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。
• 图片拼贴：自动处理和组合图片，支持多种风格的拼贴效果。
• 贴纸装饰：自动识别和添加适当的装饰贴纸，增强海报视觉效果。
• 组件测试：提供多个测试脚本，方便开发者测试和了解各个组件。
• 流式输出：支持AI内容的流式生成和实时处理。

安装

环境要求

• Python 3.6+
• 依赖库安装：

# 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。
    • ImageCollageCreator 类：核心拼贴图实现类，提供多种拼贴样式（如标准网格、非对称布局、胶片条、重叠风格等）。
    • process_directory 函数：对外接口，接收图片目录路径和参数，使用 ImageCollageCreator 创建一组拼贴图。
    • 支持多种拼贴样式：标准 2x2 网格、非对称布局、胶片条、重叠效果、马赛克风格等。
    • 提供图像增强：自动调整对比度、亮度和饱和度，使拼贴图更加美观。
    • 智能处理不同大小、格式的图片，自动尝试加载所有支持的图片格式（.jpg, .jpeg, .png, .bmp）。
    • 错误处理与恢复：当部分图片加载失败时，会自动尝试使用其他可用图片代替。
• 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:

   python main.py --config poster_gen_config.json
   

5. 分阶段运行:

   # 阶段 1: 仅生成选题
   python examples/run_step1_topics.py 
   
   # 阶段 2: 处理已生成的选题
   python examples/run_step2_content_posters.py <your_run_id>
   

6. 测试单个组件:

   # 测试图片拼贴功能
   python examples/test_simple_collage.py
   
   # 测试海报生成功能
   python examples/test_poster_generator.py
   
   # 测试内容生成功能
   python examples/test_content_generator.py
   
   # 测试AI流式输出功能
   python examples/test_stream.py
   
   # 测试资源加载器
   python examples/test_resource_loader.py
   
   # 测试流程步骤
   python examples/test_pipeline_steps.py
   

更多详细信息，请参阅 examples/README.md 文件。

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: 包含资源文件信息的列表。列表中的每个元素是一个字典，包含：
  • type: 资源类型，目前支持 "Object" (景点/对象信息), "Description" (对应的描述文件), "Product" (关联产品信息)。
  • file_path: 一个包含该类型所有资源文件完整路径的列表。
    • 对于 "Object" 类型，程序会根据选题中的对象名称在此列表中查找匹配的文件。
    • 对于 "Description" 类型，程序会根据选题中的对象名称在此列表中查找对应的描述文件 (文件名应包含对象名以便匹配)。
    • 对于 "Product" 类型，程序会根据选题中的产品名称在此列表中查找匹配的文件。
  • num: (可选，目前似乎未使用) 文件数量。
• 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 (用于查找源图片)
• poster_assets_base_dir: 海报素材根目录绝对路径或相对路径 (用于查找字体、边框、贴纸、文本背景等)
• 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）
• stream_chunk_timeout: 处理流式响应时，允许的两个数据块之间的最大等待时间（秒），用于防止流长时间挂起。
• camera_image_subdir: 存放原始照片的子目录名（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")
• output_collage_subdir: 在每个变体输出目录中存放拼贴图的子目录名（默认 "collage_img")
• output_poster_subdir: 在每个变体输出目录中存放最终海报的子目录名（默认 "poster")
• output_poster_filename: 输出的最终海报文件名（默认 "poster.jpg")
• 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)

AI_Agent 类提供了 work_stream 方法，用于获取 AI 生成内容的流式输出。该方法返回一个 Python 生成器 (generator)，你可以迭代它来逐块获取 AI 生成的文本。

同时处理流式块并获取完整结果：

如果你既需要实时处理（或传输）每个文本块，又想在流结束后得到完整的拼接结果，可以在迭代生成器的同时进行拼接。

用法示例：

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/流式块超时配置)
ai_agent = None
try:
    request_timeout = config.get("request_timeout", 30)
    max_retries = config.get("max_retries", 3)
    stream_chunk_timeout = config.get("stream_chunk_timeout", 60) # 新增：读取流式块超时

    ai_agent = AI_Agent(
        config["api_url"],
        config["model"],
        config["api_key"],
        timeout=request_timeout,
        max_retries=max_retries,
        stream_chunk_timeout=stream_chunk_timeout # 新增：传递流式块超时
    )

