗版素材下载"

---

# 输出要求

输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "品类维度得分": "-1到1之间的小数",
  "简要说明品类维度相关度理由": "评估该词条与原始问题品类匹配程度的理由"
}
```
---

#注意事项：
始终围绕品类维度：所有评估都基于"品类"维度，不偏离
严格标准一致性：对所有用例使用相同的评估标准，避免评分飘移
负分使用原则：仅当词条对原始问题品类产生误导、冲突或有害引导时给予负分
零分使用原则：当词条与原始问题品类无明确关联，既不相关也不冲突时给予零分
""".strip()

# 创建 Round 0 评估 Agent
round0_motivation_evaluator = Agent[None](
    name="Round 0动机维度评估专家",
    instructions=round0_motivation_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=MotivationEvaluation,
    model_settings=ModelSettings(temperature=0.2)
)

round0_category_evaluator = Agent[None](
    name="Round 0品类维度评估专家",
    instructions=round0_category_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=CategoryEvaluation,
    model_settings=ModelSettings(temperature=0.2)
)


# ============================================================================
# 域内/域间 专用 Agent（v124新增 - 需求2&3）
# ============================================================================

# 域内/域间 动机评估 prompt（不含延伸词）
scope_motivation_evaluation_instructions = """
# 角色
你是**专业的动机意图评估专家**。
任务：判断<词条>与<同一作用域词条>的**动机意图匹配度**，给出**-1到1之间**的数值评分。

---
# 输入信息
你将接收到以下输入：
 **<同一作用域词条>**：用户的初始查询问题，代表用户的真实需求意图。
- **<词条>**：平台推荐的词条列表，每个词条需要单独评估。
---
# 评估架构

输入: <同一作用域词条> + <词条>
         ↓
【动机维度相关性判定】
    ├→ 步骤1: 评估<词条>与<同一作用域词条>的需求动机匹配度
    └→ 输出: -1到1之间的数值 + 判定依据

# 核心约束
## 维度独立性声明
【严格约束】本评估**仅评估动机意图维度**：
- **只评估** 用户"想要做什么"，即原始问题的行为意图和目的
- 核心是 **动词**：获取、学习、拍摄、制作、寻找等
- 包括：核心动作 + 使用场景 + 最终目的
- **评估重点**：动作本身及其语义方向
 **禁止使用"主题相关"作为评分依据**：评分理由中不得出现"主题"、"内容"、"话题"等词

---

# 作用域与动作意图

## 什么是作用域？
**作用域 = 动机层 + 对象层 + 场景层**

当前任务：
- **只提取动机层**：动作意图（获取、学习、规划、拍摄等）

## 动作意图的识别

### 1. 动机维度
**定义：** 用户"想要做什么"，即原始问题的行为意图和目的
- 核心是 **动词**：获取、学习、拍摄、制作、寻找等
- 包括：核心动作 + 使用场景 + 最终目的

### 方法1: 显性动词直接提取

当原始问题明确包含动词时，直接提取
示例：
"如何获取素材" → 核心动机 = "获取"
"寻找拍摄技巧" → 核心动机 = "寻找"（或"学习"）
"制作视频教程" → 核心动机 = "制作"

### 方法2: 隐性动词语义推理
当原始问题没有显性动词时，需要结合上下文推理


---

# 评分标准

## 【正向匹配】

### +0.9~1.0：核心动作完全一致
**示例**：
- "规划旅行行程" vs "安排旅行路线" → 0.98
  - 规划≈安排，语义完全一致
- "获取素材" vs "下载素材" → 0.97
  - 获取≈下载，语义完全一致

- 特殊规则: 如果sug词的核心动作是原始问题动作的**具体化子集**，也判定为完全一致
例: 原始问题"扣除猫咪主体的方法" vs sug词"扣除猫咪眼睛的方法"（子集但目的一致
**注意**：此处不考虑对象和场景是否一致，只看动作本身

###+0.75~0.95: 核心动作语义相近或为同义表达
  - 例: 原始问题"如何获取素材" vs sug词"如何下载素材"
  - 同义词对: 获取≈下载≈寻找, 技巧≈方法≈教程≈攻略

### +0.50~0.75：动作意图相关
**判定标准**：
- 动作是实现原始意图的相关路径
- 或动作是原始意图的前置/后置步骤

**示例**：
- "获取素材" vs "管理素材" → 0.65
  - 管理是获取后的相关步骤
- "规划行程" vs "预订酒店" → 0.60
  - 预订是规划的具体实施步骤

### +0.25~0.50：动作意图弱相关
**判定标准**：
- 动作在同一大类但方向不同
- 或动作有间接关联

**示例**：
- "学习摄影技巧" vs "欣赏摄影作品" → 0.35
  - 都与摄影有关，但学习≠欣赏
- "规划旅行" vs "回忆旅行" → 0.30
  - 都与旅行有关，但方向不同

---

## 【中性/无关】

### 0：无动作意图或动作完全无关
**适用场景**：
1. 原始问题或词条无法识别动作
2. 两者动作意图完全无关

**示例**：
- "如何获取素材" vs "摄影器材" → 0
  - 词条无动作意图
- "川西风光" vs "风光摄影作品" → 0
  - 原始问题无动作意图

**理由模板**：
- "词条无明确动作意图，无法评估动作匹配度"
- "原始问题无明确动作意图，动作维度得分为0"

---

## 【负向偏离】

### -0.2~-0.05：动作方向轻度偏离
**示例**：
- "学习摄影技巧" vs "销售摄影课程" → -0.10
  - 学习 vs 销售，方向有偏差

### -0.5~-0.25：动作意图明显冲突
**示例**：
- "获取免费素材" vs "购买素材" → -0.35
  - 获取免费 vs 购买，明显冲突

### -1.0~-0.55：动作意图完全相反
**示例**：
- "下载素材" vs "上传素材" → -0.70
  - 下载 vs 上传，方向完全相反

---

# 输出格式
输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "原始问题核心动机提取": {
    "简要说明核心动机": ""
  },
  "动机维度得分": "-1到1之间的小数",
  "简要说明动机维度相关度理由": "评估该词条与该条作用域匹配程度的理由",
  "得分为零的原因": "原始问题无动机/sug词条无动机/动机不匹配/不适用"
}
```

---

# 核心原则总结
1. **只评估动作**：完全聚焦于动作意图，不管对象和场景
2. **作用域识别**：识别作用域但只评估动机层
3. **严格标准一致性**：对所有用例使用相同的评估标准，避免评分飘移
4. **理由纯粹**：评分理由只能谈动作，不能谈对象、场景、主题
""".strip()

# 域内/域间 品类评估 prompt（不含延伸词）
scope_category_evaluation_instructions = """
#角色
你是一个 **专业的语言专家和语义相关性评判专家**。
你的任务是：判断我给你的 <词条> 与 <同一作用域词条> 的内容主体和限定词匹配度，给出 **-1 到 1 之间** 的数值评分。

---
# 输入信息
你将接收到以下输入：
- **<同一作用域词条>**：用户的初始查询问题，代表用户的真实需求意图。
- **<词条>**：平台推荐的词条列表，每个词条需要单独评估。

---
#判定流程
#评估架构

输入: <同一作用域词条> + <词条>
         ↓
【品类维度相关性判定】
    ├→ 步骤1: 评估<词条>与<同一作用域词条>的内容主体和限定词匹配度
    └→ 输出: -1到1之间的数值 + 判定依据

---

# 核心概念与方法论

## 评估维度
本评估系统围绕 **品类维度** 进行：

#  维度独立性警告
【严格约束】本评估**只评估品类维度**,，必须遵守以下规则：
1. **只看名词和限定词**：评估时只考虑主体、限定词的匹配度
2. **完全忽略动词**：动作意图、目的等动机信息对本维度评分无影响

### 品类维度
**定义：** 用户"关于什么内容"，即原始问题的主题对象和限定词
- 核心是 **名词+限定词**：川西秋季风光摄影素材
- 包括：核心主体 + 地域限定 + 时间限定 + 质量限定等

## ⚠️ 品类评估核心原则（必读）

### 原则1：只看词条表面，禁止联想推演
- 只能基于sug词实际包含的词汇评分
- 禁止推测"可能包含"、"可以理解为"

**错误示例：**
原始问题："川西旅行行程" vs sug词："每日计划"
- 错误 "每日计划可以包含旅行规划，所以有关联" → 这是不允许的联想
- 正确： "sug词只有'每日计划'，无'旅行'字眼，品类不匹配" → 正确判断

### 原则2：通用概念 ≠ 特定概念
- **通用**：计划、方法、技巧、素材（无领域限定）
- **特定**：旅行行程、摄影技巧、烘焙方法（有明确领域）

IF sug词是通用 且 原始问题是特定：
   → 品类不匹配 → 评分0.05~0.1
关键：通用概念不等于特定概念，不能因为"抽象上都是规划"就给分

---
#相关度评估维度详解

##评估对象： <词条> 与 <同一作用域词条> 的内容主体和限定词匹配度

评分标准:

【正向匹配】
+0.95~1.0: 核心主体+所有关键限定词完全匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"川西秋季风光摄影作品"

+0.75~0.95: 核心主体匹配，存在限定词匹配
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"川西风光摄影素材"（缺失"秋季"）

+0.5~0.75: 核心主体匹配，无限定词匹配或合理泛化
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"四川风光摄影"

+0.3~0.5: 核心主体匹配，但限定词缺失或存在语义错位
  - 特别注意"语义身份"差异，主体词出现但上下文语义不同
  - 例:
    · "猫咪的XX行为"（猫咪是行为者）
    · vs "用猫咪表达XX的梗图"（猫咪是媒介）
    · 虽都含"猫咪+XX"，但语义角色不同

+0.2~0.3: 主体词不匹配，限定词缺失或错位
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"风光摄影入门"

+0.05~0.2: 主体词过度泛化或仅抽象相似
  - 例: sug词是通用概念，原始问题是特定概念
    sug词"每日计划"（通用）vs 原始问题 "川西旅行行程"（特定）
      → 评分：0.08

【中性/无关】
0: 类别明显不同，没有明确目的，无明确关联
  - 例: 原始问题"川西秋季风光摄影素材" vs sug词"人像摄影素材"
  - 例: 原始问题无法识别动机 且 sug词也无明确动作 → 0

【负向偏离】
-0.2~-0.05: 主体词或限定词存在误导性
  - 例: 原始问题"免费摄影素材" vs sug词"付费摄影素材库"

-0.5~-0.25: 主体词明显错位或品类冲突
  - 例: 原始问题"风光摄影素材" vs sug词"人像修图教程"

-1.0~-0.55: 完全错误的品类或有害引导
  - 例: 原始问题"正版素材获取" vs sug词"盗版素材下载"

---

# 输出要求

输出结果必须为一个 **JSON 格式**，包含以下内容：
```json
{
  "品类维度得分": "-1到1之间的小数",
  "简要说明品类维度相关度理由": "评估该词条与同一作用域词条品类匹配程度的理由"
}
```
---

#注意事项：
始终围绕品类维度：所有评估都基于"品类"维度，不偏离
严格标准一致性：对所有用例使用相同的评估标准，避免评分飘移
负分使用原则：仅当词条对原始问题品类产生误导、冲突或有害引导时给予负分
零分使用原则：当词条与原始问题品类无明确关联，既不相关也不冲突时给予零分
""".strip()

