爆款结构迁移引擎AI创作平台深度技术解析

一、系统概述与架构设计

构成了"爆款结构迁移引擎——AI创作平台"的核心后端服务，基于FastAPI框架构建，旨在实现从爆款视频样本分析到新主题内容智能生成的完整工作流。系统采用模块化设计思想，将视频处理、大语言模型交互、素材缺口分析与补全等核心能力解耦，通过标准化的RESTful API对外提供服务。整体架构遵循"数据驱动—智能分析—生成优化"的逻辑闭环，能够处理视频样本的语义提取、爆款结构建模、目标主题适配、内容缺口识别与补全，最终生成结构化的视频脚本（SVT），并支持多版本衍生与人工微调。

系统的核心价值在于将爆款内容的隐性结构显性化，并通过AI能力实现跨主题的结构迁移，大幅降低优质内容的创作门槛。从技术实现来看，平台整合了多媒体处理技术、大语言模型（LLM）推理技术、结构化数据生成技术以及工作流编排能力，形成了一套完整的内容智能生产Pipeline。

二、核心功能模块详解

2.1 基础服务与配置管理

2.1.1 FastAPI应用初始化

app = FastAPI(title="爆款结构迁移引擎 - AI创作平台", version="1.0.0")

应用初始化时定义了服务名称和版本号，便于API文档自动生成和服务版本管理。FastAPI基于Starlette和Pydantic构建，提供了异步请求处理、类型校验、自动交互式文档（Swagger UI和ReDoc）等特性，非常适合构建AI驱动的后端服务。

2.1.2 CORS中间件配置

app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], )

跨域资源共享（CORS）中间件的配置允许前端应用从不同域名访问API服务，开发环境下的宽松配置（allow_origins=["*"]）便于前后端分离开发。在生产环境中，应将其限制为具体的前端域名以提升安全性。

2.1.3 核心组件实例化

video_processor = VideoProcessor() llm_client = DoubaoSeed2LiteEngine() gap_engine = GapCompletionEngine()

系统在启动时实例化了三个核心组件：

• VideoProcessor：负责视频文件的解析与特征提取，是连接原始视频数据与结构化信息的桥梁；

• DoubaoSeed2LiteEngine：封装了对豆包Seed2 Lite大模型的API调用，提供文本分析、结构提取、内容生成等NLP能力；

• GapCompletionEngine：处理素材缺口的识别与补全逻辑，确保生成内容符合爆款结构的叙事逻辑。

这种依赖注入式的组件管理使得代码结构清晰，便于单元测试和功能扩展。

2.1.4 配置状态检查接口

/api/config-status端点提供了系统配置的健康检查能力，返回火山引擎API密钥、模型端点等关键配置的状态，帮助运维人员快速验证服务就绪情况。这种设计在AI服务中尤为重要，因为大模型API的可用性直接影响核心功能。

2.2 视频样本上传与预处理

2.2.1 上传接口实现

/api/upload-sample端点处理视频文件的上传与初步处理，是整个工作流的入口：

@app.post("/api/upload-sample") async def upload_sample_video(file: UploadFile = File(...)): task_id = str(uuid.uuid4()) save_path = settings.UPLOAD_DIR / f"{task_id}_{file.filename}" with save_path.open("wb") as buffer: shutil.copyfileobj(file.file, buffer) try: sample_data = video_processor.process_sample_video(save_path) return { "task_id": task_id, "filename": file.filename, "sample_data": sample_data, "status": "processed" } except Exception as e: raise HTTPException(status_code=500, detail=f"处理失败: {str(e)}")

2.2.2 关键技术细节

1. 任务ID生成：使用uuid.uuid4()生成全局唯一的任务ID，用于追踪整个处理流程中的相关数据，避免文件命名冲突，同时为分布式部署下的任务调度提供支持。

