MindMap/backend/mindmap/ai_service.py

import re
import traceback
import json

def call_ai_api(system_prompt, user_prompt, model="glm-4.5", base_url="https://open.bigmodel.cn/api/paas/v4/", api_key="ce39bdd4fcf34ec0aec75072bc9ff988.hAp7HZTVUwy7vImn", stream=False):
    """
    调用AI API生成Markdown
    """
    try:
        # 尝试导入OpenAI客户端
        try:
            from openai import OpenAI
        except ImportError:
            print("OpenAI库未安装，返回模拟数据")
            if stream:
                # 返回模拟流式数据
                def mock_stream():
                    mock_content = f"""# {user_prompt}

## 概述
{user_prompt}是一个重要的概念和领域。

## 核心要素
- 要素1
- 要素2
- 要素3

## 应用场景
- 场景1
- 场景2
- 场景3

## 发展趋势
- 趋势1
- 趋势2
- 趋势3"""
                    for char in mock_content:
                        yield char
                return mock_stream()
            else:
                return f"""# {user_prompt}

## 概述
{user_prompt}是一个重要的概念和领域。

## 核心要素
- 要素1
- 要素2
- 要素3

## 应用场景
- 场景1
- 场景2
- 场景3

## 发展趋势
- 趋势1
- 趋势2
- 趋势3"""
        
        # 构建消息
        messages = [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}
        ]
        
        print(f"发送AI API请求到: {base_url}")
        print(f"模型: {model}")
        print(f"流式模式: {stream}")
        
        # 创建OpenAI客户端
        client = OpenAI(api_key=api_key, base_url=base_url)
        
        # 根据stream参数决定是否使用流式调用
        try:
            response = client.chat.completions.create(
                model=model,
                messages=messages,
                temperature=0.7,
                max_tokens=8000,  # 增加token限制，确保完整内容生成
                stream=stream
            )
        except Exception as e:
            print(f"API调用失败: {e}")
            # 如果API调用失败，抛出异常而不是返回模拟数据
            raise Exception(f"AI API调用失败: {e}")
        
        if stream:
            # 流式响应处理
            def generate_stream():
                full_content = ""
                try:
                    for chunk in response:
                        if chunk.choices[0].delta.content is not None:
                            content_chunk = chunk.choices[0].delta.content
                            full_content += content_chunk
                            yield content_chunk
                    print(f"流式响应完成，总长度: {len(full_content)}")
                except Exception as e:
                    print(f"流式响应处理失败: {e}")
                    raise e
                return full_content
            
            return generate_stream()
        else:
            # 非流式响应处理
            content = response.choices[0].message.content
            print(f"AI原始响应: {content}")
            
            # 处理可能的JSON格式响应
            try:
                # 尝试解析为JSON
                json_data = json.loads(content)
                if 'answer' in json_data:
                    content = json_data['answer']
                    print(f"从JSON中提取answer: {content[:100]}...")
                elif 'content' in json_data:
                    content = json_data['content']
                    print(f"从JSON中提取content: {content[:100]}...")
                elif 'markdown' in json_data:
                    content = json_data['markdown']
                    print(f"从JSON中提取markdown: {content[:100]}...")
            except json.JSONDecodeError:
                # 不是JSON格式，直接使用内容
                print("响应不是JSON格式，直接使用内容")
            
            # 清理内容
            content = content.strip()
            
            # 如果返回的内容包含代码块标记，提取其中的内容
            markdown_match = re.search(r"```(?:markdown)?\n(.*?)```", content, re.DOTALL)
            if markdown_match:
                content = markdown_match.group(1).strip()
            
            # 如果内容为空，返回模拟数据
            if not content:
                print("AI返回内容为空，使用模拟数据")
                return f"""# {user_prompt}

## 概述
{user_prompt}是一个重要的概念和领域。

## 核心要素
- 要素1
- 要素2
- 要素3

## 应用场景
- 场景1
- 场景2
- 场景3

## 发展趋势
- 趋势1
- 趋势2
- 趋势3"""
            
            return content
            
    except Exception as e:
        print(f"AI API调用异常: {e}")
        traceback.print_exc()
        return None


def generate_markdown_from_text(text):
    """
    从文本生成Markdown的便捷函数
    """
    system_prompt = """你是一位Markdown格式转换专家。你的任务是将用户提供的文章内容精确转换为结构化的Markdown格式。请遵循以下步骤：

提取主标题： 识别文章最顶层的主标题（通常为文章题目或书名），并使用Markdown的 # 级别表示。

识别层级标题： 从文章内容中提取所有层级的内容标题（从主标题后的第一个标题开始，Level 1 至 Level 4）。判断层级依据：

视觉与结构特征： 如独立成行/段、位置（行首）、格式（加粗、编号如 1., 1.1, (1), - 等）。

语义逻辑： 标题之间的包含和并列关系。

在Markdown中，使用相应标题级别：

Level 1 标题用 ##

Level 2 标题用 ###

Level 3 标题用 ####

Level 4 标题用 #####

精确保留原文标题文字，不得修改、概括或润色。

处理正文内容： 对于每个标题下的正文内容区块（从该标题后开始，直到下一个同级或更高级别标题前）：

直接保留原文文本，但根据内容结构适当格式化为Markdown。

如果内容是列表（如项目符号或编号列表），使用Markdown列表语法（例如 - 用于无序列表，1. 用于有序列表）。

保持段落和换行不变。

输出格式： 输出必须是纯Markdown格式的文本，不得包含任何额外说明、JSON或非Markdown元素。确保输出与示例风格一致。"""

    user_prompt = f"请将以下内容转换为结构化的Markdown格式：\n\n{text}"
    
    return call_ai_api(system_prompt, user_prompt)