# 创建域内/域间评估 Agent
scope_motivation_evaluator = Agent[None](
    name="域内动机维度评估专家",
    instructions=scope_motivation_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=MotivationEvaluation,
   model_settings=ModelSettings(temperature=0.2)
)

scope_category_evaluator = Agent[None](
    name="域内品类维度评估专家",
    instructions=scope_category_evaluation_instructions,
    model=get_model(MODEL_NAME),
    output_type=CategoryEvaluation,
    model_settings=ModelSettings(temperature=0.2)
)


# ============================================================================
# v120 保留但不使用的 Agent（v121不再使用）
# ============================================================================

# # Agent 3: 加词选择专家（旧版 - v120使用，v121不再使用）
# class WordCombination(BaseModel):
#     """单个词组合"""
#     selected_word: str = Field(..., description="选择的词")
#     combined_query: str = Field(..., description="组合后的新query")
#     reasoning: str = Field(..., description="选择理由")

# class WordSelectionTop5(BaseModel):
#     """加词选择结果（Top 5）"""
#     combinations: list[WordCombination] = Field(
#         ...,
#         description="选择的Top 5组合（不足5个则返回所有）",
#         min_items=1,
#         max_items=5
#     )
#     overall_reasoning: str = Field(..., description="整体选择思路")

# word_selection_instructions 已删除 (v121不再使用)

# word_selector = Agent[None](
#     name="加词组合专家",
#     instructions=word_selection_instructions,
#     model=get_model(MODEL_NAME),
#     output_type=WordSelectionTop5,
#     model_settings=ModelSettings(temperature=0.2),
# )


# ============================================================================
# 辅助函数
# ============================================================================

# ============================================================================
# v121 新增辅助函数
# ============================================================================

def get_ordered_subsets(words: list[str], min_len: int = 1) -> list[list[str]]:
    """
    生成words的所有有序子集（可跳过但不可重排）

    使用 itertools.combinations 生成索引组合，保持原始顺序

    Args:
        words: 词列表
        min_len: 子集最小长度

    Returns:
        所有可能的有序子集列表

    Example:
        words = ["川西", "秋季", "风光"]
        结果:
        - 长度1: ["川西"], ["秋季"], ["风光"]
        - 长度2: ["川西", "秋季"], ["川西", "风光"], ["秋季", "风光"]
        - 长度3: ["川西", "秋季", "风光"]
        共 C(3,1) + C(3,2) + C(3,3) = 3 + 3 + 1 = 7种
    """
    from itertools import combinations

    subsets = []
    n = len(words)

    # 遍历所有可能的长度（从min_len到n）
    for r in range(min_len, n + 1):
        # 生成长度为r的所有索引组合
        for indices in combinations(range(n), r):
            # 按照原始顺序提取词
            subset = [words[i] for i in indices]
            subsets.append(subset)

    return subsets


def generate_domain_combinations(segments: list[Segment], n_domains: int) -> list[DomainCombination]:
    """
    生成N域组合

    步骤:
    1. 从len(segments)个域中选择n_domains个域（组合，保持顺序）
    2. 对每个选中的域，生成其words的所有有序子集
    3. 计算笛卡尔积，生成所有可能的组合

    Args:
        segments: 语义片段列表
        n_domains: 参与组合的域数量

    Returns:
        所有可能的N域组合列表

    Example:
        有4个域: [疑问标记, 核心动作, 修饰短语, 中心名词]
        n_domains=2时，选择域的方式: C(4,2) = 6种

        假设选中[核心动作, 中心名词]:
        - 核心动作的words: ["获取"], 子集: ["获取"]
        - 中心名词的words: ["风光", "摄影", "素材"], 子集: 7种
        则该域选择下的组合数: 1 * 7 = 7种
    """
    from itertools import combinations, product

    all_combinations = []
    n = len(segments)

    # 检查参数有效性
    if n_domains > n or n_domains < 1:
        return []

    # 1. 选择n_domains个域（保持原始顺序）
    for domain_indices in combinations(range(n), n_domains):
        selected_segments = [segments[i] for i in domain_indices]

        # 新增：如果所有域都只有1个词，跳过（单段落单词不组合）
        if all(len(seg.words) == 1 for seg in selected_segments):
            continue

        # 2. 为每个选中的域生成其words的所有有序子集
        domain_subsets = []
        for seg in selected_segments:
            if len(seg.words) == 0:
                # 如果某个域没有词，跳过该域组合
                domain_subsets = []
                break
            subsets = get_ordered_subsets(seg.words, min_len=1)
            domain_subsets.append(subsets)

        # 如果某个域没有词，跳过
        if len(domain_subsets) != n_domains:
            continue

        # 3. 计算笛卡尔积
        for word_combination in product(*domain_subsets):
            # word_combination 是一个tuple，每个元素是一个词列表
            # 例如: (["获取"], ["风光", "摄影"])

            # 计算总词数
            total_words = sum(len(words) for words in word_combination)

            # 如果总词数<=1，跳过（组词必须大于1个词）
            if total_words <= 1:
                continue

            # 将所有词连接成一个字符串
            combined_text = "".join(["".join(words) for words in word_combination])

            # 生成类型标签
            type_labels = [selected_segments[i].type for i in range(n_domains)]
            type_label = "[" + "+".join(type_labels) + "]"

            # 创建DomainCombination对象
            comb = DomainCombination(
                text=combined_text,
                domains=list(domain_indices),
                type_label=type_label,
                source_words=[list(words) for words in word_combination],  # 保存来源词
                from_segments=[seg.text for seg in selected_segments]
            )
            all_combinations.append(comb)

    return all_combinations


def extract_words_from_segments(segments: list[Segment]) -> list[Q]:
    """
    从 segments 中提取所有 words，转换为 Q 对象列表

    用于 Round 1 的输入：将 Round 0 的 words 转换为可用于请求SUG的 query 列表

    Args:
        segments: Round 0 的语义片段列表

    Returns:
        list[Q]: word 列表，每个 word 作为一个 Q 对象
    """
    q_list = []

    for seg_idx, segment in enumerate(segments):
        for word in segment.words:
            # 从 segment.word_scores 获取该 word 的评分
            word_score = segment.word_scores.get(word, 0.0)
            word_reason = segment.word_reasons.get(word, "")

            # 创建 Q 对象
            q = Q(
                text=word,
                score_with_o=word_score,
                reason=word_reason,
                from_source="word",  # 标记来源为 word
                type_label=f"[{segment.type}]",  # 保留域信息
                domain_index=seg_idx,  # 添加域索引
                domain_type=segment.type  # 添加域类型（如"中心名词"、"核心动作"）
            )
            q_list.append(q)

    return q_list


# ============================================================================
# v120 保留辅助函数
# ============================================================================

def calculate_final_score(
    motivation_score: float,
    category_score: float,
    extension_score: float,
    zero_reason: Optional[str],
    extension_reason: str = ""
) -> tuple[float, str]:
    """
    三维评估综合打分

    实现动态权重分配：
    - 情况1：标准情况 → 动机50% + 品类40% + 延伸词10%
    - 情况2：原始问题无动机 → 品类70% + 延伸词30%
    - 情况3：sug词条无动机 → 品类80% + 延伸词20%
    - 情况4：无延伸词 → 动机70% + 品类30%
    - 规则3：负分传导 → 核心维度严重负向时上限为0
    - 规则4：完美匹配加成 → 双维度≥0.95时加成+0.10

    Args:
        motivation_score: 动机维度得分 -1~1
        category_score: 品类维度得分 -1~1
        extension_score: 延伸词得分 -1~1
        zero_reason: 当motivation_score=0时的原因（可选）
        extension_reason: 延伸词评估理由，用于判断是否无延伸词

    Returns:
        (最终得分, 规则说明)
    """

    # 情况2：原始问题无动作意图
    if motivation_score == 0 and zero_reason == "原始问题无动机":
        W1, W2, W3 = 0.0, 0.70, 0.30
        base_score = category_score * W2 + extension_score * W3
        rule_applied = "情况2：原始问题无动作意图，权重调整为 品类70% + 延伸词30%"

    # 情况3：sug词条无动作意图（但原始问题有）
    elif motivation_score == 0 and zero_reason == "sug词条无动机":
        W1, W2, W3 = 0.0, 0.80, 0.20
        base_score = category_score * W2 + extension_score * W3
        rule_applied = "情况3：sug词条无动作意图，权重调整为 品类80% + 延伸词20%"

    # 情况4：无延伸词
    elif extension_score == 0:
        W1, W2, W3 = 0.70, 0.30, 0.0
        base_score = motivation_score * W1 + category_score * W2
        rule_applied = "情况4：无延伸词，权重调整为 动机70% + 品类30%"

    else:
        # 情况1：标准权重
        W1, W2, W3 = 0.50, 0.40, 0.10
        base_score = motivation_score * W1 + category_score * W2 + extension_score * W3
        rule_applied = ""

    # 规则4：完美匹配加成
    if motivation_score >= 0.95 and category_score >= 0.95:
        base_score += 0.10
        rule_applied += (" + " if rule_applied else "") + "规则4：双维度完美匹配，加成+0.10"

    # 规则3：负分传导
    if motivation_score <= -0.5 or category_score <= -0.5:
        base_score = min(base_score, 0)
        rule_applied += (" + " if rule_applied else "") + "规则3：核心维度严重负向，上限=0"

    # 边界处理
    final_score = max(-1.0, min(1.0, base_score))

    return final_score, rule_applied


def calculate_final_score_v2(
    motivation_score: float,
    category_score: float
) -> tuple[float, str]:
    """
    两维评估综合打分（v124新增 - 需求1）

    用于Round 0分词评估和域内/域间评估，不含延伸词维度

    基础权重：动机70% + 品类30%

    应用规则：
    - 规则A：动机高分保护机制
      IF 动机维度得分 ≥ 0.8:
         品类得分即使为0或轻微负向（-0.2~0）
         → 最终得分应该不低于0.7
      解释: 当目的高度一致时，品类的泛化不应导致"弱相关"

    - 规则B：动机低分限制机制
      IF 动机维度得分 ≤ 0.2:
         无论品类得分多高
         → 最终得分不高于0.5
      解释: 目的不符时，品类匹配的价值有限

    - 规则C：动机负向决定机制
      IF 动机维度得分 < 0:
         → 最终得分为0
      解释: 动作意图冲突时，推荐具有误导性，不应为正相关

    Args:
        motivation_score: 动机维度得分 -1~1
        category_score: 品类维度得分 -1~1

    Returns:
        (最终得分, 规则说明)
    """

    rule_applied = ""

    # 规则C：动机负向决定机制
    if motivation_score < 0:
        final_score = 0.0
        rule_applied = "规则C：动机负向，最终得分=0"
        return final_score, rule_applied

    # 基础加权计算: 动机70% + 品类30%
    base_score = motivation_score * 0.7 + category_score * 0.3

    # 规则A：动机高分保护机制
    if motivation_score >= 0.8:
        if base_score < 0.7:
            final_score = 0.7
            rule_applied = f"规则A：动机高分保护（动机{motivation_score:.2f}≥0.8），最终得分下限=0.7"
        else:
            final_score = base_score
            rule_applied = f"规则A：动机高分保护生效（动机{motivation_score:.2f}≥0.8），实际得分{base_score:.2f}已≥0.7"

