--- phase: 13 plan: 02 type: tdd wave: 1 depends_on: [] files_modified: - kb_workflow/srt/semantic_engine.py - tests/test_semantic_engine.py autonomous: true requirements: - BOUND-01 - BOUND-02 - BOUND-03 - BOUND-04 must_haves: truths: - "系统能检测字幕中的话题转换点" - "边界检测基于语义分析,而非时间间隔或字符长度" - "话题切换时正确创建分段,不混入不同话题的内容" - "单个话题的内容保持完整,不会被错误截断" artifacts: - path: "kb_workflow/srt/semantic_engine.py" provides: "语义边界检测 Prompt 模板" min_lines: 250 exports: ["SEGMENTATION_PROMPT", "_parse_result"] - path: "tests/test_semantic_engine.py" provides: "话题边界检测测试" min_lines: 80 key_links: - from: "SEGMENTATION_PROMPT" to: "LLM 输出" via: "Prompt 指令要求识别话题转换点" pattern: "话题转换.*分段" - from: "_parse_result" to: "SegmentationResult" via: "解析 LLM 返回的 JSON" pattern: "extract.*json.*validate" --- 实现语义边界检测功能 目的:让 LLM 识别话题转换点,在不同主题之间创建分段边界 输出:SEGMENTATION_PROMPT 模板,_parse_result 解析方法 @/home/starmen1265/.claude/get-shit-done/workflows/execute-plan.md @/home/starmen1265/.claude/get-shit-done/templates/summary.md @.planning/phases/13-llm/13-CONTEXT.md @.planning/phases/13-llm/13-RESEARCH.md # Existing Code From kb_workflow/srt/segmenter.py: ```python class SemanticSegmenter: # 规则分段:基于时间间隔(>3秒)和字符长度(>500) def segment(self, segments: List[Segment]) -> List[str]: # 简单启发式规则 ``` SemanticSegmentationEngine 将替代这个规则分段器,使用 LLM 进行语义分析。 语义边界检测 kb_workflow/srt/semantic_engine.py, tests/test_semantic_engine.py Prompt 设计: - 明确指令「在话题转换处创建新分段,不要混入不同话题的内容」 - 强调「基于语义完整性,而非时间或字符长度」 - 建议分段数量 5-8 个(可灵活调整) - 每段约 1000-2000 字(为保持语义完整性可突破) LLM 输出解析: - 提取 JSON 格式的分段结果 - 验证每个分段的 start_index 和 end_index - 验证分段内容不重叠且覆盖原文 边界检测质量: - 话题切换时正确创建边界 - 单个话题内容保持完整 在 semantic_engine.py 中: 1. 定义 SEGMENTATION_PROMPT 常量(包含话题转换检测指令) 2. 实现 extract_json_from_llm_response() 方法(参考研究文档) 3. 实现 _parse_result() 方法,解析 LLM 输出并验证 测试: 1. test_topic_boundary_detection() - 验证话题转换检测 2. test_semantic_completeness() - 验证单个话题完整性 Task 1: 实现语义边界检测 Prompt 和解析 kb_workflow/srt/semantic_engine.py, tests/test_semantic_engine.py RED 阶段 - 测试预期行为: - test_topic_boundary_detection: LLM 正确识别话题转换点 - test_semantic_completeness: 单个话题内容完整,不混入其他话题 GREEN 阶段 - 实现功能: - SEGMENTATION_PROMPT 包含「在话题转换处创建新分段」指令 - extract_json_from_llm_response() 从 LLM 响应提取 JSON - _parse_result() 使用 Pydantic 验证 SegmentationResult REFACTOR 阶段 - 优化代码: - 提取 JSON 提取逻辑为独立函数 - 优化 Prompt 指令的清晰度 在 semantic_engine.py 中实现: 1. SEGMENTATION_PROMPT 模板(基于研究文档): ```python SEGMENTATION_PROMPT = """你是一个专业的视频内容分析师。请将以下字幕内容按语义分段。 【视频信息】 类型:{video_type} 标题:{title} 总字数:{total_chars}字 【字幕内容】 {content} 【分段要求】 1. 建议将内容分为 5-8 个段落(可根据语义完整性灵活调整) 2. 每个段落约 1000-2000 字(为保持语义完整性可以突破此范围) 3. **在话题转换处创建新分段,不要混入不同话题的内容** 4. 保持句子完整性,分段边界应放在自然停顿处 ...""" ``` 2. extract_json_from_llm_response(response: str) -> Dict: - 尝试直接解析 JSON - 提取 ```json ``` 代码块 - 使用正则提取任何 JSON 对象 3. _parse_result(llm_output: str, fallback_segments) -> List[VideoSegment]: - 调用 extract_json_from_llm_response - 使用 SegmentationResult.validate() 验证 - 失败时返回 fallback_segments 测试使用 mock_ai_client 模拟 LLM 响应,验证: - 话题转换点正确识别 - 分段内容不重叠 - 覆盖完整原文 pytest tests/test_semantic_engine.py::test_topic_boundary_detection -x - SEGMENTATION_PROMPT 包含话题转换检测指令 - extract_json_from_llm_response() 能从各种格式提取 JSON - _parse_result() 能正确解析和验证 LLM 输出 - 测试验证边界检测质量 - pytest tests/test_semantic_engine.py -v 相关测试通过 - Prompt 指令清晰明确 - JSON 解析健壮(处理多种格式) 1. SEGMENTATION_PROMPT 包含话题转换检测指令 2. extract_json_from_llm_response() 能处理纯 JSON、代码块、混合文本 3. _parse_result() 使用 Pydantic 验证 LLM 输出 4. 测试验证边界检测功能 After completion, create `.planning/phases/13-llm/13-02-SUMMARY.md`