TravelContentCreator/README.md

# 旅游内容创作工具 (Travel Content Creator)

这是一个基于AI的旅游内容自动生成工具，可以根据景点信息自动生成高质量的旅游推文和宣传海报。

## 功能特点

- **自动选题生成**：根据提供的景点信息和配置的提示词模板，自动生成吸引人的旅游选题（**以JSON格式输出**）。
- **内容创作**：基于选题和配置的提示词模板，自动生成文字内容（标题、正文）。
- **海报制作**：结合景点图片和生成的文字内容，自动创建精美的宣传海报。
- **批量处理**：支持一次性生成多个选题和多个变体内容。
- **模块化设计**：核心功能（配置加载、提示词管理、AI交互、选题、内容生成、海报制作）分离，方便维护和扩展。
- **配置驱动**：通过 `poster_gen_config.json` 文件集中管理所有运行参数。

## 安装

### 环境要求
- Python 3.6+
- 依赖库安装：

```bash
# 安装依赖库
pip install numpy pandas opencv-python pillow openai
# 可能还需要安装AI模型的客户端库，例如 requests 或 特定模型的SDK
# pip install requests
```

### 项目依赖项
- OpenCV (cv2)：图像处理
- NumPy：数据操作
- Pandas：数据处理
- PIL (Pillow)：图像处理和绘制
- OpenAI：AI模型交互 (即使是调用本地或其他API，通常也使用其接口)

## 核心组件与目录结构

- `main.py`: **项目入口与协调器**: 负责加载配置、**生成运行ID (run_id)**、初始化共享资源（如 AI Agent）、并按顺序调用 `utils` 模块中的函数来执行主要流程（选题生成 -> 内容与海报生成协调）。
- `poster_gen_config.json`: (用户需从 `example_config.json` 创建) 核心配置文件。
- `core/`: 核心算法与功能模块
  - `ai_agent.py`: **AI代理**: 封装与大语言模型 API 的底层交互逻辑（发送请求、接收响应）。
  - `topic_parser.py`: **选题解析器**: 解析 AI 模型返回的选题 **JSON 数据**。
  - `contentGen.py`: **内容处理器**: 对 AI 生成的原始推文内容进行结构化处理，提取适用于海报的元素。
  - `posterGen.py`: **海报生成器**: 负责将图片和文字元素组合生成最终的海报图片，处理字体、布局等。
  - `simple_collage.py`: **图片拼贴工具**: 提供图片预处理和拼贴功能。
- `utils/`: 工具与辅助模块
  - `resource_loader.py`: **资源加载器**: 负责加载项目所需的各种**原始**资源文件。
  - `prompt_manager.py`: **提示词管理器**: **集中管理**不同阶段提示词的构建逻辑（**已修正内容生成提示词构建逻辑，正确区分选题JSON中的文件名和描述性文本**）。
  - `tweet_generator.py`: **主要流程执行与数据结构**: 包含执行**选题生成** (`run_topic_generation_pipeline`)、**单选题内容生成** (`generate_content_for_topic`)、**单选题海报生成** (`generate_posters_for_topic`) 的核心函数，以及相关的数据类（**已修正内容文件保存路径**）。
- `genPrompts/`: 内容生成提示词模板目录。
- `SelectPrompt/`: 选题生成提示词模板目录（**其中的 `systemPrompt.txt` 已更新为要求 JSON 输出**）。
- `resource/`: 存放基础的景点信息 `.txt` 文件等数据资源。
- `examples/`: 使用示例和测试脚本。
- `result/`: 默认输出结果保存目录。