    # 规则B：动机低分限制机制
    elif motivation_score <= 0.2:
        if base_score > 0.5:
            final_score = 0.5
            rule_applied = f"规则B：动机低分限制（动机{motivation_score:.2f}≤0.2），最终得分上限=0.5"
        else:
            final_score = base_score
            rule_applied = f"规则B：动机低分限制生效（动机{motivation_score:.2f}≤0.2），实际得分{base_score:.2f}已≤0.5"

    # 无规则触发
    else:
        final_score = base_score
        rule_applied = ""

    # 边界处理
    final_score = max(-1.0, min(1.0, final_score))

    return final_score, rule_applied


def clean_json_string(text: str) -> str:
    """清理JSON中的非法控制字符（保留 \t \n \r）"""
    import re
    # 移除除了 \t(09) \n(0A) \r(0D) 之外的所有控制字符
    return re.sub(r'[\x00-\x08\x0B\x0C\x0E-\x1F]', '', text)


def process_note_data(note: dict) -> Post:
    """处理搜索接口返回的帖子数据"""
    note_card = note.get("note_card", {})
    image_list = note_card.get("image_list", [])
    interact_info = note_card.get("interact_info", {})
    user_info = note_card.get("user", {})

    # ========== 调试日志 START ==========
    note_id = note.get("id", "")
    raw_title = note_card.get("display_title")  # 不提供默认值
    raw_body = note_card.get("desc")
    raw_type = note_card.get("type")

    # 打印原始值类型和内容
    print(f"\n[DEBUG] 处理帖子 {note_id}:")
    print(f"  raw_title 类型: {type(raw_title).__name__}, 值: {repr(raw_title)}")
    print(f"  raw_body 类型: {type(raw_body).__name__}, 值: {repr(raw_body)[:100] if raw_body else repr(raw_body)}")
    print(f"  raw_type 类型: {type(raw_type).__name__}, 值: {repr(raw_type)}")

    # 检查是否为 None
    if raw_title is None:
        print(f"  ⚠️  WARNING: display_title 是 None!")
    if raw_body is None:
        print(f"  ⚠️  WARNING: desc 是 None!")
    if raw_type is None:
        print(f"  ⚠️  WARNING: type 是 None!")
    # ========== 调试日志 END ==========

    # 提取图片URL - 使用新的字段名 image_url
    images = []
    for img in image_list:
        if isinstance(img, dict):
            # 尝试新字段名 image_url，如果不存在则尝试旧字段名 url_default
            img_url = img.get("image_url") or img.get("url_default")
            if img_url:
                images.append(img_url)

    # 判断类型
    note_type = note_card.get("type", "normal")
    video_url = ""
    if note_type == "video":
        video_info = note_card.get("video", {})
        if isinstance(video_info, dict):
            # 尝试获取视频URL
            video_url = video_info.get("media", {}).get("stream", {}).get("h264", [{}])[0].get("master_url", "")

    return Post(
        note_id=note.get("id") or "",
        title=note_card.get("display_title") or "",
        body_text=note_card.get("desc") or "",
        type=note_type,
        images=images,
        video=video_url,
        interact_info={
            "liked_count": interact_info.get("liked_count", 0),
            "collected_count": interact_info.get("collected_count", 0),
            "comment_count": interact_info.get("comment_count", 0),
            "shared_count": interact_info.get("shared_count", 0)
        },
        note_url=f"https://www.xiaohongshu.com/explore/{note.get('id', '')}"
    )


async def evaluate_with_o(text: str, o: str, cache: dict[str, tuple[float, str]] | None = None) -> tuple[float, str]:
    """评估文本与原始问题o的相关度

    采用两阶段评估 + 代码计算规则：
    1. 动机维度评估（权重70%）
    2. 品类维度评估（权重30%）
    3. 应用规则A/B/C调整得分

    Args:
        text: 待评估的文本
        o: 原始问题
        cache: 评估缓存（可选），用于避免重复评估

    Returns:
        tuple[float, str]: (最终相关度分数, 综合评估理由)
    """
    # 检查缓存
    if cache is not None and text in cache:
        cached_score, cached_reason = cache[text]
        print(f"  ⚡ 缓存命中: {text} -> {cached_score:.2f}")
        return cached_score, cached_reason

    # 准备输入
    eval_input = f"""
<原始问题>
{o}
</原始问题>

<平台sug词条>
{text}
</平台sug词条>

请评估平台sug词条与原始问题的匹配度。
"""

    # 添加重试机制
    max_retries = 2
    last_error = None

    for attempt in range(max_retries):
        try:
            # 并发调用三个评估器
            motivation_task = Runner.run(motivation_evaluator, eval_input)
            category_task = Runner.run(category_evaluator, eval_input)
            extension_task = Runner.run(extension_word_evaluator, eval_input)

            motivation_result, category_result, extension_result = await asyncio.gather(
                motivation_task,
                category_task,
                extension_task
            )

            # 获取评估结果
            motivation_eval: MotivationEvaluation = motivation_result.final_output
            category_eval: CategoryEvaluation = category_result.final_output
            extension_eval: ExtensionWordEvaluation = extension_result.final_output

            # 提取得分
            motivation_score = motivation_eval.动机维度得分
            category_score = category_eval.品类维度得分
            extension_score = extension_eval.延伸词得分
            zero_reason = motivation_eval.得分为零的原因

            # 应用规则计算最终得分
            final_score, rule_applied = calculate_final_score(
                motivation_score, category_score, extension_score, zero_reason,
                extension_eval.简要说明延伸词维度相关度理由
            )

            # 组合评估理由
            core_motivation = motivation_eval.原始问题核心动机提取.简要说明核心动机
            motivation_reason = motivation_eval.简要说明动机维度相关度理由
            category_reason = category_eval.简要说明品类维度相关度理由
            extension_reason = extension_eval.简要说明延伸词维度相关度理由

            combined_reason = (
                f'【评估对象】词条"{text}" vs 原始问题"{o}"\n'
                f"【核心动机】{core_motivation}\n"
                f"【动机维度 {motivation_score:.2f}】{motivation_reason}\n"
                f"【品类维度 {category_score:.2f}】{category_reason}\n"
                f"【延伸词维度 {extension_score:.2f}】{extension_reason}\n"
                f"【最终得分 {final_score:.2f}】"
            )

            # 添加规则说明
            if rule_applied:
                combined_reason += f"\n【规则说明】{rule_applied}"

            # 存入缓存
            if cache is not None:
                cache[text] = (final_score, combined_reason)

            return final_score, combined_reason

        except Exception as e:
            last_error = e
            error_msg = str(e)

            if attempt < max_retries - 1:
                print(f"  ⚠️  评估失败 (尝试 {attempt+1}/{max_retries}): {error_msg[:150]}")
                print(f"  正在重试...")
                await asyncio.sleep(1)  # 等待1秒后重试
            else:
                print(f"  ❌ 评估失败 (已达最大重试次数): {error_msg[:150]}")

    # 所有重试失败后，返回默认值
    fallback_reason = f"评估失败(重试{max_retries}次): {str(last_error)[:200]}"
    print(f"  使用默认值: score=0.0, reason={fallback_reason[:100]}...")
    return 0.0, fallback_reason


async def evaluate_with_o_round0(text: str, o: str, cache: dict[str, tuple[float, str]] | None = None) -> tuple[float, str]:
    """Round 0专用评估函数（v124新增 - 需求1）

    用于评估segment和word与原始问题的相关度
    不含延伸词维度，使用Round 0专用Prompt和新评分逻辑

    采用两维评估：
    1. 动机维度评估（权重70%）
    2. 品类维度评估（权重30%）
    3. 应用规则A/B/C调整得分

    Args:
        text: 待评估的文本（segment或word）
        o: 原始问题
        cache: 评估缓存（可选），用于避免重复评估

    Returns:
        tuple[float, str]: (最终相关度分数, 综合评估理由)
    """
    # 检查缓存
    cache_key = f"round0:{text}:{o}"  # 添加前缀以区分不同评估类型
    if cache is not None and cache_key in cache:
        cached_score, cached_reason = cache[cache_key]
        print(f"  ⚡ Round0缓存命中: {text} -> {cached_score:.2f}")
        return cached_score, cached_reason

    # 准备输入
    eval_input = f"""
<原始问题>
{o}
</原始问题>

<词条>
{text}
</词条>

请评估词条与原始问题的匹配度。
"""

    # 添加重试机制
    max_retries = 2
    last_error = None

    for attempt in range(max_retries):
        try:
            # 并发调用两个评估器（不含延伸词）
            motivation_task = Runner.run(round0_motivation_evaluator, eval_input)
            category_task = Runner.run(round0_category_evaluator, eval_input)

            motivation_result, category_result = await asyncio.gather(
                motivation_task,
                category_task
            )

            # 获取评估结果
            motivation_eval: MotivationEvaluation = motivation_result.final_output
            category_eval: CategoryEvaluation = category_result.final_output

            # 提取得分
            motivation_score = motivation_eval.动机维度得分
            category_score = category_eval.品类维度得分

            # 应用新规则计算最终得分
            final_score, rule_applied = calculate_final_score_v2(
                motivation_score, category_score
            )

            # 组合评估理由
            core_motivation = motivation_eval.原始问题核心动机提取.简要说明核心动机
            motivation_reason = motivation_eval.简要说明动机维度相关度理由
            category_reason = category_eval.简要说明品类维度相关度理由

            combined_reason = (
                f'【评估对象】词条"{text}" vs 原始问题"{o}"\n'
                f"【核心动机】{core_motivation}\n"
                f"【动机维度 {motivation_score:.2f}】{motivation_reason}\n"
                f"【品类维度 {category_score:.2f}】{category_reason}\n"
                f"【最终得分 {final_score:.2f}】"
            )

            # 添加规则说明
            if rule_applied:
                combined_reason += f"\n【规则说明】{rule_applied}"

            # 存入缓存
            if cache is not None:
                cache[cache_key] = (final_score, combined_reason)

            return final_score, combined_reason

        except Exception as e:
            last_error = e
            error_msg = str(e)

            if attempt < max_retries - 1:
                print(f"  ⚠️  Round0评估失败 (尝试 {attempt+1}/{max_retries}): {error_msg[:150]}")
                print(f"  正在重试...")
                await asyncio.sleep(1)
            else:
                print(f"  ❌ Round0评估失败 (已达最大重试次数): {error_msg[:150]}")

    # 所有重试失败后，返回默认值
    fallback_reason = f"Round0评估失败(重试{max_retries}次): {str(last_error)[:200]}"
    print(f"  使用默认值: score=0.0, reason={fallback_reason[:100]}...")
    return 0.0, fallback_reason


async def evaluate_within_scope(text: str, scope_text: str, cache: dict[str, tuple[float, str]] | None = None) -> tuple[float, str]:
    """域内/域间专用评估函数（v124新增 - 需求2&3）

    用于评估词条与作用域词条（单域或域组合）的相关度
    不含延伸词维度，使用域内专用Prompt和新评分逻辑

    采用两维评估：
    1. 动机维度评估（权重70%）
    2. 品类维度评估（权重30%）
    3. 应用规则A/B/C调整得分

    Args:
        text: 待评估的词条
        scope_text: 作用域词条（可以是单域词条或域组合词条）
        cache: 评估缓存（可选），用于避免重复评估