    # 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，处理块并拼接完整结果
    print("Streaming response:")
    full_response = "" # 初始化空字符串用于拼接
    for chunk in stream_generator:
        # 处理实时块，例如打印或发送给客户端
        print(chunk, end="", flush=True)
        # 拼接完整结果
        full_response += chunk

    print("\\n--- Stream finished ---")

    # 6. 使用拼接好的完整结果
    print("\\n--- Reconstructed Full Response ---")
    print(full_response)
    # 你可以在这里对 full_response 进行进一步处理

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

这个模式允许你灵活地利用流式输出，同时在需要时也能访问到最终的完整文本。参考 examples/test_stream.py 获取可运行的示例（该示例也包含了拼接逻辑，只是默认注释了最后的打印）。

注意： 如果你只需要最终的完整结果而不需要流式处理，可以直接调用 ai_agent.work(...) 方法，它会内部处理好拼接并直接返回结果字符串。

Refactoring Complete: Decoupling Generation and Output Handling

To enhance the flexibility and extensibility of this tool, a refactoring effort has been completed to separate the core content/image generation logic from the output handling (previously, saving results directly to the local filesystem).

Motivation:

• API Integration: Allow generated results (topics, text content, image URLs/data) to be easily returned via an API endpoint instead of only being saved locally.
• Alternative Storage: Enable saving results to different backends like databases, cloud storage (e.g., S3, OSS), etc.
• Modularity: Improve code structure by separating concerns.

Approach Taken:

1. Modified Core Functions: Functions responsible for generating topics, content, and posters (primarily in utils/tweet_generator.py, core/simple_collage.py, core/posterGen.py) have been updated:
   • Topic generation now returns the generated data (run_id, topics_list, prompts).
   • Image generation functions (simple_collage.process_directory, posterGen.create_poster) now return PIL Image objects instead of saving files.
   • Content and poster generation workflows accept an OutputHandler instance to process results (content JSON, prompts, configurations, image data) immediately after generation.
2. Introduced Output Handlers: An "Output Handler" pattern has been implemented (utils/output_handler.py).
   • An abstract base class (OutputHandler) defines methods for processing different types of results.
   • A concrete implementation (FileSystemOutputHandler) replicates the original behavior of saving all results to the ./result/{run_id}/... directory structure.
3. Updated Main Workflow: The main script (main.py) now:
   • Instantiates a specific OutputHandler (currently FileSystemOutputHandler).
   • Calls the generation functions, passing the OutputHandler where needed.
   • Uses the OutputHandler to process data returned by the topic generation step.
4. Reduced Config Dependency: Core logic functions (PromptManager, generate_content_for_topic, generate_posters_for_topic, etc.) now receive necessary configuration values as specific parameters rather than relying on the entire config dictionary, making them more independent and testable.

Future Possibilities:

This refactoring makes it straightforward to add new output handlers in the future, such as:

• ApiOutputHandler: Formats results for API responses.
• DatabaseOutputHandler: Stores results in a database.
• CloudStorageOutputHandler: Uploads results (especially images) to cloud storage and potentially stores metadata elsewhere.

配置文件说明 (Configuration)

主配置文件为 poster_gen_config.json (可以复制 example_config.json 并修改)。主要包含以下部分：

1. 基本配置 (Basic)

• api_url (必须): 大语言模型 API 地址 (或预设名称如 'vllm', 'ali', 'kimi', 'doubao', 'deepseek')
• api_key (必须): API 密钥
• model (必须): 使用的模型名称
• topic_system_prompt (必须): 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 (必须): 选题生成基础用户提示词文件路径
• content_system_prompt (必须): 内容生成系统提示词文件路径
• resource_dir (必须): 包含资源文件信息的列表。列表中的每个元素是一个字典，包含：
  • type: 资源类型，目前支持 "Object" (景点/对象信息), "Description" (对应的描述文件), "Product" (关联产品信息)。
  • file_path: 一个包含该类型所有资源文件完整路径的列表。
• prompts_dir (必须): 存放 Demand/Style/Refer 等提示词片段的目录路径
• output_dir (必须): 输出结果保存目录路径
• image_base_dir (必须): 图片资源根目录绝对路径或相对路径 (用于查找源图片)
• poster_assets_base_dir (必须): 海报素材根目录绝对路径或相对路径 (用于查找字体、边框、贴纸、文本背景等)
• num (必须): （选题阶段）生成选题数量
• variants (必须): （内容生成阶段）每个选题生成的变体数量

2. 可选配置 (Optional)

