fix(kb-deep-analyzer): 添加进度日志和超时追踪

- SimpleAIClient.generate(): 添加 AI 调用开始/结束日志
- _analyze_chunk(): 添加分片分析耗时日志
- _analyze_chunks_concurrent(): 添加批次进度日志和总耗时统计
- 便于排查卡住问题和监控进度

memory/2026-02-13.md

@@ -23,38 +23,66 @@
 - `94370f2` - feat: 改为批处理模式
 - `c8ddc1e` - feat: 添加流式写入器
 - `518f8e4` - fix: 优化文档格式
+- `c276df2` - feat(kb-workflow): 添加严格失败判断逻辑
 
-## 知识库添加：BV1W4f9B6EdC
+## 严格失败判断规则（15:19 添加）
+
+### kb-deep-analyzer 更新
+- 新增判断逻辑：只有 AI 真正完成分析才算成功
+- 判断条件：
+  - `summary` 不能以"共"开头（降级处理的默认内容）
+  - `main_topics` 不能为空
+  - `key_insights` 不能为空
+  - `full_analysis` 必须有值
+- 失败时返回 `success: false` 并退出码 1
+
+### kb-workflow 更新
+- 新增"严格失败处理原则"章节
+- 明确：深度分析失败 = 整个流程失败
+- 禁止降级处理或使用模板"假装成功"
+
+## 知识库添加：BV1W4f9B6EdC（第二次处理）
 
 ### 处理结果
 - **标题**: 爱泼斯坦案惊天动地？美式司法："没事，已经结束了"【逸语道破】
 - **作者**: 沈逸老师
+- **时长**: 32:38
 - **Whisper**: ✅ 完成（8043字符，971段）
-- **深度分析**: ⚠️ 代码错误，使用基础模板
-- **归档**: ✅ 完成
+- **深度分析**: ❌ 卡住超时
+- **归档**: ❌ 未执行
 
-### 发现并修复的 Bug
+### 执行记录
+1. 环境变量检查 ✅
+2. 链接解析 ✅ (BV1W4f9B6EdC)
+3. 元数据提取 ✅
+4. 视频下载 ✅
+5. Whisper 识别 ✅ (15:29 完成)
+6. 深度分析 ❌ (15:29 开始，20分钟后仍卡住，终止)
 
+### 发现的问题
 1. **参数名不匹配错误**
    - 错误: `name 'on_batch_complete' is not defined`
-   - 原因: `analyze()` 用 `on_batch_complete`，内部 `_analyze_chunks_concurrent()` 用 `on_segment_complete`
    - 修复: 统一使用 `on_segment_complete` 作为内部参数名
 
 2. **batch_size 未定义**
    - 错误: `name 'batch_size' is not defined`
-   - 原因: 方法内部多次使用但未作为参数传入
    - 修复: 在 `_analyze_chunks_concurrent()` 签名中添加 `batch_size: int = 3`
 
-### 当前状态
-- glm-4.7 深度分析暂时不可用（代码修复后需重新测试）
-- 知识库工作流 Whisper 环节正常
-- 需要重新测试深度分析功能
+3. **深度分析卡住**
+   - 症状: 进程运行但无输出，20分钟后仍卡住
+   - 原因: 可能是批处理模式逻辑问题或 API 调用卡住
+   - 状态: 需要排查
 
-## 技能清单
+## 技能状态
 | 步骤 | 技能 | 状态 |
 |------|------|------|
 | 链接解析 | kb-link-parser | ✅ |
 | 元数据提取 | kb-bilibili-metadata | ✅ |
 | 字幕下载 | kb-bilibili-content | ✅ |
 | 语音识别 | kb-whisper | ✅ |
-| 深度分析 | kb-deep-analyzer | ⚠️ 需重测 |
+| 深度分析 | kb-deep-analyzer | ❌ 卡住 |
+
+## 待解决问题
+- [ ] 排查深度分析卡住原因
+- [ ] 验证严格失败判断逻辑是否正确工作
+- [ ] 重新测试完整知识库流程

skills/kb-deep-analyzer/deep_analyzer.py

@@ -238,7 +238,7 @@ class SimpleAIClient:
         self.max_retries = 3  # 最大重试次数
         self.max_concurrent = 3  # 最大并发数
 
-    def generate(self, prompt: str, max_tokens: int = 1000) -> str:
+    def generate(self, prompt: str, max_tokens: int = 1000, task_info: str = None) -> str:
         """生成文本，支持重试"""
         # 每次调用时重新读取环境变量，解决 exec 传递问题
         api_key = os.environ.get("AI_API_KEY", self.api_key)
@@ -249,24 +249,35 @@ class SimpleAIClient:
         if not api_key:
             raise ValueError("AI_API_KEY 未设置，请配置环境变量")
 