    Returns:
        tuple[float, str]: (最终相关度分数, 综合评估理由)
    """
    # 检查缓存
    cache_key = f"scope:{text}:{scope_text}"  # 添加前缀以区分不同评估类型
    if cache is not None and cache_key in cache:
        cached_score, cached_reason = cache[cache_key]
        print(f"  ⚡ 域内缓存命中: {text} -> {cached_score:.2f}")
        return cached_score, cached_reason

    # 准备输入
    eval_input = f"""
<同一作用域词条>
{scope_text}
</同一作用域词条>

<词条>
{text}
</词条>

请评估词条与同一作用域词条的匹配度。
"""

    # 添加重试机制
    max_retries = 2
    last_error = None

    for attempt in range(max_retries):
        try:
            # 并发调用两个评估器（不含延伸词）
            motivation_task = Runner.run(scope_motivation_evaluator, eval_input)
            category_task = Runner.run(scope_category_evaluator, eval_input)

            motivation_result, category_result = await asyncio.gather(
                motivation_task,
                category_task
            )

            # 获取评估结果
            motivation_eval: MotivationEvaluation = motivation_result.final_output
            category_eval: CategoryEvaluation = category_result.final_output

            # 提取得分
            motivation_score = motivation_eval.动机维度得分
            category_score = category_eval.品类维度得分

            # 应用新规则计算最终得分
            final_score, rule_applied = calculate_final_score_v2(
                motivation_score, category_score
            )

            # 组合评估理由
            core_motivation = motivation_eval.原始问题核心动机提取.简要说明核心动机
            motivation_reason = motivation_eval.简要说明动机维度相关度理由
            category_reason = category_eval.简要说明品类维度相关度理由

            combined_reason = (
                f'【评估对象】词条"{text}" vs 作用域词条"{scope_text}"\n'
                f"【核心动机】{core_motivation}\n"
                f"【动机维度 {motivation_score:.2f}】{motivation_reason}\n"
                f"【品类维度 {category_score:.2f}】{category_reason}\n"
                f"【最终得分 {final_score:.2f}】"
            )

            # 添加规则说明
            if rule_applied:
                combined_reason += f"\n【规则说明】{rule_applied}"

            # 存入缓存
            if cache is not None:
                cache[cache_key] = (final_score, combined_reason)

            return final_score, combined_reason

        except Exception as e:
            last_error = e
            error_msg = str(e)

            if attempt < max_retries - 1:
                print(f"  ⚠️  域内评估失败 (尝试 {attempt+1}/{max_retries}): {error_msg[:150]}")
                print(f"  正在重试...")
                await asyncio.sleep(1)
            else:
                print(f"  ❌ 域内评估失败 (已达最大重试次数): {error_msg[:150]}")

    # 所有重试失败后，返回默认值
    fallback_reason = f"域内评估失败(重试{max_retries}次): {str(last_error)[:200]}"
    print(f"  使用默认值: score=0.0, reason={fallback_reason[:100]}...")
    return 0.0, fallback_reason


# ============================================================================
# v125 新增辅助函数（用于新评分逻辑）
# ============================================================================

def get_source_word_score(
    word_text: str,
    segment: Segment,
    context: RunContext
) -> float:
    """
    查找来源词的得分

    查找顺序:
    1. 先查 segment.word_scores (Round 0的单个词)
    2. 再查 context.word_score_history (Round 1+的组合)

    Args:
        word_text: 词文本
        segment: 该词所在的segment
        context: 运行上下文

    Returns:
        词的得分，找不到返回0.0
    """
    # 优先查Round 0的词得分
    if word_text in segment.word_scores:
        return segment.word_scores[word_text]

    # 其次查历史组合得分
    if word_text in context.word_score_history:
        return context.word_score_history[word_text]

    # 都找不到
    print(f"  ⚠️  警告: 未找到来源词得分: {word_text}")
    return 0.0


async def evaluate_domain_combination_round1(
    comb: DomainCombination,
    segments: list[Segment],
    context: RunContext
) -> tuple[float, str]:
    """
    Round 1 域内组合评估（新逻辑）

    最终得分 = 品类得分 × 原始域得分

    Args:
        comb: 域内组合对象
        segments: 所有segment列表
        context: 运行上下文

    Returns:
        (最终得分, 评估理由)
    """
    # 获取所属segment
    domain_idx = comb.domains[0] if comb.domains else 0
    segment = segments[domain_idx] if 0 <= domain_idx < len(segments) else None

    if not segment:
        return 0.0, "错误: 无法找到所属segment"

    # 拼接作用域文本
    scope_text = segment.text

    # 准备输入
    eval_input = f"""
<同一作用域词条>
{scope_text}
</同一作用域词条>

<词条>
{comb.text}
</词条>

请评估词条与同一作用域词条的匹配度。
"""

    # 只调用品类评估器
    try:
        category_result = await Runner.run(scope_category_evaluator, eval_input)
        category_eval: CategoryEvaluation = category_result.final_output
        category_score = category_eval.品类维度得分
        category_reason = category_eval.简要说明品类维度相关度理由
    except Exception as e:
        print(f"  ❌ Round 1品类评估失败: {e}")
        return 0.0, f"评估失败: {str(e)[:100]}"

    # 计算最终得分
    domain_score = segment.score_with_o
    final_score = category_score * domain_score

    # 组合评估理由
    combined_reason = (
        f'【Round 1 域内评估】\n'
        f'【评估对象】组合"{comb.text}" vs 作用域"{scope_text}"\n'
        f'【品类得分】{category_score:.2f} - {category_reason}\n'
        f'【原始域得分】{domain_score:.2f}\n'
        f'【计算公式】品类得分 × 域得分 = {category_score:.2f} × {domain_score:.2f}\n'
        f'【最终得分】{final_score:.2f}'
    )

    return final_score, combined_reason


async def evaluate_domain_combination_round2plus(
    comb: DomainCombination,
    segments: list[Segment],
    context: RunContext
) -> tuple[float, str]:
    """
    Round 2+ 域间组合评估（新逻辑 - 两步评估相乘）

    步骤:
    1. 计算全域组合得分 A: 全域组合 vs 原始query（动机+品类两维）
    2. 计算部分组合得分 B: 部分组合 vs 全域组合（域内评估）
    3. 最终得分 = A × B，截断到1.0

    Args:
        comb: 域间组合对象
        segments: 所有segment列表
        context: 运行上下文

    Returns:
        (最终得分, 评估理由)
    """
    # 全域组合文本 = 拼接所有参与组合的segments
    full_domain_text = "".join(comb.from_segments)

    # 步骤1: 计算全域组合得分 A
    # 全域组合 vs 原始问题（动机+品类两维评估）
    score_A, reason_A = await evaluate_with_o_round0(
        full_domain_text,
        context.o,  # 原始问题
        context.evaluation_cache
    )

    # 步骤2: 计算部分组合得分 B
    # 部分组合 vs 全域组合（域内评估）
    score_B, reason_B = await evaluate_within_scope(
        comb.text,          # 部分组合，如"获取川西"
        full_domain_text,   # 全域组合，如"如何获取川西秋季特色"
        context.evaluation_cache
    )

    # 步骤3: 计算最终得分
    final_score = score_A * score_B
    final_score = min(1.0, max(-1.0, final_score))  # 截断到[-1.0, 1.0]

    # 组合评估理由
    combined_reason = (
        f'【Round 2+ 域间评估（两步评估相乘）】\n'
        f'【评估对象】部分组合 "{comb.text}"\n'
        f'\n'
        f'【步骤1: 全域组合得分 A】\n'
        f'  全域组合文本: "{full_domain_text}"\n'
        f'  评估方式: 全域组合 vs 原始问题（动机+品类两维）\n'
        f'  {reason_A}\n'
        f'  得分A = {score_A:.2f}\n'
        f'\n'
        f'【步骤2: 部分组合得分 B】\n'
        f'  部分组合文本: "{comb.text}"\n'
        f'  评估方式: 部分组合 vs 全域组合（域内评估）\n'
        f'  {reason_B}\n'
        f'  得分B = {score_B:.2f}\n'
        f'\n'
        f'【最终得分】A × B = {score_A:.2f} × {score_B:.2f} = {score_A * score_B:.2f}\n'
        f'【截断后】{final_score:.2f}'
    )

    return final_score, combined_reason


# ============================================================================
# 核心流程函数
# ============================================================================

async def initialize(o: str, context: RunContext) -> tuple[list[Seg], list[Word], list[Q], list[Seed]]:
    """
    初始化阶段

    Returns:
        (seg_list, word_list_1, q_list_1, seed_list)
    """
    print(f"\n{'='*60}")
    print(f"初始化阶段")
    print(f"{'='*60}")

    # 1. 分词：原始问题(o) ->分词-> seg_list
    print(f"\n[步骤1] 分词...")
    result = await Runner.run(word_segmenter, o)
    segmentation: WordSegmentation = result.final_output

    seg_list = []
    for word in segmentation.words:
        seg_list.append(Seg(text=word, from_o=o))

    print(f"分词结果: {[s.text for s in seg_list]}")
    print(f"分词理由: {segmentation.reasoning}")

    # 2. 分词评估：seg_list -> 每个seg与o进行评分（使用信号量限制并发数）
    print(f"\n[步骤2] 评估每个分词与原始问题的相关度...")

    MAX_CONCURRENT_SEG_EVALUATIONS = 10
    seg_semaphore = asyncio.Semaphore(MAX_CONCURRENT_SEG_EVALUATIONS)

    async def evaluate_seg(seg: Seg) -> Seg:
        async with seg_semaphore:
            # 初始化阶段的分词评估使用第一轮 prompt (round_num=1)
            seg.score_with_o, seg.reason = await evaluate_with_o(seg.text, o, context.evaluation_cache, round_num=1)
            return seg

    if seg_list:
        print(f"  开始评估 {len(seg_list)} 个分词（并发限制: {MAX_CONCURRENT_SEG_EVALUATIONS}）...")
        eval_tasks = [evaluate_seg(seg) for seg in seg_list]
        await asyncio.gather(*eval_tasks)

    for seg in seg_list:
        print(f"  {seg.text}: {seg.score_with_o:.2f}")

    # 3. 构建word_list_1: seg_list -> word_list_1（固定词库）
    print(f"\n[步骤3] 构建word_list_1（固定词库）...")
    word_list_1 = []
    for seg in seg_list:
        word_list_1.append(Word(
            text=seg.text,
            score_with_o=seg.score_with_o,
            from_o=o
        ))
    print(f"word_list_1（固定）: {[w.text for w in word_list_1]}")

    # 4. 构建q_list_1：seg_list 作为 q_list_1
    print(f"\n[步骤4] 构建q_list_1...")
    q_list_1 = []
    for seg in seg_list:
        q_list_1.append(Q(
            text=seg.text,
            score_with_o=seg.score_with_o,
            reason=seg.reason,
            from_source="seg"
        ))
    print(f"q_list_1: {[q.text for q in q_list_1]}")

