修复了judeger的响应问题

core/ai/ai_agent.py

@@ -99,11 +99,8 @@ class AIAgent:
                 time_cost = time.time() - start_time
 
                 if use_stream:
-                    # 流式处理暂时不返回token计数和时间，需要更复杂的实现
-                    # 这里返回一个空的生成器，但实际逻辑在 _process_stream 中
-                    # 为了统一返回类型，我们可能需要重新设计这里
-                    # 简化处理：流式模式下，我们返回拼接后的完整文本
-                    full_text = "".join([chunk for chunk in self._process_stream(response)])
+                    # 流式处理需要异步迭代
+                    full_text = await self._process_stream(response)
                     output_tokens = self.count_tokens(full_text)
                     logger.info(f"{stage_info} 任务完成，耗时 {time_cost:.2f} 秒. 输出token数: {output_tokens}")
                     return full_text, input_tokens, output_tokens, time_cost
@@ -130,16 +127,18 @@ class AIAgent:
 
         raise AIModelError(f"AI模型调用在 {self.config.max_retries} 次重试后失败") from last_exception
 
-    def _process_stream(self, response):
-        """处理流式响应"""
+    async def _process_stream(self, response):
+        """异步处理流式响应"""
         full_response = []
-        for chunk in response:
+        async for chunk in response:
             content = chunk.choices[0].delta.content
             if content:
                 full_response.append(content)
-                yield content
+                # 如果需要在这里实现真正的流式处理，可以使用回调函数或其他方式
         
-        logger.info(f"流式响应接收完成，总长度: {len(''.join(full_response))}")
+        full_text = "".join(full_response)
+        logger.info(f"流式响应接收完成，总长度: {len(full_text)}")
+        return full_text
 
     def count_tokens(self, text: str) -> int:
         """

docs/开发指南.md

@@ -222,7 +222,7 @@ async def generate_content_for_topic(self, topic: Dict[str, Any]) -> Dict[str, A
     raw_result = await self.ai_agent.generate_text(...)
     
     # 解析和保存结果
-    content_data = json.loads(raw_result)
+    content_data = json_repair.loads(raw_result)
     self.output_manager.save_json(content_data, "article.json", ...)
     
     return content_data

requirements.txt

@@ -1,7 +1,12 @@
-fastapi==0.115.12
-numpy==2.2.5
-openai==1.77.0
-Pillow==11.2.1
+json_repair==0.47.6
+numpy==2.3.1
+openai==1.93.3
+opencv_python==4.11.0.86
+opencv_python_headless==4.11.0.86
+Pillow==11.3.0
+psutil==6.1.0
+pydantic==2.11.7
+scikit_learn==1.7.0
+scipy==1.16.0
+simplejson==3.20.1
 tiktoken==0.9.0
-uvicorn==0.34.2
-opencv-python

scripts/generate_vibrant_poster.py

@@ -8,13 +8,13 @@
 import os
 import sys
 import json
+import json_repair
 import random
 import asyncio
 import argparse
 import logging
 import re
 from datetime import datetime
-
 # 将项目根目录添加到Python路径中
 sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
 
@@ -34,7 +34,7 @@ def read_data_file(file_path: str):
             
             # 尝试解析为标准JSON
             try:
-                return json.loads(content)
+                return json_repair.loads(content)
             except json.JSONDecodeError:
                 # 如果不是标准JSON，尝试解析为类JSON格式
                 logger.info(f"文件 {file_path} 不是标准JSON格式，尝试其他解析方式...")
@@ -220,7 +220,7 @@ async def generate_info_with_llm(ai_agent: AIAgent, scenic_info: dict, product_i
             
             if json_start >= 0 and json_end > json_start:
                 json_str = response[json_start:json_end]
-                content_dict = json.loads(json_str)
+                content_dict = json_repair.loads(json_str)
                 logger.info(f"LLM成功生成内容: {content_dict}")
                 
