171 lines
6.1 KiB
Markdown
171 lines
6.1 KiB
Markdown
---
|
||
phase: 13
|
||
plan: 01
|
||
type: tdd
|
||
wave: 1
|
||
depends_on: []
|
||
files_modified:
|
||
- kb_workflow/srt/semantic_engine.py
|
||
- tests/test_semantic_engine.py
|
||
- tests/conftest.py
|
||
autonomous: true
|
||
requirements:
|
||
- VIDEO-01
|
||
- VIDEO-02
|
||
- VIDEO-03
|
||
must_haves:
|
||
truths:
|
||
- "系统能识别视频类型（知识类/故事类/访谈类/新闻类/vlog 等）"
|
||
- "视频类型用于 Prompt 上下文，但不改变分段策略"
|
||
- "类型识别失败时使用默认类型，不影响分段功能"
|
||
artifacts:
|
||
- path: "kb_workflow/srt/semantic_engine.py"
|
||
provides: "SemanticSegmentationEngine 类和 Pydantic 模型"
|
||
min_lines: 200
|
||
exports: ["VideoSegment", "SegmentationResult", "SemanticSegmentationEngine"]
|
||
- path: "tests/test_semantic_engine.py"
|
||
provides: "视频类型识别测试"
|
||
min_lines: 50
|
||
- path: "tests/conftest.py"
|
||
provides: "共享测试 fixtures"
|
||
contains: "mock_ai_client, sample_segments"
|
||
key_links:
|
||
- from: "SemanticSegmentationEngine._build_prompt"
|
||
to: "SegmentationResult.video_type"
|
||
via: "Prompt 中包含视频类型信息"
|
||
pattern: "video_type.*prompt"
|
||
- from: "tests/test_semantic_engine.py"
|
||
to: "kb_workflow/srt/semantic_engine.py"
|
||
via: "单元测试验证类型识别"
|
||
pattern: "test.*video.*type"
|
||
---
|
||
|
||
<objective>
|
||
实现视频类型识别功能，用于 Prompt 上下文
|
||
|
||
目的：让 LLM 了解视频类型（知识类/故事类等）以优化分段质量，但不针对不同类型使用不同策略（统一 Prompt）
|
||
输出：VideoSegment 和 SegmentationResult Pydantic 模型，视频类型识别逻辑
|
||
</objective>
|
||
|
||
<execution_context>
|
||
@/home/starmen1265/.claude/get-shit-done/workflows/execute-plan.md
|
||
@/home/starmen1265/.claude/get-shit-done/templates/summary.md
|
||
</execution_context>
|
||
|
||
<context>
|
||
@.planning/phases/13-llm/13-CONTEXT.md
|
||
@.planning/phases/13-llm/13-RESEARCH.md
|
||
@.planning/ROADMAP.md
|
||
|
||
# Existing Code Patterns
|
||
|
||
From kb_workflow/srt/corrector.py:
|
||
```python
|
||
class ASRCorrector:
|
||
def __init__(self, ai_client: Optional[AIClientProtocol] = None):
|
||
self.ai_client = ai_client
|
||
# Lazy initialization pattern
|
||
```
|
||
|
||
From kb_workflow/deep_analyzer/__init__.py:
|
||
```python
|
||
class SimpleAIClient:
|
||
def generate(self, prompt: str, max_tokens: int = 16000, disable_reasoning: bool = None) -> str:
|
||
# Supports zhipu, openai, minimax providers
|
||
# disable_reasoning parameter for cost control
|
||
```
|
||
</context>
|
||
|
||
<feature>
|
||
<name>视频类型识别</name>
|
||
<files>kb_workflow/srt/semantic_engine.py, tests/test_semantic_engine.py</files>
|
||
<behavior>
|
||
定义 Pydantic 模型验证 LLM 输出：
|
||
- VideoSegment: title (可选), content, start_index, end_index
|
||
- SegmentationResult: video_type, segments[], actual_segment_count