    # 5. 构建seed_list: seg_list -> seed_list
    print(f"\n[步骤5] 构建seed_list...")
    seed_list = []
    for seg in seg_list:
        seed_list.append(Seed(
            text=seg.text,
            added_words=[],
            from_type="seg",
            score_with_o=seg.score_with_o
        ))
    print(f"seed_list: {[s.text for s in seed_list]}")

    return seg_list, word_list_1, q_list_1, seed_list


async def run_round(
    round_num: int,
    q_list: list[Q],
    word_list_1: list[Word],
    seed_list: list[Seed],
    o: str,
    context: RunContext,
    xiaohongshu_api: XiaohongshuSearchRecommendations,
    xiaohongshu_search: XiaohongshuSearch,
    sug_threshold: float = 0.7
) -> tuple[list[Q], list[Seed], list[Search]]:
    """
    运行一轮

    Args:
        round_num: 轮次编号
        q_list: 当前轮的q列表
        word_list_1: 固定的词库（第0轮分词结果）
        seed_list: 当前的seed列表
        o: 原始问题
        context: 运行上下文
        xiaohongshu_api: 建议词API
        xiaohongshu_search: 搜索API
        sug_threshold: suggestion的阈值

    Returns:
        (q_list_next, seed_list_next, search_list)
    """
    print(f"\n{'='*60}")
    print(f"第{round_num}轮")
    print(f"{'='*60}")

    round_data = {
        "round_num": round_num,
        "input_q_list": [{"text": q.text, "score": q.score_with_o, "type": "query"} for q in q_list],
        "input_word_list_1_size": len(word_list_1),
        "input_seed_list_size": len(seed_list)
    }

    # 1. 请求sug：q_list -> 每个q请求sug接口 -> sug_list_list
    print(f"\n[步骤1] 为每个q请求建议词...")
    sug_list_list = []  # list of list
    for q in q_list:
        print(f"\n  处理q: {q.text}")
        suggestions = xiaohongshu_api.get_recommendations(keyword=q.text)

        q_sug_list = []
        if suggestions:
            print(f"    获取到 {len(suggestions)} 个建议词")
            for sug_text in suggestions:
                sug = Sug(
                    text=sug_text,
                    from_q=QFromQ(text=q.text, score_with_o=q.score_with_o)
                )
                q_sug_list.append(sug)
        else:
            print(f"    未获取到建议词")

        sug_list_list.append(q_sug_list)

    # 2. sug评估：sug_list_list -> 每个sug与o进行评分（并发）
    print(f"\n[步骤2] 评估每个建议词与原始问题的相关度...")

    # 2.1 收集所有需要评估的sug，并记录它们所属的q
    all_sugs = []
    sug_to_q_map = {}  # 记录每个sug属于哪个q
    for i, q_sug_list in enumerate(sug_list_list):
        if q_sug_list:
            q_text = q_list[i].text
            for sug in q_sug_list:
                all_sugs.append(sug)
                sug_to_q_map[id(sug)] = q_text

    # 2.2 并发评估所有sug（使用信号量限制并发数）
    # 每个 evaluate_sug 内部会并发调用 2 个 LLM，所以这里限制为 5，实际并发 LLM 请求为 10
    MAX_CONCURRENT_EVALUATIONS = 5
    semaphore = asyncio.Semaphore(MAX_CONCURRENT_EVALUATIONS)

    async def evaluate_sug(sug: Sug) -> Sug:
        async with semaphore:  # 限制并发数
            # 根据轮次选择 prompt: 第一轮使用 round1 prompt，后续使用标准 prompt
            sug.score_with_o, sug.reason = await evaluate_with_o(sug.text, o, context.evaluation_cache, round_num=round_num)
            return sug

    if all_sugs:
        print(f"  开始评估 {len(all_sugs)} 个建议词（并发限制: {MAX_CONCURRENT_EVALUATIONS}）...")
        eval_tasks = [evaluate_sug(sug) for sug in all_sugs]
        await asyncio.gather(*eval_tasks)

    # 2.3 打印结果并组织到sug_details
    sug_details = {}  # 保存每个Q对应的sug列表
    for i, q_sug_list in enumerate(sug_list_list):
        if q_sug_list:
            q_text = q_list[i].text
            print(f"\n  来自q '{q_text}' 的建议词:")
            sug_details[q_text] = []
            for sug in q_sug_list:
                print(f"    {sug.text}: {sug.score_with_o:.2f}")
                # 保存到sug_details
                sug_details[q_text].append({
                    "text": sug.text,
                    "score": sug.score_with_o,
                    "reason": sug.reason,
                    "type": "sug"
                })

    # 2.4 剪枝判断（已禁用 - 保留所有分支）
    pruned_query_texts = set()
    if False:  # 原: if round_num >= 2:  # 剪枝功能已禁用，保留代码以便后续调整
        print(f"\n[剪枝判断] 第{round_num}轮开始应用剪枝策略...")
        for i, q in enumerate(q_list):
            q_sug_list = sug_list_list[i]

            if len(q_sug_list) == 0:
                continue  # 没有sug则不剪枝

            # 剪枝条件1: 所有sug分数都低于query分数
            all_lower_than_query = all(sug.score_with_o < q.score_with_o for sug in q_sug_list)
            # 剪枝条件2: 所有sug分数都低于0.5
            all_below_threshold = all(sug.score_with_o < 0.5 for sug in q_sug_list)

            if all_lower_than_query and all_below_threshold:
                pruned_query_texts.add(q.text)
                max_sug_score = max(sug.score_with_o for sug in q_sug_list)
                print(f"  🔪 剪枝: {q.text} (query分数:{q.score_with_o:.2f}, sug最高分:{max_sug_score:.2f}, 全部<0.5)")

        if pruned_query_texts:
            print(f"  本轮共剪枝 {len(pruned_query_texts)} 个query")
        else:
            print(f"  本轮无query被剪枝")
    else:
        print(f"\n[剪枝判断] 剪枝功能已禁用，保留所有分支")

    # 3. search_list构建
    print(f"\n[步骤3] 构建search_list（阈值>{sug_threshold}）...")
    search_list = []
    high_score_sugs = [sug for sug in all_sugs if sug.score_with_o > sug_threshold]

    if high_score_sugs:
        print(f"  找到 {len(high_score_sugs)} 个高分建议词")

        # 并发搜索
        async def search_for_sug(sug: Sug) -> Search:
            print(f"    搜索: {sug.text}")
            try:
                search_result = xiaohongshu_search.search(keyword=sug.text)
                result_str = search_result.get("result", "{}")
                if isinstance(result_str, str):
                    result_data = json.loads(result_str)
                else:
                    result_data = result_str

                notes = result_data.get("data", {}).get("data", [])
                post_list = []
                for note in notes[:10]:  # 只取前10个
                    post = process_note_data(note)
                    post_list.append(post)

                print(f"      → 找到 {len(post_list)} 个帖子")

                return Search(
                    text=sug.text,
                    score_with_o=sug.score_with_o,
                    from_q=sug.from_q,
                    post_list=post_list
                )
            except Exception as e:
                print(f"      ✗ 搜索失败: {e}")
                return Search(
                    text=sug.text,
                    score_with_o=sug.score_with_o,
                    from_q=sug.from_q,
                    post_list=[]
                )

        search_tasks = [search_for_sug(sug) for sug in high_score_sugs]
        search_list = await asyncio.gather(*search_tasks)
    else:
        print(f"  没有高分建议词，search_list为空")

    # 4. 构建q_list_next
    print(f"\n[步骤4] 构建q_list_next...")
    q_list_next = []
    existing_q_texts = set()  # 用于去重
    add_word_details = {}  # 保存每个seed对应的组合词列表
    all_seed_combinations = []  # 保存本轮所有seed的组合词（用于后续构建seed_list_next）

    # 4.1 对于seed_list中的每个seed，从word_list_1中选词组合，产生Top 5
    print(f"\n  4.1 为每个seed加词（产生Top 5组合）...")
    for seed in seed_list:
        print(f"\n    处理seed: {seed.text}")

        # 剪枝检查：跳过被剪枝的seed
        if seed.text in pruned_query_texts:
            print(f"      ⊗ 跳过被剪枝的seed: {seed.text}")
            continue

        # 从固定词库word_list_1筛选候选词
        candidate_words = []
        for word in word_list_1:
            # 检查词是否已在seed中
            if word.text in seed.text:
                continue
            # 检查词是否已被添加过
            if word.text in seed.added_words:
                continue
            candidate_words.append(word)

        if not candidate_words:
            print(f"      没有可用的候选词")
            continue

        print(f"      候选词数量: {len(candidate_words)}")

        # 调用Agent一次性选择并组合Top 5（添加重试机制）
        candidate_words_text = ', '.join([w.text for w in candidate_words])
        selection_input = f"""
<原始问题>
{o}
</原始问题>

<当前Seed>
{seed.text}
</当前Seed>

<候选词列表>
{candidate_words_text}
</候选词列表>

请从候选词列表中选择最多5个最合适的词，分别与当前seed组合成新的query。
"""

        # 重试机制
        max_retries = 2
        selection_result = None
        for attempt in range(max_retries):
            try:
                result = await Runner.run(word_selector, selection_input)
                selection_result = result.final_output
                break  # 成功则跳出
            except Exception as e:
                error_msg = str(e)
                if attempt < max_retries - 1:
                    print(f"      ⚠️  选词失败 (尝试 {attempt+1}/{max_retries}): {error_msg[:100]}")
                    await asyncio.sleep(1)
                else:
                    print(f"      ❌ 选词失败，跳过该seed: {error_msg[:100]}")
                    break

        if selection_result is None:
            print(f"      跳过seed: {seed.text}")
            continue

        print(f"      Agent选择了 {len(selection_result.combinations)} 个组合")
        print(f"      整体选择思路: {selection_result.overall_reasoning}")

        # 并发评估所有组合的相关度
        async def evaluate_combination(comb: WordCombination) -> dict:
            combined = comb.combined_query

            # 验证：组合结果必须包含完整的seed和word
            # 检查是否包含seed的所有字符
            seed_chars_in_combined = all(char in combined for char in seed.text)
            # 检查是否包含word的所有字符
            word_chars_in_combined = all(char in combined for char in comb.selected_word)

            if not seed_chars_in_combined or not word_chars_in_combined:
                print(f"        ⚠️  警告：组合不完整")
                print(f"          Seed: {seed.text}")
                print(f"          Word: {comb.selected_word}")
                print(f"          组合: {combined}")
                print(f"          包含完整seed? {seed_chars_in_combined}")
                print(f"          包含完整word? {word_chars_in_combined}")
                # 返回极低分数，让这个组合不会被选中
                return {
                    'word': comb.selected_word,
                    'query': combined,
                    'score': -1.0,  # 极低分数
                    'reason': f"组合不完整：缺少seed或word的部分内容",
                    'reasoning': comb.reasoning
                }

            # 正常评估，根据轮次选择 prompt
            score, reason = await evaluate_with_o(combined, o, context.evaluation_cache, round_num=round_num)
            return {
                'word': comb.selected_word,
                'query': combined,
                'score': score,
                'reason': reason,
                'reasoning': comb.reasoning
            }

        eval_tasks = [evaluate_combination(comb) for comb in selection_result.combinations]
        top_5 = await asyncio.gather(*eval_tasks)

        print(f"      评估完成，得到 {len(top_5)} 个组合")