                 # 添加默认的按钮文本和分页信息

utils/file_io.py

@@ -8,6 +8,7 @@
 import os
 import random
 import json
+import json_repair
 import logging
 from pathlib import Path
 from typing import Optional, List, Dict, Any
@@ -38,7 +39,7 @@ class ResourceLoader:
         if content is None:
             return None
         try:
-            return json.loads(content)
+            return json_repair.loads(content)
         except json.JSONDecodeError as e:
             logger.error(f"解析JSON文件 '{file_path}' 失败: {e}")
             return None
@@ -134,3 +135,86 @@ class OutputManager:
         logger.info(f"Finalizing run: {self.run_id}")
         # 目前没有特殊操作，但可以用于未来的扩展，如创建清单文件
         pass 
+    
+
+def process_llm_json_text(text: Any) -> Optional[Dict[str, Any]]:
+    """
+    处理LLM返回的JSON字符串，支持多种格式提取：
+    1. 提取</think>后的内容
+    2. 提取```json和```之间的内容
+    3. 尝试直接解析整个文本
+    4. 使用json_repair修复格式问题
+    
+    Args:
+        text: LLM返回的原始文本或已解析的对象
+        
+    Returns:
+        解析后的JSON对象，解析失败则返回None
+    """
+    # 如果输入已经是字典类型，直接返回
+    if isinstance(text, dict):
+        return text
+        
+    # 如果输入是列表类型，且要求返回字典，则返回None
+    if isinstance(text, list):
+        logger.warning("输入是列表类型，但期望返回字典类型")
+        return None
+        
+    # 确保输入是字符串类型
+    if not isinstance(text, str):
+        try:
+            text = str(text)
+        except Exception as e:
+            logger.error(f"无法将输入转换为字符串: {e}")
+            return None
+    
+    if not text or not text.strip():
+        logger.warning("收到空的LLM响应")
+        return None
+        
+    # 存储可能的JSON文本
+    json_candidates = []
+    
+    # 1. 尝试提取</think>后的内容
+    if "</think>" in text:
+        think_parts = text.split("</think>", 1)
+        if len(think_parts) > 1:
+            json_candidates.append(think_parts[1].strip())
+    
+    # 2. 尝试提取```json和```之间的内容
+    json_code_blocks = []
+    # 匹配```json和```之间的内容
+    import re
+    json_blocks = re.findall(r"```(?:json)?\s*([\s\S]*?)```", text)
+    if json_blocks:
+        json_candidates.extend([block.strip() for block in json_blocks])
+    
+    # 3. 直接使用json_repair解析
+    try:
+        return json_repair.loads(text)
+    except Exception:
+        pass
+    
+    # 4. 添加原始文本作为候选
+    json_candidates.append(text.strip())
+    
+    # 尝试解析每个候选文本
+    for candidate in json_candidates:
+        # 直接尝试解析
+        try:
+            import json
+            return json.loads(candidate)
+        except json.JSONDecodeError:
+            pass
+        
+        # 使用json_repair尝试修复
+        try:
+            import json_repair
+            return json_repair.loads(candidate)
+        except Exception:
+            continue
+    
+    # 所有尝试都失败，记录错误并返回None
+    logger.error(f"无法解析LLM返回的JSON，尝试了{len(json_candidates)}种提取方式")
+    logger.debug(f"原始响应: {text[:200]}...")  # 只记录前200个字符避免日志过大
+    return None

utils/poster/text_generator.py

@@ -9,7 +9,7 @@ import json
 from typing import Dict, Any, Optional, List
 
 from core.ai import AIAgent
-
+from utils.file_io import ResourceLoader, process_llm_json_text
 logger = logging.getLogger(__name__)
 
 class PosterContentGenerator:
@@ -73,28 +73,9 @@ class PosterContentGenerator:
                 self.logger.error("AI未能返回任何内容。")
                 return None
 