2. 文件存储策略：

   • 利用settings.UPLOAD_DIR获取配置的上传目录，符合配置集中管理的最佳实践；

   • 文件名采用task_id_original_filename的格式，既保留了原始文件名信息，又确保了唯一性；

   • 使用shutil.copyfileobj高效复制文件流，相比一次性读取文件内容到内存，更适合处理大视频文件。

3. 异常处理机制：通过try-except块捕获视频处理过程中的异常，并转换为HTTP 500错误返回给客户端，同时保留原始错误信息，便于调试。

2.2.3 VideoProcessor核心功能推测

虽然VideoProcessor的具体实现未给出，但基于其功能定位，可推断其包含以下核心能力：

• 视频解码：支持常见视频格式（MP4、AVI、MOV等）的解码，提取音频流和视频帧；

• 音频提取：将视频中的音频轨道分离，为后续ASR（自动语音识别）做准备；

• 语音转文字：集成ASR引擎（如火山引擎语音识别API），将音频转换为时间戳对齐的文本；

• 关键帧提取：按固定间隔或场景切换点提取视频帧，用于视觉内容分析；

• 元数据提取：获取视频时长、分辨率、码率等基础信息。

这些处理步骤将非结构化的视频文件转化为结构化的sample_data，为后续的LLM分析提供标准化输入。

2.3 爆款结构分析引擎

2.3.1 结构分析接口

/api/analyze-structure端点接收视频处理后的样本数据，调用大模型提取爆款视频的结构化模板：

@app.post("/api/analyze-structure") async def analyze_structure(task_id: str = Form(...), sample_data_json: str = Form(...)): try: sample_data = json.loads(sample_data_json) structure_template = await llm_client.analyze_sample_structure(sample_data) print(f"[API-DEBUG] 最终准备返回前端的爆款结构: {json.dumps(structure_template, ensure_ascii=False, indent=2)}") raw_llm = llm_client.last_raw_llm_output print(f"[API-DEBUG] raw_llm_output 有效性: {bool(raw_llm)}, 长度: {len(raw_llm) if raw_llm else 0}") return { "task_id": task_id, "structure_template": structure_template, "raw_llm_output": raw_llm if raw_llm else "", "status": "structure_extracted" } except Exception as e: print(f"[API-ERROR] 结构分析异常: {e}") raise HTTPException(status_code=500, detail=f"结构分析失败: {str(e)}")