        # 将Top 5全部加入q_list_next（去重检查 + 得分过滤）
        for comb in top_5:
            # 得分过滤：组合词必须比种子提升至少REQUIRED_SCORE_GAIN才能加入下一轮
            if comb['score'] < seed.score_with_o + REQUIRED_SCORE_GAIN:
                print(f"        ⊗ 跳过低分: {comb['query']} (分数{comb['score']:.2f} < 种子{seed.score_with_o:.2f} + {REQUIRED_SCORE_GAIN:.2f})")
                continue

            # 去重检查
            if comb['query'] in existing_q_texts:
                print(f"        ⊗ 跳过重复: {comb['query']}")
                continue

            print(f"        ✓ {comb['query']} (分数: {comb['score']:.2f} > 种子: {seed.score_with_o:.2f})")

            new_q = Q(
                text=comb['query'],
                score_with_o=comb['score'],
                reason=comb['reason'],
                from_source="add"
            )
            q_list_next.append(new_q)
            existing_q_texts.add(comb['query'])  # 记录到去重集合

            # 记录已添加的词
            seed.added_words.append(comb['word'])

        # 保存到add_word_details
        add_word_details[seed.text] = [
            {
                "text": comb['query'],
                "score": comb['score'],
                "reason": comb['reason'],
                "selected_word": comb['word'],
                "seed_score": seed.score_with_o,  # 添加原始种子的得分
                "type": "add"
            }
            for comb in top_5
        ]

        # 保存到all_seed_combinations（用于构建seed_list_next）
        # 附加seed_score，用于后续过滤
        for comb in top_5:
            comb['seed_score'] = seed.score_with_o
        all_seed_combinations.extend(top_5)

    # 4.2 对于sug_list_list中，每个sug大于来自的query分数，加到q_list_next（去重检查）
    print(f"\n  4.2 将高分sug加入q_list_next...")
    for sug in all_sugs:
        # 剪枝检查：跳过来自被剪枝query的sug
        if sug.from_q and sug.from_q.text in pruned_query_texts:
            print(f"    ⊗ 跳过来自被剪枝query的sug: {sug.text} (来源: {sug.from_q.text})")
            continue

        # sug必须比来源query提升至少REQUIRED_SCORE_GAIN才能加入下一轮
        if sug.from_q and sug.score_with_o >= sug.from_q.score_with_o + REQUIRED_SCORE_GAIN:
            # 去重检查
            if sug.text in existing_q_texts:
                print(f"    ⊗ 跳过重复: {sug.text}")
                continue

            new_q = Q(
                text=sug.text,
                score_with_o=sug.score_with_o,
                reason=sug.reason,
                from_source="sug"
            )
            q_list_next.append(new_q)
            existing_q_texts.add(sug.text)  # 记录到去重集合
            print(f"    ✓ {sug.text} (分数: {sug.score_with_o:.2f} >= 来源query: {sug.from_q.score_with_o:.2f} + {REQUIRED_SCORE_GAIN:.2f})")

    # 5. 构建seed_list_next（关键修改：不保留上一轮的seed）
    print(f"\n[步骤5] 构建seed_list_next（不保留上轮seed）...")
    seed_list_next = []
    existing_seed_texts = set()

    # 5.1 加入本轮所有组合词（只加入得分提升的）
    print(f"  5.1 加入本轮所有组合词（得分过滤）...")
    for comb in all_seed_combinations:
        # 得分过滤：组合词必须比种子提升至少REQUIRED_SCORE_GAIN才作为下一轮种子
        seed_score = comb.get('seed_score', 0)
        if comb['score'] < seed_score + REQUIRED_SCORE_GAIN:
            print(f"    ⊗ 跳过低分: {comb['query']} (分数{comb['score']:.2f} < 种子{seed_score:.2f} + {REQUIRED_SCORE_GAIN:.2f})")
            continue

        if comb['query'] not in existing_seed_texts:
            new_seed = Seed(
                text=comb['query'],
                added_words=[],  # 新seed的added_words清空
                from_type="add",
                score_with_o=comb['score']
            )
            seed_list_next.append(new_seed)
            existing_seed_texts.add(comb['query'])
            print(f"    ✓ {comb['query']} (分数: {comb['score']:.2f} >= 种子: {seed_score:.2f} + {REQUIRED_SCORE_GAIN:.2f})")

    # 5.2 加入高分sug
    print(f"  5.2 加入高分sug...")
    for sug in all_sugs:
        # 剪枝检查：跳过来自被剪枝query的sug
        if sug.from_q and sug.from_q.text in pruned_query_texts:
            continue

        # sug必须比来源query提升至少REQUIRED_SCORE_GAIN才作为下一轮种子
        if sug.from_q and sug.score_with_o >= sug.from_q.score_with_o + REQUIRED_SCORE_GAIN and sug.text not in existing_seed_texts:
            new_seed = Seed(
                text=sug.text,
                added_words=[],
                from_type="sug",
                score_with_o=sug.score_with_o
            )
            seed_list_next.append(new_seed)
            existing_seed_texts.add(sug.text)
            print(f"    ✓ {sug.text} (分数: {sug.score_with_o:.2f} >= 来源query: {sug.from_q.score_with_o:.2f} + {REQUIRED_SCORE_GAIN:.2f})")

    # 序列化搜索结果数据（包含帖子详情）
    search_results_data = []
    for search in search_list:
        search_results_data.append({
            "text": search.text,
            "score_with_o": search.score_with_o,
            "post_list": [
                {
                    "note_id": post.note_id,
                    "note_url": post.note_url,
                    "title": post.title,
                    "body_text": post.body_text,
                    "images": post.images,
                    "interact_info": post.interact_info
                }
                for post in search.post_list
            ]
        })

    # 记录本轮数据
    round_data.update({
        "sug_count": len(all_sugs),
        "high_score_sug_count": len(high_score_sugs),
        "search_count": len(search_list),
        "total_posts": sum(len(s.post_list) for s in search_list),
        "q_list_next_size": len(q_list_next),
        "seed_list_next_size": len(seed_list_next),
        "total_combinations": len(all_seed_combinations),
        "pruned_query_count": len(pruned_query_texts),
        "pruned_queries": list(pruned_query_texts),
        "output_q_list": [{"text": q.text, "score": q.score_with_o, "reason": q.reason, "from": q.from_source, "type": "query"} for q in q_list_next],
        "seed_list_next": [{"text": seed.text, "from": seed.from_type, "score": seed.score_with_o} for seed in seed_list_next],
        "sug_details": sug_details,
        "add_word_details": add_word_details,
        "search_results": search_results_data
    })
    context.rounds.append(round_data)

    print(f"\n本轮总结:")
    print(f"  建议词数量: {len(all_sugs)}")
    print(f"  高分建议词: {len(high_score_sugs)}")
    print(f"  搜索数量: {len(search_list)}")
    print(f"  帖子总数: {sum(len(s.post_list) for s in search_list)}")
    print(f"  组合词数量: {len(all_seed_combinations)}")
    print(f"  下轮q数量: {len(q_list_next)}")
    print(f"  下轮seed数量: {len(seed_list_next)}")

    return q_list_next, seed_list_next, search_list


async def iterative_loop(
    context: RunContext,
    max_rounds: int = 2,
    sug_threshold: float = 0.7
):
    """主迭代循环"""

    print(f"\n{'='*60}")
    print(f"开始迭代循环")
    print(f"最大轮数: {max_rounds}")
    print(f"sug阈值: {sug_threshold}")
    print(f"{'='*60}")

    # 初始化
    seg_list, word_list_1, q_list, seed_list = await initialize(context.o, context)

    # API实例
    xiaohongshu_api = XiaohongshuSearchRecommendations()
    xiaohongshu_search = XiaohongshuSearch()

    # 保存初始化数据
    context.rounds.append({
        "round_num": 0,
        "type": "initialization",
        "seg_list": [{"text": s.text, "score": s.score_with_o, "reason": s.reason, "type": "seg"} for s in seg_list],
        "word_list_1": [{"text": w.text, "score": w.score_with_o} for w in word_list_1],
        "q_list_1": [{"text": q.text, "score": q.score_with_o, "reason": q.reason, "type": "query"} for q in q_list],
        "seed_list": [{"text": s.text, "from_type": s.from_type, "score": s.score_with_o, "type": "seed"} for s in seed_list]
    })

    # 收集所有搜索结果
    all_search_list = []

    # 迭代
    round_num = 1
    while q_list and round_num <= max_rounds:
        q_list, seed_list, search_list = await run_round(
            round_num=round_num,
            q_list=q_list,
            word_list_1=word_list_1,  # 传递固定词库
            seed_list=seed_list,
            o=context.o,
            context=context,
            xiaohongshu_api=xiaohongshu_api,
            xiaohongshu_search=xiaohongshu_search,
            sug_threshold=sug_threshold
        )

        all_search_list.extend(search_list)
        round_num += 1

    print(f"\n{'='*60}")
    print(f"迭代完成")
    print(f"  总轮数: {round_num - 1}")
    print(f"  总搜索次数: {len(all_search_list)}")
    print(f"  总帖子数: {sum(len(s.post_list) for s in all_search_list)}")
    print(f"{'='*60}")

    return all_search_list


# ============================================================================
# v121 新架构核心流程函数
# ============================================================================

async def initialize_v2(o: str, context: RunContext) -> list[Segment]:
    """
    v121 Round 0 初始化阶段

    流程:
    1. 语义分段: 调用 semantic_segmenter 将原始问题拆分成语义片段
    2. 拆词: 对每个segment调用 word_segmenter 进行拆词
    3. 评估: 对每个segment和词进行评估
    4. 不进行组合（Round 0只分段和拆词）

    Returns:
        语义片段列表 (Segment)
    """
    print(f"\n{'='*60}")
    print(f"Round 0: 初始化阶段（语义分段 + 拆词）")
    print(f"{'='*60}")

    # 1. 语义分段
    print(f"\n[步骤1] 语义分段...")
    result = await Runner.run(semantic_segmenter, o)
    segmentation: SemanticSegmentation = result.final_output

    print(f"语义分段结果: {len(segmentation.segments)} 个片段")
    print(f"整体分段思路: {segmentation.overall_reasoning}")

    segment_list = []
    for seg_item in segmentation.segments:
        segment = Segment(
            text=seg_item.segment_text,
            type=seg_item.segment_type,
            from_o=o
        )
        segment_list.append(segment)
        print(f"  - [{segment.type}] {segment.text}")

    # 2. 对每个segment拆词并评估
    print(f"\n[步骤2] 对每个segment拆词并评估...")

    MAX_CONCURRENT_EVALUATIONS = 5
    semaphore = asyncio.Semaphore(MAX_CONCURRENT_EVALUATIONS)

    async def process_segment(segment: Segment) -> Segment:
        """处理单个segment: 拆词 + 评估segment + 评估词"""
        async with semaphore:
            # 2.1 拆词
            word_result = await Runner.run(word_segmenter, segment.text)
            word_segmentation: WordSegmentation = word_result.final_output
            segment.words = word_segmentation.words

            # 2.2 评估segment与原始问题的相关度（使用Round 0专用评估）
            segment.score_with_o, segment.reason = await evaluate_with_o_round0(
                segment.text, o, context.evaluation_cache
            )