-            # 预处理并解析JSON
-            return self._parse_json_response(raw_response)
+            # 使用通用JSON解析函数处理响应
+            return process_llm_json_text(raw_response)
 
         except Exception as e:
             self.logger.error(f"调用AI生成文案时发生严重错误: {e}", exc_info=True)
             return None 
-
-    def _parse_json_response(self, text: str) -> Optional[Dict[str, Any]]:
-        """
-        从AI返回的文本中提取并解析JSON。
-        """
-        try:
-            # 找到第一个 '{' 和最后一个 '}' 来提取JSON字符串
-            start_index = text.find('{')
-            end_index = text.rfind('}')
-            if start_index != -1 and end_index != -1:
-                json_str = text[start_index : end_index + 1]
-                return json.loads(json_str)
-            else:
-                self.logger.error("在AI响应中未找到有效的JSON对象。")
-                return None
-        except json.JSONDecodeError as e:
-            self.logger.error(f"解析AI返回的JSON失败: {e}")
-            self.logger.debug(f"原始响应文本: {text}")
-            return None 

utils/tweet/content_generator.py

@@ -12,7 +12,7 @@ from typing import Dict, Any
 from core.ai import AIAgent
 from core.config import ConfigManager, GenerateTopicConfig, GenerateContentConfig
 from utils.prompts import ContentPromptBuilder
-from utils.file_io import OutputManager
+from utils.file_io import OutputManager, process_llm_json_text
 
 logger = logging.getLogger(__name__)
 
@@ -67,7 +67,7 @@ class ContentGenerator:
             raw_result, _, _, _ = await self.ai_agent.generate_text(
                 system_prompt=system_prompt,
                 user_prompt=user_prompt,
-                use_stream=False,
+                use_stream=True,
                 stage="内容生成",
                 **model_params
             )
@@ -77,12 +77,11 @@ class ContentGenerator:
             return {"error": str(e)}
 
         # 3. 解析和保存结果
-        try:
-            # 假设结果是一个JSON字符串
-            content_data = json.loads(raw_result)
+        content_data = process_llm_json_text(raw_result)
+        if content_data:
             self.output_manager.save_json(content_data, "article.json", subdir=output_dir.name)
             logger.info(f"成功为选题 {topic_index} 生成并保存内容。")
             return content_data
-        except json.JSONDecodeError as e:
-            logger.error(f"解析内容JSON失败 for {topic_index}: {e}")
+        else:
+            logger.error(f"解析内容JSON失败 for {topic_index}")
             return {"error": "JSONDecodeError", "raw_content": raw_result} 

utils/tweet/content_judger.py

@@ -7,12 +7,12 @@
 
 import logging
 import json
-from json_repair import loads as json_repair_loads
-from typing import Dict, Any
+from typing import Dict, Any, Union
 
 from core.ai import AIAgent
 from core.config import ConfigManager, GenerateTopicConfig, GenerateContentConfig
 from utils.prompts import JudgerPromptBuilder
+from utils.file_io import process_llm_json_text
 
 logger = logging.getLogger(__name__)
 
@@ -36,12 +36,12 @@ class ContentJudger:
         self.prompt_builder = JudgerPromptBuilder(config_manager)
         self.output_manager = output_manager
 
-    async def judge_content(self, generated_content: str, topic: Dict[str, Any]) -> Dict[str, Any]:
+    async def judge_content(self, generated_content: Union[str, Dict[str, Any]], topic: Dict[str, Any]) -> Dict[str, Any]:
         """
         调用AI审核生成的内容
 
         Args:
-            generated_content: 已生成的原始内容（JSON字符串格式）
+            generated_content: 已生成的原始内容（JSON字符串或字典对象）
             topic: 与内容相关的原始选题字典
 
         Returns:
@@ -55,18 +55,23 @@ class ContentJudger:
         
         # 从原始内容中提取tags
         original_tags = []
-        try:
-            original_content = json_repair_loads(generated_content)
-            if isinstance(original_content, dict) and "tags" in original_content:
+        original_content = process_llm_json_text(generated_content)
+        if original_content and isinstance(original_content, dict) and "tags" in original_content:
             original_tags = original_content.get("tags", [])
             logger.info(f"从原始内容中提取到标签: {original_tags}")
-        except Exception as e:
-            logger.warning(f"从原始内容提取标签失败: {e}")
+        else:
+            logger.warning("从原始内容提取标签失败")
+        
+        # 将字典转换为JSON字符串，以便在提示中使用
+        if isinstance(generated_content, dict):
+            generated_content_str = json.dumps(generated_content, ensure_ascii=False, indent=2)
+        else:
+            generated_content_str = str(generated_content)
         