2.3.2 数据处理流程

1. JSON反序列化：将前端传入的sample_data_json字符串解析为Python字典，恢复视频处理得到的结构化数据；

2. LLM结构分析：调用llm_client.analyze_sample_structure方法，将样本数据发送给豆包Seed2 Lite模型，执行核心的结构分析任务；

3. 调试信息输出：通过print语句输出调试信息，包括结构模板的JSON格式和原始LLM输出，便于开发阶段的问题定位；

4. 结果封装返回：将结构模板、原始LLM输出等数据打包返回，其中raw_llm_output可用于前端展示模型思考过程或进行质量评估。

2.3.3 DoubaoSeed2LiteEngine分析能力

analyze_sample_structure方法是该端点的核心，其实现逻辑可能包含以下关键步骤：

1. Prompt工程：构建专门的分析提示词，指导模型从样本数据中提取关键结构要素，例如：

   • 视频总时长与时长分布；

   • 叙事段落划分（开场、冲突、高潮、结尾等）；

   • 情绪曲线变化；

   • 关键转折点位置；

   • 台词风格与句式特点；

   • 视觉元素与叙事的关联。

2. API调用封装：封装火山引擎大模型的API调用细节，包括认证（API Key）、模型端点选择、请求参数配置（temperature、max_tokens等）、重试机制等。

3. 响应解析：将LLM返回的自然语言或JSON格式的结果解析为结构化的structure_template，确保其包含可预测的数据结构，便于后续处理。

4. 原始输出缓存：通过last_raw_llm_output属性保存原始响应，用于调试和分析模型行为。

2.3.4 爆款结构模板数据结构

基于业务逻辑推测，structure_template可能包含以下核心字段：

这种结构化表示使得抽象的"爆款结构"可被机器理解和复用，是实现结构迁移的基础。

2.4 素材缺口识别系统

2.4.1 缺口识别接口

/api/identify-gaps端点负责对比爆款结构模板与目标主题的现有素材，识别需要补充的内容缺口：

@app.post("/api/identify-gaps") async def identify_gaps( task_id: str = Form(...), target_topic: str = Form(...), new_materials_text: str = Form(""), structure_template_json: str = Form(...) ): try: structure_template = json.loads(structure_template_json) gap_analysis = await llm_client.generate_material_gap_analysis(target_topic, new_materials_text, structure_template) print(f"[API-DEBUG] 素材缺口识别结果: {json.dumps(gap_analysis, ensure_ascii=False, indent=2)}") raw_gap = llm_client.last_raw_llm_output print(f"[API-DEBUG] raw_gap_output 有效性: {bool(raw_gap)}, 长度: {len(raw_gap) if raw_gap else 0}") return { "task_id": task_id, "gap_analysis": gap_analysis, "raw_gap_output": raw_gap if raw_gap else "", "status": "gaps_identified" } except Exception as e: print(f"[API-ERROR] 缺口识别失败: {e}") raise HTTPException(status_code=500, detail=f"缺口识别失败: {str(e)}")

2.4.2 核心参数解析

• target_topic：目标创作主题，如"新手咖啡制作教程"，是内容生成的核心指引；

• new_materials_text：用户提供的现有素材文本，可能包含产品信息、关键卖点、已有文案等；

• structure_template_json：之前步骤生成的爆款结构模板，作为内容框架的基准。

2.4.3 缺口分析逻辑

generate_material_gap_analysis方法的实现逻辑可能包含以下步骤：

1. 素材结构化解析：将new_materials_text解析为结构化信息，提取关键实体、事实数据、观点主张等；

2. 结构需求映射：遍历structure_template中的每个段落，明确其对内容的需求（如钩子需要痛点问题，解决方案需要具体步骤等）；

3. 匹配度评估：对比现有素材与结构需求的匹配程度，识别缺失的信息类型；

4. 缺口分类标记：将识别出的缺口进行分类，如：

   • 信息缺口：缺少关键事实、数据或背景信息；

   • 情感缺口：缺乏符合段落情绪要求的情感表达；

   • 逻辑缺口：叙事链条不完整，缺少过渡或因果关联；

   • 风格缺口：素材语言风格与结构要求的风格不符；

   • 视觉缺口：缺少对应段落的视觉呈现建议。

2.4.4 缺口分析结果数据结构

推测gap_analysis的典型结构如下：

这种精细化的缺口分析为后续的内容补全提供了明确的指引，确保生成的内容能够严格遵循爆款结构的框架要求。

2.5 缺口智能补全引擎

2.5.1 补全接口实现

/api/complete-gaps端点调用GapCompletionEngine对识别出的缺口进行智能补全：

@app.post("/api/complete-gaps") async def complete_gaps_endpoint( task_id: str = Form(...), gap_analysis_json: str = Form(...), target_topic: str = Form(...) ): try: gap_analysis = json.loads(gap_analysis_json) completion_result = await gap_engine.complete_gaps(gap_analysis, target_topic) return { "task_id": task_id, "completion_result": completion_result, "status": "gaps_completed" } except Exception as e: print(f"[API-ERROR] 缺口补全失败: {e}") raise HTTPException(status_code=500, detail=f"缺口补全失败: {str(e)}")