• date (可选, 默认空): 日期标记（用于选题生成提示词）
• topic_temperature (可选, 默认 0.2): 选题生成 API 温度参数
• topic_top_p (可选, 默认 0.5): 选题生成 API top-p 参数
• topic_presence_penalty (可选, 默认 1.5): 选题生成 API presence penalty 参数
• content_temperature (可选, 默认 0.3): 内容生成 API 温度参数
• content_top_p (可选, 默认 0.4): 内容生成 API top-p 参数
• content_presence_penalty (可选, 默认 1.5): 内容生成 API presence penalty 参数
• request_timeout (可选, 默认 30): 单个 HTTP 请求的超时时间（秒）。
• max_retries (可选, 默认 3): API 请求失败时的最大重试次数。
• stream_chunk_timeout (可选, 默认 60): 处理流式响应时，允许的两个数据块之间的最大等待时间（秒），用于防止流长时间挂起。
• camera_image_subdir (可选, 默认 "相机"): 存放原始照片的子目录名（相对于 image_base_dir）
• modify_image_subdir (可选, 默认 "modify"): 存放处理后/用于拼贴的图片的子目录名（相对于 image_base_dir）
• output_collage_subdir (可选, 默认 "collage_img"): 在每个变体输出目录中存放拼贴图的子目录名

3. 选题与内容生成参数 (Topic & Content Generation)

• topic_temperature (可选, 默认 0.2): 选题生成 API 温度参数
• topic_top_p (可选, 默认 0.5): 选题生成 API top-p 参数
• topic_presence_penalty (可选, 默认 1.5): 选题生成 API presence penalty 参数
• content_temperature (可选, 默认 0.3): 内容生成 API 温度参数
• content_top_p (可选, 默认 0.4): 内容生成 API top-p 参数
• content_presence_penalty (可选, 默认 1.5): 内容生成 API presence penalty 参数

4. 图片处理参数 (Image Processing)

• camera_image_subdir (可选, 默认 "相机"): 存放原始照片的子目录名（相对于 image_base_dir）
• modify_image_subdir (可选, 默认 "modify"): 存放处理后/用于拼贴的图片的子目录名（相对于 image_base_dir）
• output_collage_subdir (可选, 默认 "collage_img"): 在每个变体输出目录中存放拼贴图的子目录名

5. 海报生成参数 (Poster Generation)

• output_poster_subdir (可选, 默认 "poster"): 在每个变体输出目录中存放最终海报的子目录名
• output_poster_filename (可选, 默认 "poster.jpg"): 输出的最终海报文件名
• poster_target_size (可选, 默认 [900, 1200]): 海报目标尺寸 [宽, 高]
• text_possibility (可选, 默认 0.3): 海报中第二段附加文字出现的概率

6. 其他参数 (Miscellaneous)

• request_timeout (可选, 默认 30): 单个 HTTP 请求的超时时间（秒）。
• max_retries (可选, 默认 3): API 请求失败时的最大重试次数。
• stream_chunk_timeout (可选, 默认 60): 处理流式响应时，允许的两个数据块之间的最大等待时间（秒），用于防止流长时间挂起。

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

图片目录要求

为确保海报生成功能正常工作，请按照以下结构组织图片目录：

1. 基础图片目录：在 poster_gen_config.json 中设置 image_base_dir 参数指向基础图片目录。
2. 原始照片目录：在基础目录下创建 相机 子目录（或通过 camera_image_subdir 配置），包含原始照片。
3. 修改图片目录：在基础目录下创建 modify 子目录（或通过 modify_image_subdir 配置），并其中为每个景点创建子目录：

   image_base_dir/
   ├── 相机/
   │   ├── 景点1/
   │   │   ├── 照片1.jpg
   │   │   ├── 照片2.jpg
   │   │   └── ...
   │   └── 景点2/
   │       └── ...
   └── modify/
       ├── 景点1/
       │   ├── 图片1.jpg
       │   ├── 图片2.jpg
       │   └── ... (至少4-9张图片，建议多于9张)
       └── 景点2/
           └── ...
   