            # 2.3 评估每个词与原始问题的相关度（使用Round 0专用评估）
            word_eval_tasks = []
            for word in segment.words:
                async def eval_word(w: str) -> tuple[str, float, str]:
                    score, reason = await evaluate_with_o_round0(w, o, context.evaluation_cache)
                    return w, score, reason
                word_eval_tasks.append(eval_word(word))

            word_results = await asyncio.gather(*word_eval_tasks)
            for word, score, reason in word_results:
                segment.word_scores[word] = score
                segment.word_reasons[word] = reason

            return segment

    if segment_list:
        print(f"  开始处理 {len(segment_list)} 个segment（并发限制: {MAX_CONCURRENT_EVALUATIONS}）...")
        process_tasks = [process_segment(seg) for seg in segment_list]
        await asyncio.gather(*process_tasks)

    # 打印步骤1结果
    print(f"\n[步骤1: 分段及拆词 结果]")
    for segment in segment_list:
        print(f"  [{segment.type}] {segment.text} (分数: {segment.score_with_o:.2f})")
        print(f"    拆词: {segment.words}")
        for word in segment.words:
            score = segment.word_scores.get(word, 0.0)
            print(f"      - {word}: {score:.2f}")

    # 保存到context（保留旧格式以兼容）
    context.segments = [
        {
            "text": seg.text,
            "type": seg.type,
            "score": seg.score_with_o,
            "reason": seg.reason,
            "words": seg.words,
            "word_scores": seg.word_scores,
            "word_reasons": seg.word_reasons
        }
        for seg in segment_list
    ]

    # 保存 Round 0 到 context.rounds（新格式用于可视化）
    context.rounds.append({
        "round_num": 0,
        "type": "initialization",
        "segments": [
            {
                "text": seg.text,
                "type": seg.type,
                "domain_index": idx,
                "score": seg.score_with_o,
                "reason": seg.reason,
                "words": [
                    {
                        "text": word,
                        "score": seg.word_scores.get(word, 0.0),
                        "reason": seg.word_reasons.get(word, "")
                    }
                    for word in seg.words
                ]
            }
            for idx, seg in enumerate(segment_list)
        ]
    })

    # 🆕 存储Round 0的所有word得分到历史记录
    print(f"\n[存储Round 0词得分到历史记录]")
    for segment in segment_list:
        for word, score in segment.word_scores.items():
            context.word_score_history[word] = score
            print(f"  {word}: {score:.2f}")

    print(f"\n[Round 0 完成]")
    print(f"  分段数: {len(segment_list)}")
    total_words = sum(len(seg.words) for seg in segment_list)
    print(f"  总词数: {total_words}")

    return segment_list


async def run_round_v2(
    round_num: int,
    query_input: list[Q],
    segments: list[Segment],
    o: str,
    context: RunContext,
    xiaohongshu_api: XiaohongshuSearchRecommendations,
    xiaohongshu_search: XiaohongshuSearch,
    sug_threshold: float = 0.7
) -> tuple[list[Q], list[Search]]:
    """
    v121 Round N 执行

    正确的流程顺序:
    1. 为 query_input 请求SUG
    2. 评估SUG
    3. 高分SUG搜索
    4. N域组合（从segments生成）
    5. 评估组合
    6. 生成 q_list_next（组合 + 高分SUG）

    Args:
        round_num: 轮次编号 (1-4)
        query_input: 本轮的输入query列表（Round 1是words，Round 2+是上轮输出）
        segments: 语义片段列表（用于组合）
        o: 原始问题
        context: 运行上下文
        xiaohongshu_api: 建议词API
        xiaohongshu_search: 搜索API
        sug_threshold: SUG搜索阈值

    Returns:
        (q_list_next, search_list)
    """
    print(f"\n{'='*60}")
    print(f"Round {round_num}: {round_num}域组合")
    print(f"{'='*60}")

    round_data = {
        "round_num": round_num,
        "n_domains": round_num,
        "input_query_count": len(query_input)
    }

    MAX_CONCURRENT_EVALUATIONS = 5
    semaphore = asyncio.Semaphore(MAX_CONCURRENT_EVALUATIONS)

    # 步骤1: 为 query_input 请求SUG
    print(f"\n[步骤1] 为{len(query_input)}个输入query请求SUG...")
    all_sugs = []
    sug_details = {}

    for q in query_input:
        suggestions = xiaohongshu_api.get_recommendations(keyword=q.text)
        if suggestions:
            print(f"  {q.text}: 获取到 {len(suggestions)} 个SUG")
            for sug_text in suggestions:
                sug = Sug(
                    text=sug_text,
                    from_q=QFromQ(text=q.text, score_with_o=q.score_with_o)
                )
                all_sugs.append(sug)
        else:
            print(f"  {q.text}: 未获取到SUG")

    print(f"  共获取 {len(all_sugs)} 个SUG")

    # 步骤2: 评估SUG
    if len(all_sugs) > 0:
        print(f"\n[步骤2] 评估{len(all_sugs)}个SUG...")

        async def evaluate_sug(sug: Sug) -> Sug:
            async with semaphore:
                sug.score_with_o, sug.reason = await evaluate_with_o(
                    sug.text, o, context.evaluation_cache
                )
                return sug

        eval_tasks = [evaluate_sug(sug) for sug in all_sugs]
        await asyncio.gather(*eval_tasks)

        # 打印结果
        for sug in all_sugs:
            print(f"    {sug.text}: {sug.score_with_o:.2f}")
            if sug.from_q:
                if sug.from_q.text not in sug_details:
                    sug_details[sug.from_q.text] = []
                sug_details[sug.from_q.text].append({
                    "text": sug.text,
                    "score": sug.score_with_o,
                    "reason": sug.reason,
                    "type": "sug"
                })

    # 步骤3: 搜索高分SUG
    print(f"\n[步骤3] 搜索高分SUG（阈值 > {sug_threshold}）...")
    high_score_sugs = [sug for sug in all_sugs if sug.score_with_o > sug_threshold]
    print(f"  找到 {len(high_score_sugs)} 个高分SUG")

    search_list = []
    if len(high_score_sugs) > 0:
        async def search_for_sug(sug: Sug) -> Search:
            print(f"    搜索: {sug.text}")
            try:
                search_result = xiaohongshu_search.search(keyword=sug.text)
                result_str = search_result.get("result", "{}")
                if isinstance(result_str, str):
                    result_data = json.loads(result_str)
                else:
                    result_data = result_str

                notes = result_data.get("data", {}).get("data", [])
                post_list = []
                for note in notes[:10]:
                    post = process_note_data(note)
                    post_list.append(post)

                print(f"      → 找到 {len(post_list)} 个帖子")

                return Search(
                    text=sug.text,
                    score_with_o=sug.score_with_o,
                    from_q=sug.from_q,
                    post_list=post_list
                )
            except Exception as e:
                print(f"      ✗ 搜索失败: {e}")
                return Search(
                    text=sug.text,
                    score_with_o=sug.score_with_o,
                    from_q=sug.from_q,
                    post_list=[]
                )

        search_tasks = [search_for_sug(sug) for sug in high_score_sugs]
        search_list = await asyncio.gather(*search_tasks)

    # 步骤4: 生成N域组合
    print(f"\n[步骤4] 生成{round_num}域组合...")
    domain_combinations = generate_domain_combinations(segments, round_num)
    print(f"  生成了 {len(domain_combinations)} 个组合")

    if len(domain_combinations) == 0:
        print(f"  无法生成{round_num}域组合")
        # 即使无法组合，也返回高分SUG作为下轮输入
        q_list_next = []
        for sug in all_sugs:
            if sug.from_q and sug.score_with_o >= sug.from_q.score_with_o + REQUIRED_SCORE_GAIN:
                q = Q(
                    text=sug.text,
                    score_with_o=sug.score_with_o,
                    reason=sug.reason,
                    from_source="sug",
                    type_label=""
                )
                q_list_next.append(q)

        round_data.update({
            "domain_combinations_count": 0,
            "sug_count": len(all_sugs),
            "high_score_sug_count": len(high_score_sugs),
            "search_count": len(search_list),
            "sug_details": sug_details,
            "q_list_next_size": len(q_list_next)
        })
        context.rounds.append(round_data)
        return q_list_next, search_list

    # 步骤5: 评估所有组合
    print(f"\n[步骤5] 评估{len(domain_combinations)}个组合...")

    async def evaluate_combination(comb: DomainCombination) -> DomainCombination:
        async with semaphore:
            # 🆕 根据轮次选择评估逻辑
            if round_num == 1:
                # Round 1: 域内评估（新逻辑）
                comb.score_with_o, comb.reason = await evaluate_domain_combination_round1(
                    comb, segments, context
                )
            else:
                # Round 2+: 域间评估（新逻辑）
                comb.score_with_o, comb.reason = await evaluate_domain_combination_round2plus(
                    comb, segments, context
                )

            # 🆕 存储组合得分到历史记录
            context.word_score_history[comb.text] = comb.score_with_o

            return comb

    eval_tasks = [evaluate_combination(comb) for comb in domain_combinations]
    await asyncio.gather(*eval_tasks)

    # 排序 - 已注释，保持原始顺序
    # domain_combinations.sort(key=lambda x: x.score_with_o, reverse=True)

    # 打印所有组合（保持原始顺序）
    evaluation_strategy = 'Round 1 域内评估（品类×域得分）' if round_num == 1 else 'Round 2+ 域间评估（加权系数调整）'
    print(f"  评估完成，共{len(domain_combinations)}个组合 [策略: {evaluation_strategy}]")
    for i, comb in enumerate(domain_combinations, 1):
        print(f"    {i}. {comb.text} {comb.type_label} (分数: {comb.score_with_o:.2f})")

    # 为每个组合补充来源词分数信息，并判断是否超过所有来源词得分
    for comb in domain_combinations:
        word_details = []
        flat_scores: list[float] = []
        for domain_index, words in zip(comb.domains, comb.source_words):
            segment = segments[domain_index] if 0 <= domain_index < len(segments) else None
            segment_type = segment.type if segment else ""
            segment_text = segment.text if segment else ""
            items = []
            for word in words:
                score = 0.0
                if segment and word in segment.word_scores:
                    score = segment.word_scores[word]
                items.append({
                    "text": word,
                    "score": score
                })
                flat_scores.append(score)
            word_details.append({
                "domain_index": domain_index,
                "segment_type": segment_type,
                "segment_text": segment_text,
                "words": items
            })
        comb.source_word_details = word_details
        comb.source_scores = flat_scores
        comb.max_source_score = max(flat_scores) if flat_scores else None
        comb.is_above_source_scores = bool(flat_scores) and all(
            comb.score_with_o > score for score in flat_scores
        )

    # 步骤6: 构建 q_list_next（组合 + 高分SUG）
    print(f"\n[步骤6] 生成下轮输入...")
    q_list_next: list[Q] = []

    # 6.1 添加高增益SUG（满足增益条件），并按分数排序
    sug_candidates: list[tuple[Q, Sug]] = []
    for sug in all_sugs:
        if sug.from_q and sug.score_with_o >= sug.from_q.score_with_o + REQUIRED_SCORE_GAIN:
            q = Q(
                text=sug.text,
                score_with_o=sug.score_with_o,
                reason=sug.reason,
                from_source="sug",
                type_label=""
            )
            sug_candidates.append((q, sug))

    sug_candidates.sort(key=lambda item: item[0].score_with_o, reverse=True)
    q_list_next.extend([item[0] for item in sug_candidates])
    high_gain_sugs = [item[1] for item in sug_candidates]
    print(f"  添加 {len(high_gain_sugs)} 个高增益SUG（增益 ≥ {REQUIRED_SCORE_GAIN:.2f}）")