2.5.2 GapCompletionEngine核心逻辑

GapCompletionEngine是该端点的核心处理器，其内部逻辑可能包含以下模块：

1. 缺口优先级排序：根据缺口类型、所在段落的重要性（如钩子段落的缺口优先级高于结尾段落）对缺口进行排序，确保关键缺口优先得到补全；

2. 补全策略选择：针对不同类型和优先级的缺口采用不同的补全策略：

   • LLM生成补全：对于创意性内容（如情感化表达、故事化案例），调用大模型生成原创内容；

   • 知识库检索补全：对于事实性信息（如行业数据、产品参数），从内置知识库或外部API（如搜索引擎）检索相关信息；

   • 规则模板补全：对于格式化内容（如步骤说明、清单列表），使用预定义的模板结合变量填充生成；

3. 内容一致性校验：确保补全内容与目标主题、整体风格保持一致，避免逻辑矛盾或风格冲突；

4. 多源融合：将补全内容与用户提供的原始素材进行有机融合，形成连贯的整体。

2.5.3 补全结果数据结构

completion_result可能包含以下关键信息：

补全引擎的输出填补了从缺口分析到内容生成之间的关键环节，使系统具备了端到端的自动化内容生产能力。

2.6 SVT（结构化视频脚本）生成系统

2.6.1 SVT生成接口

/api/generate-svt端点将补全后的素材与爆款结构模板结合，生成最终的结构化视频脚本：

@app.post("/api/generate-svt") async def generate_svt( task_id: str = Form(...), structure_template_json: str = Form(...), gap_analysis_json: str = Form(...), target_topic: str = Form(...), version_type: str = Form("standard") ): try: structure_template = json.loads(structure_template_json) gap_analysis = json.loads(gap_analysis_json) svt_json = await llm_client.generate_svt_json(structure_template, gap_analysis, target_topic, version_type) return { "task_id": task_id, "svt_json": svt_json, "status": "svt_generated" } except Exception as e: print(f"[API-ERROR] SVT生成失败: {e}") raise HTTPException(status_code=500, detail=f"SVT生成失败: {str(e)}")

2.6.2 版本类型控制

version_type参数支持生成不同风格的脚本版本，常见的版本类型可能包括：

• standard：标准版，平衡信息量与趣味性；

• concise：精简版，突出核心信息，适合短视频平台；

• detailed：详细版，包含更多背景知识和细节，适合教程类内容；

• humorous：幽默版，增加搞笑元素和段子，提升娱乐性；

• professional：专业版，使用行业术语，强调权威性和可信度。

2.6.3 SVT数据结构设计

SVT（Structured Video Script）是该系统的核心输出，其数据结构需要同时满足叙事逻辑、拍摄指导和后期制作的多方面需求。一个典型的SVT JSON结构可能如下：

这种高度结构化的脚本格式不仅便于AI生成，也方便导演、摄影师、剪辑师等创作人员理解和执行，实现了从创意到生产的无缝衔接。

2.7 多版本生成与优化

2.7.1 多版本生成接口

/api/generate-multiple-versions端点基于基础SVT生成多个差异化版本，满足不同平台或受众的需求：

@app.post("/api/generate-multiple-versions") async def generate_multiple_versions( task_id: str = Form(...), base_svt_json: str = Form(...), target_topic: str = Form(...) ): try: base_svt = json.loads(base_svt_json) versions = await gap_engine.generate_multiple_versions(base_svt, target_topic) return { "task_id": task_id, "versions": versions, "status": "multiple_versions_generated" } except Exception as e: print(f"[API-ERROR] 多版本生成失败: {e}") raise HTTPException(status_code=500, detail=f"多版本生成失败: {str(e)}")