注意事项：

• 每个景点的 modify 子目录中至少需要 4 张图片，建议包含 9 张或更多图片以保证拼贴效果多样性。
• 图片应当质量良好，清晰、色彩丰富，尺寸适中（过大或过小的图片都可能导致处理问题）。
• 支持的图片格式为 JPG (.jpg, .jpeg)、PNG (.png) 和 BMP (.bmp)。
• 确保图片文件没有损坏且可以被 PIL 库正常打开。

模块功能划分

本项目采用模块化设计，各个功能组件清晰分离，便于维护和扩展。主要模块及其功能如下：

核心功能模块 (core/)

模块名称	文件路径	主要功能	测试脚本
AI代理	core/ai_agent.py	封装与大语言模型API的交互，支持标准请求和流式响应，提供错误重试和超时控制	examples/test_stream.py
选题解析器	core/topic_parser.py	解析AI返回的JSON格式选题数据，提取结构化信息	集成于工作流测试
内容处理器	core/contentGen.py	生成海报文本配置，处理景点描述和文章内容，转换为适合海报展示的文本结构	examples/test_content_generator.py
海报生成器	core/posterGen.py	结合图片和文字创建最终海报，处理字体、布局、装饰贴纸等	examples/test_poster_generator.py
图片拼贴工具	core/simple_collage.py	提供多样化的图片拼贴功能，支持不同布局风格和图像增强	examples/test_simple_collage.py

工具与辅助模块 (utils/)

模块名称	文件路径	主要功能	测试脚本
资源加载器	utils/resource_loader.py	加载景点信息、描述文件等资源	集成于工作流测试
提示词管理器	utils/prompt_manager.py	集中管理和构建不同阶段的AI提示词	集成于工作流测试
主流程执行	utils/tweet_generator.py	实现选题生成、内容生成、海报生成的主要工作流	集成于examples/test_workflow.py
输出处理器	utils/output_handler.py	处理和保存生成的内容、图片和配置	集成于工作流测试

集成测试与示例 (examples/)

测试脚本	文件路径	测试内容
工作流测试	examples/test_workflow.py	测试完整流程和分步流程
流式输出测试	examples/test_stream.py	测试AI_Agent的流式输出功能
内容生成测试	examples/test_content_generator.py	测试ContentGenerator组件
图片拼贴测试	examples/test_simple_collage.py	测试图片拼贴功能和不同风格
海报生成测试	examples/test_poster_generator.py	测试海报生成功能
阶段1测试	examples/run_step1_topics.py	测试选题生成阶段
阶段2测试	examples/run_step2_content_posters.py	测试内容和海报生成阶段
海报示例	examples/generate_poster.py	简化的海报生成示例

测试与验证

项目提供了多种测试脚本，便于开发者验证各个组件的功能。这些测试脚本位于 examples/ 目录下：

单组件测试

1. AI代理流式输出测试 (test_stream.py):

   • 测试AI_Agent的流式响应功能
   • 演示如何接收和处理逐块返回的文本内容

2. 内容生成测试 (test_content_generator.py):

   • 测试ContentGenerator组件
   • 验证从描述文件和文章内容生成海报文本配置的功能

3. 图片拼贴测试 (test_simple_collage.py):

   • 测试多种拼贴风格和布局
   • 自动创建测试图片或使用指定目录中的图片

4. 海报生成测试 (test_poster_generator.py):

   • 测试将图片和文本组合为海报的功能
   • 支持使用现有配置文件或随机生成文本数据

5. 资源加载器测试 (test_resource_loader.py):

   • 测试ResourceLoader组件加载字体、贴纸和背景资源的功能
   • 创建临时测试目录结构和资源文件，验证加载逻辑
   • 测试异常处理和资源验证功能

6. 流程步骤测试 (test_pipeline_steps.py):

   • 顺序测试整个流程的各个步骤：选题生成、内容生成和海报生成
   • 允许单独测试每个步骤，便于调试和验证各环节
   • 使用配置文件中的资源目录和参数设置

集成测试

1. 完整工作流测试 (test_workflow.py):

   • 测试从选题生成到海报制作的完整流程
   • 支持一次性执行或分步执行

2. 分阶段测试:

   • 阶段1 (run_step1_topics.py): 仅执行选题生成
   • 阶段2 (run_step2_content_posters.py): 根据已生成选题执行内容和海报生成

使用测试脚本

# 测试AI流式输出
python examples/test_stream.py

# 测试内容生成器
python examples/test_content_generator.py

# 测试图片拼贴功能
python examples/test_simple_collage.py

# 测试海报生成功能
python examples/test_poster_generator.py

# 测试完整工作流
python examples/test_workflow.py --mode full

# 测试分步工作流
python examples/test_workflow.py --mode steps

详细参数和用法请参考 examples/README.md 文件。