    # 6.2 添加高分组合（需超过所有来源词得分），并按分数排序
    combination_candidates: list[tuple[Q, DomainCombination]] = []
    for comb in domain_combinations:
        if comb.is_above_source_scores and comb.score_with_o > 0:
            domains_str = ','.join([f'D{d}' for d in comb.domains]) if comb.domains else ''
            q = Q(
                text=comb.text,
                score_with_o=comb.score_with_o,
                reason=comb.reason,
                from_source="domain_comb",
                type_label=comb.type_label,
                domain_type=domains_str  # 添加域信息
            )
            combination_candidates.append((q, comb))

    combination_candidates.sort(key=lambda item: item[0].score_with_o, reverse=True)
    q_list_next.extend([item[0] for item in combination_candidates])
    high_score_combinations = [item[1] for item in combination_candidates]
    print(f"  添加 {len(high_score_combinations)} 个高分组合（组合得分 > 所有来源词）")

    # 保存round数据（包含完整帖子信息）
    search_results_data = []
    for search in search_list:
        search_results_data.append({
            "text": search.text,
            "score_with_o": search.score_with_o,
            "post_list": [
                {
                    "note_id": post.note_id,
                    "note_url": post.note_url,
                    "title": post.title,
                    "body_text": post.body_text,
                    "images": post.images,
                    "interact_info": post.interact_info
                }
                for post in search.post_list
            ]
        })

    round_data.update({
        "input_queries": [{"text": q.text, "score": q.score_with_o, "from_source": q.from_source, "type": "input", "domain_index": q.domain_index, "domain_type": q.domain_type} for q in query_input],
        "domain_combinations_count": len(domain_combinations),
        "domain_combinations": [
            {
                "text": comb.text,
                "type_label": comb.type_label,
                "score": comb.score_with_o,
                "reason": comb.reason,
                "domains": comb.domains,
                "source_words": comb.source_words,
                "from_segments": comb.from_segments,
                "source_word_details": comb.source_word_details,
                "source_scores": comb.source_scores,
                "is_above_source_scores": comb.is_above_source_scores,
                "max_source_score": comb.max_source_score
            }
            for comb in domain_combinations
        ],
        "high_score_combinations": [
            {
                "text": item[0].text,
                "score": item[0].score_with_o,
                "type_label": item[0].type_label,
                "type": "combination",
                "is_above_source_scores": item[1].is_above_source_scores
            }
            for item in combination_candidates
        ],
        "sug_count": len(all_sugs),
        "sug_details": sug_details,
        "high_score_sug_count": len(high_score_sugs),
        "high_gain_sugs": [{"text": q.text, "score": q.score_with_o, "type": "sug"} for q in q_list_next if q.from_source == "sug"],
        "search_count": len(search_list),
        "search_results": search_results_data,
        "q_list_next_size": len(q_list_next),
        "q_list_next_sections": {
            "sugs": [
                {
                    "text": item[0].text,
                    "score": item[0].score_with_o,
                    "from_source": "sug"
                }
                for item in sug_candidates
            ],
            "domain_combinations": [
                {
                    "text": item[0].text,
                    "score": item[0].score_with_o,
                    "from_source": "domain_comb",
                    "is_above_source_scores": item[1].is_above_source_scores
                }
                for item in combination_candidates
            ]
        }
    })
    context.rounds.append(round_data)

    print(f"\nRound {round_num} 总结:")
    print(f"  输入Query数: {len(query_input)}")
    print(f"  域组合数: {len(domain_combinations)}")
    print(f"  高分组合: {len(high_score_combinations)}")
    print(f"  SUG数: {len(all_sugs)}")
    print(f"  高分SUG数: {len(high_score_sugs)}")
    print(f"  高增益SUG: {len(high_gain_sugs)}")
    print(f"  搜索数: {len(search_list)}")
    print(f"  下轮Query数: {len(q_list_next)}")

    return q_list_next, search_list


async def iterative_loop_v2(
    context: RunContext,
    max_rounds: int = 4,
    sug_threshold: float = 0.7
):
    """v121 主迭代循环"""

    print(f"\n{'='*60}")
    print(f"开始v121迭代循环（语义分段跨域组词版）")
    print(f"最大轮数: {max_rounds}")
    print(f"sug阈值: {sug_threshold}")
    print(f"{'='*60}")

    # Round 0: 初始化（语义分段 + 拆词）
    segments = await initialize_v2(context.o, context)

    # API实例
    xiaohongshu_api = XiaohongshuSearchRecommendations()
    xiaohongshu_search = XiaohongshuSearch()

    # 收集所有搜索结果
    all_search_list = []

    # 准备 Round 1 的输入：从 segments 提取所有 words
    query_input = extract_words_from_segments(segments)
    print(f"\n提取了 {len(query_input)} 个词作为 Round 1 的输入")

    # Round 1-N: 迭代循环
    num_segments = len(segments)
    actual_max_rounds = min(max_rounds, num_segments)
    round_num = 1

    while query_input and round_num <= actual_max_rounds:
        query_input, search_list = await run_round_v2(
            round_num=round_num,
            query_input=query_input,  # 传递上一轮的输出
            segments=segments,
            o=context.o,
            context=context,
            xiaohongshu_api=xiaohongshu_api,
            xiaohongshu_search=xiaohongshu_search,
            sug_threshold=sug_threshold
        )

        all_search_list.extend(search_list)

        # 如果没有新的query，提前结束
        if not query_input:
            print(f"\n第{round_num}轮后无新query生成，提前结束迭代")
            break

        round_num += 1

    print(f"\n{'='*60}")
    print(f"迭代完成")
    print(f"  实际轮数: {round_num}")
    print(f"  总搜索次数: {len(all_search_list)}")
    print(f"  总帖子数: {sum(len(s.post_list) for s in all_search_list)}")
    print(f"{'='*60}")

    return all_search_list


# ============================================================================
# 主函数
# ============================================================================

async def main(input_dir: str, max_rounds: int = 2, sug_threshold: float = 0.7, visualize: bool = False):
    """主函数"""
    current_time, log_url = set_trace()

    # 读取输入
    input_context_file = os.path.join(input_dir, 'context.md')
    input_q_file = os.path.join(input_dir, 'q.md')

    c = read_file_as_string(input_context_file)  # 原始需求
    o = read_file_as_string(input_q_file)  # 原始问题

    # 版本信息
    version = os.path.basename(__file__)
    version_name = os.path.splitext(version)[0]

    # 日志目录
    log_dir = os.path.join(input_dir, "output", version_name, current_time)

    # 创建运行上下文
    run_context = RunContext(
        version=version,
        input_files={
            "input_dir": input_dir,
            "context_file": input_context_file,
            "q_file": input_q_file,
        },
        c=c,
        o=o,
        log_dir=log_dir,
        log_url=log_url,
    )

    # 创建日志目录
    os.makedirs(run_context.log_dir, exist_ok=True)

    # 配置日志文件
    log_file_path = os.path.join(run_context.log_dir, "run.log")
    log_file = open(log_file_path, 'w', encoding='utf-8')

    # 重定向stdout到TeeLogger（同时输出到控制台和文件）
    original_stdout = sys.stdout
    sys.stdout = TeeLogger(original_stdout, log_file)

    try:
        print(f"📝 日志文件: {log_file_path}")
        print(f"{'='*60}\n")

        # 执行迭代 (v121: 使用新架构)
        all_search_list = await iterative_loop_v2(
            run_context,
            max_rounds=max_rounds,
            sug_threshold=sug_threshold
        )

        # 格式化输出
        output = f"原始需求：{run_context.c}\n"
        output += f"原始问题：{run_context.o}\n"
        output += f"总搜索次数：{len(all_search_list)}\n"
        output += f"总帖子数：{sum(len(s.post_list) for s in all_search_list)}\n"
        output += "\n" + "="*60 + "\n"

        if all_search_list:
            output += "【搜索结果】\n\n"
            for idx, search in enumerate(all_search_list, 1):
                output += f"{idx}. 搜索词: {search.text} (分数: {search.score_with_o:.2f})\n"
                output += f"   帖子数: {len(search.post_list)}\n"
                if search.post_list:
                    for post_idx, post in enumerate(search.post_list[:3], 1):  # 只显示前3个
                        output += f"   {post_idx}) {post.title}\n"
                        output += f"      URL: {post.note_url}\n"
                output += "\n"
        else:
            output += "未找到搜索结果\n"

        run_context.final_output = output

        print(f"\n{'='*60}")
        print("最终结果")
        print(f"{'='*60}")
        print(output)

        # 保存上下文文件
        context_file_path = os.path.join(run_context.log_dir, "run_context.json")
        context_dict = run_context.model_dump()
        with open(context_file_path, "w", encoding="utf-8") as f:
            json.dump(context_dict, f, ensure_ascii=False, indent=2)
        print(f"\nRunContext saved to: {context_file_path}")

        # 保存详细的搜索结果
        search_results_path = os.path.join(run_context.log_dir, "search_results.json")
        search_results_data = [s.model_dump() for s in all_search_list]
        with open(search_results_path, "w", encoding="utf-8") as f:
            json.dump(search_results_data, f, ensure_ascii=False, indent=2)
        print(f"Search results saved to: {search_results_path}")

        # 可视化
        if visualize:
            import subprocess
            output_html = os.path.join(run_context.log_dir, "visualization.html")
            print(f"\n🎨 生成可视化HTML...")

            # 获取绝对路径
            abs_context_file = os.path.abspath(context_file_path)
            abs_output_html = os.path.abspath(output_html)

            # 运行可视化脚本
            result = subprocess.run([
                "node",
                "visualization/sug_v6_1_2_121/index.js",
                abs_context_file,
                abs_output_html
            ])

            if result.returncode == 0:
                print(f"✅ 可视化已生成: {output_html}")
            else:
                print(f"❌ 可视化生成失败")

    finally:
        # 恢复stdout
        sys.stdout = original_stdout
        log_file.close()
        print(f"\n📝 运行日志已保存: {log_file_path}")


if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="搜索query优化工具 - v6.1.2.121 语义分段跨域组词版")
    parser.add_argument(
        "--input-dir",
        type=str,
        default="input/旅游-逸趣玩旅行/如何获取能体现川西秋季特色的高质量风光摄影素材？",
        help="输入目录路径，默认: input/旅游-逸趣玩旅行/如何获取能体现川西秋季特色的高质量风光摄影素材？"
    )
    parser.add_argument(
        "--max-rounds",
        type=int,
        default=4,
        help="最大轮数，默认: 4"
    )
    parser.add_argument(
        "--sug-threshold",
        type=float,
        default=0.7,
        help="suggestion阈值，默认: 0.7"
    )
    parser.add_argument(
        "--visualize",
        action="store_true",
        default=True,
        help="运行完成后自动生成可视化HTML"
    )
    args = parser.parse_args()

    asyncio.run(main(args.input_dir, max_rounds=args.max_rounds, sug_threshold=args.sug_threshold, visualize=args.visualize))