2.7.2 多版本生成策略

GapCompletionEngine.generate_multiple_versions方法可能采用以下策略生成差异化版本：

1. 平台适配：

   • 抖音/快手版：节奏更快，钩子更强烈，加入更多流行梗和网络用语；

   • B站版：增加深度解析，加入弹幕互动设计，使用更年轻化的语言风格；

   • 小红书版：强调精致感和实用性，增加图文对照元素，突出"种草"属性；

   • YouTube版：时长更长，结构更完整，加入章节标记和卡片互动。

2. 受众细分：

   • 新手友好版：简化专业术语，增加基础概念解释；

   • 进阶专业版：深入探讨技术细节，使用行业标准术语；

   • 亲子版：调整内容难度，增加家庭场景元素；

   • 职场版：聚焦办公场景应用，强调效率提升。

3. 风格变异：

   • 幽默搞笑版：加入段子、反转和夸张表演；

   • 温情治愈版：使用柔和的音乐、暖色调画面和情感化叙事；

   • 悬疑探秘版：设置悬念和谜题，逐步揭示答案；

   • 干货科普版：强调信息密度，使用图表和数据可视化。

4. A/B测试优化：针对同一内容点生成不同表达方式，便于后续通过数据反馈优化内容策略。

2.7.3 版本差异化管理

生成的versions数组可能包含版本元数据和差异化内容：

多版本生成能力极大地提升了内容的适配性和传播效率，是工业化内容生产的重要组成部分。

2.8 人工微调接口

2.8.1 手动调整接口

/api/adjust-manually端点允许用户对AI生成的SVT进行精细化调整，平衡AI效率与人类创造力：

2.8.2 调整机制分析

该接口实现了简单的JSON路径覆盖式调整：

1. 调整数据解析：将adjustments_json解析为键值对，其中键是SVT中的字段路径，值是新的内容；

2. 递归更新逻辑：当前实现仅支持顶层键的直接覆盖，更复杂的实现可能需要支持嵌套字段的更新（如使用a.b.c路径语法）；

3. 数据一致性维护：调整后可能需要触发验证逻辑，确保修改后的SVT仍然符合结构规范，避免破坏叙事逻辑。

2.8.3 典型调整场景

用户可能进行的调整包括：

• 修改特定段落的台词文本，使其更符合品牌调性；

• 调整视觉元素的描述，替换不符合实际场景的画面建议；

• 更改背景音乐或音效选择；

• 优化行动号召的文案和呈现方式；

• 调整段落时长分配，改变整体节奏。

这种人机协作模式充分发挥了AI的高效生成能力和人类的审美判断力，是AI创作平台的理想交互范式。

三、数据结构深度解析

3.1 核心数据流转全景

系统内的数据流转遵循以下路径：

视频文件 → VideoProcessor → sample_data → LLM结构分析 → structure_template → 缺口识别 → gap_analysis → 缺口补全 → completion_result → SVT生成 → svt_json → 多版本生成/人工调整 → 最终脚本

每个环节都定义了标准化的数据结构，确保模块间的松耦合和高内聚。

3.2 关键数据结构对比

3.3 数据验证与类型安全

虽然当前代码主要依赖Python的动态类型，但在生产环境中，建议使用Pydantic模型对所有输入输出数据进行严格校验，例如：

from pydantic import BaseModel from typing import List, Optional class Segment(BaseModel): id: str type: str start_time: float end_time: float text: str visuals: Optional[List[dict]] = None class SVT(BaseModel): meta: dict segments: List[Segment] global_settings: dict call_to_action: dict