## 项目流程与技术细节

1.  **加载配置与生成Run ID**: `main.py` 读取 `poster_gen_config.json` 文件，并生成本次运行的 `run_id`。
2.  **选题生成**: 
    - `main.py` 调用 `utils.tweet_generator.run_topic_generation_pipeline(config, run_id)`，传入配置和 `run_id`。
    - 此函数内部：
        - 调用 `utils.prompt_manager.PromptManager.get_topic_prompts()` 构建提示词（**系统提示词要求 AI 输出 JSON 格式**）。
        - 初始化 `core.ai_agent.AI_Agent`。
        - 调用 AI Agent 生成选题文本（应为 JSON 字符串）。
        - 使用 `core.topic_parser.parse_topics()` **解析 JSON 字符串**。
        - 保存选题结果 (`tweet_topic.json`) 到 `result/<run_id>/` 目录。
        - 关闭此阶段的 AI Agent。
    - 返回 `run_id` 和包含选题列表的 `tweet_topic_record` 给 `main.py`。
3.  **内容与海报生成协调**: (在 `main.generate_content_and_posters_step` 中执行)
    - 初始化 `utils.prompt_manager.PromptManager`。
    - 初始化一个**共享的** `core.ai_agent.AI_Agent` 实例供后续所有内容生成使用。
    - 遍历上一步返回的每个选题 (`topic_item`)：
        - **内容生成**: 调用 `utils.tweet_generator.generate_content_for_topic()`，传入共享的 AI Agent、Prompt Manager、配置、当前选题信息、`run_id` 和 `topic_index`。
            - 此函数内部循环生成该选题的所有内容变体，每次调用 `prompt_manager.get_content_prompts()` 获取特定提示词（**根据修正后的逻辑构建，正确处理 topic_item 中的字段**），并使用共享 AI Agent 执行 `generate_single_content`。
            - `generate_single_content` 将生成的文章 (`article.json`) 保存到正确的 `result/<run_id>/<topic_index>_<variant_index>/` 目录下。
        - **海报生成**: 如果内容生成成功，调用 `utils.tweet_generator.generate_posters_for_topic()`，传入配置、选题信息、生成的内容列表、`run_id` 和 `topic_index`。
            - 此函数内部负责初始化 `ContentGenerator` 和 `PosterGenerator`，调用 `core` 模块中的函数处理图片和文本，并生成所有海报变体到对应的 `result/<run_id>/<topic_index>_<variant_index>/` 目录下。
    - 所有选题处理完毕后，在 `main.generate_content_and_posters_step` 中关闭共享的 AI Agent。

## 使用方法

1. 准备景点资源信息 (`.txt` 文件)，放入 `resource/Object/` 目录（或其他在配置中指定的路径）。确保文件名与选题生成时 AI 可能选择的 `object` 名称匹配（目前使用包含匹配逻辑）。
2. 准备图片资源，按照 `README.md` 中"开始使用"部分的说明组织图片目录结构，并确保 `poster_gen_config.json` 中的 `image_base_dir` 指向正确的图片根目录。
3. 复制 `example_config.json` 为 `poster_gen_config.json`，并根据你的 API Key、模型端点、文件路径、图片根目录等进行修改。确保 `prompts_dir` 下的 `Style/` 和 `Demand/` 目录包含选题生成 AI 可能输出的文件名 (带 `.txt` 后缀)。确保 `Refer/` 目录下包含所有需要的参考文件。
4. **运行完整流程**: 
   ```bash
   python main.py
   ```
5. **分阶段运行**: (参考 `examples/` 目录下的脚本，**注意需要传递 run_id**)
   ```bash
   # 阶段 1: 仅生成选题
   # 需要修改 examples/run_step1_topics.py 以接受或生成 run_id 并传递
   # python examples/run_step1_topics.py 
   
   # 阶段 2: 处理已生成的选题
   # 需要修改 examples/run_step2_content_posters.py 以接受 run_id 参数
   # python examples/run_step2_content_posters.py <your_run_id>
   ```
   *(注意: 示例脚本可能需要更新以适应 run_id 传递的变化)*

## 配置说明

配置文件: `poster_gen_config.json`

**必须配置项**：

- `api_url`: 大语言模型 API 地址 (或预设名称如 'vllm', 'ali', 'kimi', 'doubao', 'deepseek')
- `api_key`: API 密钥
- `model`: 使用的模型名称
- `topic_system_prompt`: 选题生成系统提示词文件路径 (应为要求JSON输出的版本)
- `topic_user_prompt`: 选题生成基础用户提示词文件路径
- `content_system_prompt`: 内容生成系统提示词文件路径
- `resource_dir`: 包含景点等资源文件信息的列表 (结构见 `example_config.json`)
- `prompts_dir`: 存放 Demand/Style/Refer 等提示词片段的目录路径
- `output_dir`: 输出结果保存目录路径
- `image_base_dir`: **图片资源根目录绝对路径或相对路径**
- `num`: （选题阶段）生成选题数量
- `variants`: （内容生成阶段）每个选题生成的变体数量