|
||
|
||
视频类型识别：
|
||
- 从元数据推断类型（基于标题、标签、分类）
|
||
- 默认类型为"知识类"（最常见）
|
||
- 类型用于 Prompt 上下文，不改变分段策略
|
||
|
||
LLM 调用失败时：
|
||
- 返回默认 SegmentationResult（video_type="知识类", 使用规则分段）
|
||
</behavior>
|
||
<implementation>
|
||
在 semantic_engine.py 中：
|
||
1. 定义 VideoSegment 和 SegmentationResult Pydantic 模型
|
||
2. 实现 _infer_video_type() 方法，从元数据推断类型
|
||
3. 在 _build_prompt() 中包含视频类型信息
|
||
4. 实现 LazyAIClient 初始化模式（参考 ASRCorrector）
|
||
|
||
测试文件：
|
||
1. test_video_type_detection() - 验证类型推断
|
||
2. test_video_type_in_prompt() - 验证类型出现在 Prompt 中
|
||
3. test_video_type_fallback() - 验证默认类型处理
|
||
</implementation>
|
||
</feature>
|
||
|
||
<tasks>
|
||
<task type="auto" tdd="true">
|
||
<name>Task 1: 创建 Pydantic 模型和类型推断</name>
|
||
<files>kb_workflow/srt/semantic_engine.py, tests/test_semantic_engine.py</files>
|
||
<behavior>
|
||
RED 阶段 - 测试预期行为：
|
||
- test_video_type_detection: 从元数据正确推断视频类型
|
||
- test_video_type_in_prompt: Prompt 包含视频类型信息
|
||
- test_video_type_fallback: 元数据缺失时使用默认类型
|
||
|
||
GREEN 阶段 - 实现功能：
|
||
- 定义 VideoSegment Pydantic 模型（title 可选，content 必填）
|
||
- 定义 SegmentationResult Pydantic 模型（video_type, segments 列表）
|
||
- 实现 _infer_video_type() 从 metadata 推断类型
|
||
- 实现 _build_prompt() 包含类型信息
|
||
|
||
REFACTOR 阶段 - 优化代码：
|
||
- 提取视频类型映射常量
|
||
- 优化类型推断逻辑
|
||
</behavior>
|
||
<action>
|
||
创建 semantic_engine.py，实现：
|
||
1. VideoSegment(title: Optional[str], content: str, start_index: int, end_index: int)
|
||
2. SegmentationResult(video_type: str, segments: List[VideoSegment], actual_segment_count: int)
|
||
3. _infer_video_type(metadata: dict) -> str 方法
|
||
4. _build_prompt(content: str, metadata: dict) -> str 方法（包含类型信息）
|
||
|
||
参考 ASRCorrector 的 LazyAIClient 初始化模式，但暂时不实现完整 LLM 调用（留待后续计划）
|
||
|
||
测试覆盖类型推断的各种场景：
|
||
- 从 title 包含"教程""课程"推断为"知识类"
|
||
- 从 category 包含"影视"推断为"故事类"
|
||
- 元数据为空时返回"知识类"（默认）
|
||
</action>
|
||
<verify>
|
||
<automated>pytest tests/test_semantic_engine.py::test_video_type_detection -x</automated>
|
||
</verify>
|
||
<done>
|
||
- Pydantic 模型定义完成，包含字段验证
|
||
- _infer_video_type() 能从元数据正确推断类型
|
||
- _build_prompt() 包含视频类型上下文
|
||
- 三个测试全部通过
|
||
</done>
|
||
</task>
|
||
</tasks>
|
||
|
||
<verification>
|
||
- pytest tests/test_semantic_engine.py -v 全部通过
|
||
- 代码符合 PEP 8 规范
|
||
- Pydantic 模型通过类型检查
|
||
</verification>
|
||
|
||
<success_criteria>
|
||
1. VideoSegment 和 SegmentationResult Pydantic 模型定义完成
|
||
2. _infer_video_type() 能正确推断视频类型
|
||
3. _build_prompt() 包含视频类型信息
|
||
4. 所有测试通过（test_video_type_detection, test_video_type_in_prompt, test_video_type_fallback）
|
||
</success_criteria>
|
||
|
||
<output>
|
||
After completion, create `.planning/phases/13-llm/13-01-SUMMARY.md`
|
||
</output>
|