这种强类型定义不仅能提前捕获数据格式错误，还能为API文档提供精确的类型信息，提升开发体验。

四、算法与模型交互逻辑

4.1 大模型交互策略

系统与大模型的交互集中在DoubaoSeed2LiteEngine类中，采用了以下关键策略：

1. Prompt模板化：为不同任务（结构分析、缺口识别、SVT生成）设计专用Prompt模板，确保模型理解任务目标；

2. 上下文窗口管理：合理控制输入Token数量，对长文本进行分段处理或摘要压缩；

3. 输出格式约束：通过Prompt明确要求模型返回JSON格式，并进行后处理解析；

4. 温度参数调节：根据任务类型调整temperature参数（如创意生成用较高值，结构化提取用较低值）；

5. 重试与容错：实现API调用失败重试机制，处理网络波动或服务限流问题。

4.2 爆款结构提取算法

结构提取本质是序列标注与模式识别问题，算法可能包含以下步骤：

1. 文本分段：基于时间戳和语义相似度将转录文本分割为逻辑段落；

2. 特征提取：为每个段落提取文本特征（关键词、情感极性、句式复杂度）和时序特征（位置、时长占比）；

3. 模式匹配：将提取的特征与预定义的爆款模式库进行匹配，识别段落类型；

4. 结构建模：基于段落间的时序关系和逻辑关联，构建整体叙事结构模型；

5. 参数优化：通过少量标注数据微调模型，提升结构识别准确率。

4.3 缺口识别算法

缺口识别可建模为多维度匹配问题，算法流程可能包括：

1. 需求向量化：将结构模板中各段落的内容需求转化为多维特征向量；

2. 供给向量化：将现有素材转化为同维度的特征向量；

3. 相似度计算：使用余弦相似度或欧氏距离计算供需匹配度；

4. 阈值判断：低于预设阈值的维度判定为缺口；

5. 优先级排序：基于段落重要性和缺口严重程度计算综合优先级。

4.4 内容生成优化算法

为提升生成内容的质量，系统可能采用以下优化技术：

1. 约束解码：在生成过程中施加约束，确保输出符合SVT的JSON Schema；

2. 多样性采样：在生成多版本时采用Top-p或Top-k采样，增加内容多样性；

3. 奖励模型引导：训练专门的奖励模型评估生成内容的质量，引导生成过程向高分区域探索；

4. 人类反馈强化学习（RLHF）：基于人类对生成结果的反馈微调模型，提升内容的人类偏好度。

五、系统优化与扩展方向

5.1 性能优化建议

1. 异步处理优化：对耗时操作（如视频处理、LLM调用）实现真正的异步非阻塞处理，提升并发能力；

2. 缓存机制引入：缓存常用爆款结构模板、LLM响应结果等，减少重复计算和API调用；

3. 流式响应支持：对长文本生成任务实现流式输出，提升用户体验；

4. 批量处理能力：支持批量上传视频和批量生成脚本，满足工业化生产需求。

5.2 功能扩展方向

1. 多模态分析增强：集成图像识别和视频理解模型，直接从视频帧提取视觉特征，丰富样本数据维度；

2. 实时数据接入：接入社交媒体趋势数据，动态调整爆款结构模板，保持内容时效性；

3. 用户反馈闭环：收集用户对生成内容的评价和使用数据，持续优化模型和算法；

4. 协作编辑功能：支持多用户同时编辑SVT，添加评论和批注，提升团队协作效率；

5. 第三方工具集成：对接剪映、Premiere等视频编辑软件，实现从脚本到成片的自动化流程。

5.3 可靠性与安全性提升

1. 输入验证强化：对所有用户输入进行严格的格式和内容验证，防止恶意攻击；

2. 错误处理完善：细化异常类型，提供更友好的错误信息和恢复建议；

3. 日志系统升级：实现结构化日志，支持日志级别控制和集中式日志管理；

4. 权限控制增强：添加用户认证和授权机制，保护知识产权和数据安全；

5. 数据备份恢复：定期备份任务数据和生成的脚本，防止数据丢失。

六、总结

构建的爆款结构迁移引擎AI创作平台，通过整合视频处理、大语言模型和结构化数据生成技术，实现了从爆款视频分析到新主题内容生成的完整自动化流程。系统采用模块化设计，各功能模块职责明确，通过标准化的API进行通信，具备良好的可扩展性和可维护性。

核心价值在于将隐性的爆款内容规律显性化为可复用的结构模板，并通过AI能力实现跨主题的结构迁移，大幅降低了优质内容的创作门槛。系统不仅支持全自动化的内容生成，还提供了人工微调接口，实现了人机协作的最优模式。

未来，通过引入更先进的多模态分析技术、强化学习优化算法和实时数据反馈机制，该系统有望进一步进化，成为更智能、更高效的内容创作助手，为短视频、在线教育、数字营销等领域带来革命性的生产力提升。