         # 1. 构建提示
         system_prompt = self.prompt_builder.get_system_prompt()
         user_prompt = self.prompt_builder.build_user_prompt(
-            generated_content=generated_content,
+            generated_content=generated_content_str,
             topic=topic
         )
         
@@ -91,7 +96,7 @@ class ContentJudger:
             raw_result, _, _, _ = await self.ai_agent.generate_text(
                 system_prompt=system_prompt,
                 user_prompt=user_prompt,
-                use_stream=False,
+                use_stream=True,
                 stage="内容审核",
                 **model_params
             )
@@ -105,9 +110,8 @@ class ContentJudger:
             return {"judge_success": False, "error": str(e)}
 
         # 3. 解析结果
-        try:
-            judged_data = json_repair_loads(raw_result)
-            if isinstance(judged_data, dict) and "title" in judged_data and "content" in judged_data:
+        judged_data = process_llm_json_text(raw_result)
+        if judged_data and isinstance(judged_data, dict) and "title" in judged_data and "content" in judged_data:
             judged_data["judge_success"] = True
             
             # 直接使用原始内容中的标签
@@ -122,8 +126,5 @@ class ContentJudger:
                 
             return judged_data
         else:
-                logger.warning(f"审核响应JSON格式不正确或缺少键: {judged_data}")
+            logger.warning(f"审核响应JSON格式不正确或缺少键")
             return {"judge_success": False, "error": "Invalid JSON response", "raw_response": raw_result}
-        except (json.JSONDecodeError, ValueError) as e:
-            logger.error(f"解析审核响应JSON失败: {e}")
-            return {"judge_success": False, "error": "JSONDecodeError", "raw_response": raw_result}

utils/tweet/topic_generator.py

@@ -71,7 +71,7 @@ class TopicGenerator:
             raw_result, _, _, _ = await self.ai_agent.generate_text(
                 system_prompt=system_prompt,
                 user_prompt=user_prompt,
-                use_stream=False, # 选题生成通常不需要流式输出
+                use_stream=True, # 选题生成通常不需要流式输出
                 stage="选题生成",
                 **model_params
             )

utils/tweet/topic_parser.py

@@ -7,9 +7,8 @@ AI响应解析器模块
 
 import logging
 import json
-import re
 from typing import List, Dict, Any
-from json_repair import loads as json_repair_loads
+from utils.file_io import process_llm_json_text
 
 logger = logging.getLogger(__name__)
 
@@ -32,28 +31,20 @@ class TopicParser:
         """
         logger.info("开始解析AI生成的选题...")
         
-        # 1. 移除AI思考过程的 <think> 块
-        if "</think>" in raw_text:
-            raw_text = raw_text.split("</think>", 1)[-1]
+        # 使用通用JSON解析函数解析原始文本
+        parsed_json = process_llm_json_text(raw_text)
         
-        # 2. 移除Markdown代码块标记 (e.g., ```json ... ```)
-        cleaned_text = re.sub(r'```json\s*|\s*```', '', raw_text.strip(), flags=re.MULTILINE)
-
-        if not cleaned_text:
-            logger.error("移除元数据后，解析内容为空")
+        if not parsed_json:
+            logger.error("解析AI响应失败，无法获取JSON数据")
             return []
             
-        try:
-            # 3. 使用json_repair修复可能不规范的JSON并解析
-            parsed_json = json_repair_loads(cleaned_text)
-            
         if not isinstance(parsed_json, list):
             logger.error(f"解析结果不是列表，而是 {type(parsed_json)}")
             return []
         
         logger.info(f"成功解析 {len(parsed_json)} 个选题对象。开始验证...")
         
-            # 4. 验证每个选题是否包含所有必需的键
+        # 验证每个选题是否包含所有必需的键
         valid_topics = []
         required_keys = {"index", "date", "logic", "object", "product", "style", "target_audience"}
         
@@ -65,7 +56,3 @@ class TopicParser:
         
         logger.info(f"验证完成，获得 {len(valid_topics)} 个有效选题。")
         return valid_topics 
-
-        except (json.JSONDecodeError, ValueError) as e:
-            logger.error(f"解析JSON失败: {e}", exc_info=True)
-            return []