**可选配置项**：

- `date`: 日期标记（用于选题生成提示词，默认为空）
- `topic_temperature`, `topic_top_p`, `topic_presence_penalty`: 选题生成 API 相关参数 (默认为 0.2, 0.5, 1.5)
- `content_temperature`, `content_top_p`, `content_presence_penalty`: 内容生成 API 相关参数 (默认为 0.3, 0.4, 1.5)
- `request_timeout`: AI API 请求的超时时间（秒，默认 30）
- `max_retries`: 请求超时或可重试网络错误时的最大重试次数（默认 3）
- `camera_image_subdir`: 存放原始照片和描述文件的子目录名（相对于 `image_base_dir`，默认"相机"）
- `modify_image_subdir`: 存放处理后/用于拼贴的图片的子目录名（相对于 `image_base_dir`，默认"modify"）
- `poster_target_size`: 海报目标尺寸 `[宽, 高]`（默认 `[900, 1200]`）
- `text_possibility`: 海报中第二段附加文字出现的概率 (默认 0.3)

项目提供了一个示例配置文件 `example_config.json`，请务必复制并修改：

## 注意事项

- - 确保已安装所有依赖库，特别是 `openai` 库。
- - **选题生成依赖于 AI 模型严格输出有效的 JSON 格式**。如果 AI 输出格式错误，选题解析会失败。
- - **内容生成依赖于 AI 在选题 JSON 中提供的 `style` 和 `target_audience` 文件名与 `prompts_dir` 下 `Style/` 和 `Demand/` 目录中的实际文件名（含.txt）完全一致**。请检查这些目录和文件名。
- - **图片目录结构和命名**需严格符合预期，以便程序能找到对应景点的图片。
- - AI生成内容的质量很大程度上取决于**提示词的设计**和**输入资源信息的质量**。
- - 仔细检查 API Key、URL 和文件路径配置。
- - 如果遇到问题，检查程序输出的日志信息和错误提示。 


## API 集成 / 流式输出使用 (Streaming Usage)

为了方便将 AI 生成的内容以流式传输（例如，用于 API 端点），`AI_Agent` 类提供了一个 `work_stream` 方法。与返回完整文本的 `work` 方法不同，`work_stream` 返回一个 Python 生成器 (generator)。

你可以迭代这个生成器来逐块获取 AI 生成的文本。

**基本用法示例：**

```python
import os
import sys
import json

# 假设已正确设置 Python Path
from core.ai_agent import AI_Agent

# 1. 加载配置 (与 main.py 类似)
config_path = "poster_gen_config.json"
config = {}
try:
    with open(config_path, 'r', encoding='utf-8') as f:
        config = json.load(f)
except Exception as e:
    print(f"Error loading config: {e}")
    sys.exit(1)

# 2. 初始化 AI Agent (读取超时/重试配置)
ai_agent = None
try:
    request_timeout = config.get("request_timeout", 30)
    max_retries = config.get("max_retries", 3)
    ai_agent = AI_Agent(
        config["api_url"],
        config["model"],
        config["api_key"],
        timeout=request_timeout,
        max_retries=max_retries
    )

    # 3. 定义提示词和参数
    system_prompt = "You are a travel writer."
    user_prompt = "Describe the Great Wall of China in about 50 words."
    temperature = config.get("content_temperature", 0.7)
    top_p = config.get("content_top_p", 0.9)
    presence_penalty = config.get("content_presence_penalty", 1.0)
    file_folder = None # 可选的参考文件目录

    # 4. 调用 work_stream 获取生成器
    stream_generator = ai_agent.work_stream(
        system_prompt,
        user_prompt,
        file_folder,
        temperature,
        top_p,
        presence_penalty
    )

    # 5. 迭代生成器获取文本块
    print("Streaming response:")
    for chunk in stream_generator:
        print(chunk, end="", flush=True) # 处理文本块，例如发送给客户端

    print("\\nStream finished.")

except Exception as e:
    print(f"An error occurred: {e}")
finally:
    if ai_agent:
        ai_agent.close()

```

这个返回的 `stream_generator` 可以很容易地集成到 Web 框架（如 Flask、FastAPI）的流式响应 (StreamingResponse) 中，以实现向客户端的实时流式输出。参考 `examples/test_stream.py` 获取可运行的示例。