源代码

import uuid import json import shutil from fastapi import FastAPI, UploadFile, File, Form, HTTPException from fastapi.middleware.cors import CORSMiddleware from .config import settings from .video_processor import VideoProcessor from .llm_client import DoubaoSeed2LiteEngine from .gap_completion import GapCompletionEngine app = FastAPI(title="爆款结构迁移引擎 - AI创作平台", version="1.0.0") app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) video_processor = VideoProcessor() llm_client = DoubaoSeed2LiteEngine() gap_engine = GapCompletionEngine() @app.get("/") async def root(): return {"message": "爆款结构迁移引擎API服务已成功启动", "version": "1.0.0"} @app.post("/api/upload-sample") async def upload_sample_video(file: UploadFile = File(...)): task_id = str(uuid.uuid4()) save_path = settings.UPLOAD_DIR / f"{task_id}_{file.filename}" with save_path.open("wb") as buffer: shutil.copyfileobj(file.file, buffer) try: sample_data = video_processor.process_sample_video(save_path) return { "task_id": task_id, "filename": file.filename, "sample_data": sample_data, "status": "processed" } except Exception as e: raise HTTPException(status_code=500, detail=f"处理失败: {str(e)}") @app.post("/api/analyze-structure") async def analyze_structure(task_id: str = Form(...), sample_data_json: str = Form(...)): try: sample_data = json.loads(sample_data_json) structure_template = await llm_client.analyze_sample_structure(sample_data) print(f"[API-DEBUG] 最终准备返回前端的爆款结构: {json.dumps(structure_template, ensure_ascii=False, indent=2)}") raw_llm = llm_client.last_raw_llm_output print(f"[API-DEBUG] raw_llm_output 有效性: {bool(raw_llm)}, 长度: {len(raw_llm) if raw_llm else 0}") return { "task_id": task_id, "structure_template": structure_template, "raw_llm_output": raw_llm if raw_llm else "", "status": "structure_extracted" } except Exception as e: print(f"[API-ERROR] 结构分析异常: {e}") raise HTTPException(status_code=500, detail=f"结构分析失败: {str(e)}") @app.post("/api/identify-gaps") async def identify_gaps( task_id: str = Form(...), target_topic: str = Form(...), new_materials_text: str = Form(""), structure_template_json: str = Form(...) ): try: structure_template = json.loads(structure_template_json) gap_analysis = await llm_client.generate_material_gap_analysis(target_topic, new_materials_text, structure_template) print(f"[API-DEBUG] 素材缺口识别结果: {json.dumps(gap_analysis, ensure_ascii=False, indent=2)}") raw_gap = llm_client.last_raw_llm_output print(f"[API-DEBUG] raw_gap_output 有效性: {bool(raw_gap)}, 长度: {len(raw_gap) if raw_gap else 0}") return { "task_id": task_id, "gap_analysis": gap_analysis, "raw_gap_output": raw_gap if raw_gap else "", "status": "gaps_identified" } except Exception as e: print(f"[API-ERROR] 缺口识别失败: {e}") raise HTTPException(status_code=500, detail=f"缺口识别失败: {str(e)}") @app.post("/api/complete-gaps") async def complete_gaps_endpoint( task_id: str = Form(...), gap_analysis_json: str = Form(...), target_topic: str = Form(...) ): try: gap_analysis = json.loads(gap_analysis_json) completion_result = await gap_engine.complete_gaps(gap_analysis, target_topic) return { "task_id": task_id, "completion_result": completion_result, "status": "gaps_completed" } except Exception as e: print(f"[API-ERROR] 缺口补全失败: {e}") raise HTTPException(status_code=500, detail=f"缺口补全失败: {str(e)}") @app.post("/api/generate-svt") async def generate_svt( task_id: str = Form(...), structure_template_json: str = Form(...), gap_analysis_json: str = Form(...), target_topic: str = Form(...), version_type: str = Form("standard") ): try: structure_template = json.loads(structure_template_json) gap_analysis = json.loads(gap_analysis_json) svt_json = await llm_client.generate_svt_json(structure_template, gap_analysis, target_topic, version_type) return { "task_id": task_id, "svt_json": svt_json, "status": "svt_generated" } except Exception as e: print(f"[API-ERROR] SVT生成失败: {e}") raise HTTPException(status_code=500, detail=f"SVT生成失败: {str(e)}") @app.post("/api/generate-multiple-versions") async def generate_multiple_versions( task_id: str = Form(...), base_svt_json: str = Form(...), target_topic: str = Form(...) ): try: base_svt = json.loads(base_svt_json) versions = await gap_engine.generate_multiple_versions(base_svt, target_topic) return { "task_id": task_id, "versions": versions, "status": "multiple_versions_generated" } except Exception as e: print(f"[API-ERROR] 多版本生成失败: {e}") raise HTTPException(status_code=500, detail=f"多版本生成失败: {str(e)}") @app.post("/api/adjust-manually") async def adjust_manually( task_id: str = Form(...), svt_json: str = Form(...), adjustments_json: str = Form(...) ): try: svt_data = json.loads(svt_json) adjustments = json.loads(adjustments_json) for key, value in adjustments.items(): if key in svt_data: svt_data[key] = value return { "task_id": task_id, "adjusted_svt": svt_data, "status": "adjusted" } except Exception as e: print(f"[API-ERROR] 手动调整失败: {e}") raise HTTPException(status_code=500, detail=f"手动调整失败: {str(e)}") @app.get("/api/config-status") async def get_config_status(): return { "provider": "", "volcengine_api_key_configured": bool(settings.VOLCENGINE_API_KEY), "doubao_seed_2_lite_model_ep_configured": bool(settings.DOUBAO_SEED_2_LITE_MODEL_EP), "volcengine_base_url": settings.VOLCENGINE_BASE_URL, "ready_to_use": bool(settings.VOLCENGINE_API_KEY and settings.DOUBAO_SEED_2_LITE_MODEL_EP) }