+        task_desc = f"[{task_info}]" if task_info else ""
+
         last_error = None
         for attempt in range(self.max_retries):
             try:
+                import time
+                start_time = time.time()
+                print(f"[AI Client] {task_desc} 开始调用 AI...")
+                
                 if provider == "openai":
-                    return self._call_openai(prompt, max_tokens, api_key, model, base_url)
+                    result = self._call_openai(prompt, max_tokens, api_key, model, base_url)
                 elif provider == "zhipu":
-                    return self._call_zhipu(prompt, max_tokens, api_key, model, base_url)
+                    result = self._call_zhipu(prompt, max_tokens, api_key, model, base_url)
                 elif provider == "minimax":
-                    return self._call_minimax(prompt, max_tokens, api_key, model, base_url)
+                    result = self._call_minimax(prompt, max_tokens, api_key, model, base_url)
                 else:
                     raise ValueError(f"不支持的 AI 提供商: {provider}")
+                
+                elapsed = time.time() - start_time
+                print(f"[AI Client] {task_desc} AI 调用完成，耗时: {elapsed:.2f}秒")
+                return result
             except Exception as e:
+                elapsed = time.time() - start_time if 'start_time' in dir() else 0
                 last_error = e
                 if attempt < self.max_retries - 1:
-                    print(f"[AI Client] 第 {attempt + 1} 次调用失败，{self.max_retries - attempt - 1} 次重试剩余: {e}")
+                    print(f"[AI Client] {task_desc} 第 {attempt + 1} 次调用失败 ({elapsed:.2f}秒)，{self.max_retries - attempt - 1} 次重试剩余: {e}")
                     continue
                 else:
-                    print(f"[AI Client] 调用失败，已重试 {self.max_retries} 次: {e}")
+                    print(f"[AI Client] {task_desc} 调用失败，已重试 {self.max_retries} 次: {e}")
                     raise
 
     def generate_json(self, prompt: str) -> Dict[str, Any]:
@@ -745,6 +756,9 @@ class DeepAnalyzer:
 
         print(f"[DeepAnalyzer] 分块: {num_chunks} 段，批次大小: {batch_size}")
 
+        import time
+        total_start_time = time.time()
+        
         # 批处理执行
         batch_results = {}  # 存储各批结果
         all_summaries = []
@@ -756,7 +770,9 @@ class DeepAnalyzer:
             batch_chunks = chunks[batch_idx:batch_end]
             batch_times = chunk_times[batch_idx:batch_end]
 
-            print(f"[DeepAnalyzer] 批次 {batch_num}/{total_batches}: 段 {batch_idx+1}-{batch_end}")
+            batch_start_time = time.time()
+            print(f"[DeepAnalyzer] === 批次 {batch_num}/{total_batches} 开始 ===")
+            print(f"[DeepAnalyzer] 段 {batch_idx+1}-{batch_end}，预计 {len(batch_chunks)} 个并发调用")
 
             # 并发执行当前批次
             batch_tasks = [(i, batch_chunks[j], batch_times[j][0], batch_times[j][1]) 
@@ -766,8 +782,10 @@ class DeepAnalyzer:
                 futures = {executor.submit(self._analyze_chunk, task[1], task[0] + 1, metadata): task[0] 
                           for task in batch_tasks}
 
+                completed_in_batch = 0
                 for future in concurrent.futures.as_completed(futures):
                     idx = futures[future]
+                    completed_in_batch += 1
                     try:
                         summary = future.result()
                         batch_results[idx] = {
@@ -776,7 +794,8 @@ class DeepAnalyzer:
                             'end_time': chunk_times[idx][1],
                             'summary': summary
                         }
-                        print(f"[DeepAnalyzer] 段 {idx + 1}/{num_chunks} 完成")
+                        elapsed = time.time() - batch_start_time
+                        print(f"[DeepAnalyzer] 段 {idx + 1}/{num_chunks} 完成 ({completed_in_batch}/{len(batch_chunks)}), 批次耗时: {elapsed:.2f}秒")
                     except Exception as e:
                         print(f"[DeepAnalyzer] 段 {idx + 1} 失败: {e}")
                         batch_results[idx] = {
@@ -792,12 +811,23 @@ class DeepAnalyzer:
                 on_segment_complete(batch_summaries)
 
             all_summaries.extend(batch_summaries)
+            
+            batch_elapsed = time.time() - batch_start_time
+            print(f"[DeepAnalyzer] === 批次 {batch_num}/{total_batches} 完成，耗时: {batch_elapsed:.2f}秒 ===")
+
+        total_elapsed = time.time() - total_start_time
+        print(f"[DeepAnalyzer] 所有分块分析完成，总耗时: {total_elapsed:.2f}秒")
 
         # 按顺序整理结果
         all_summaries = [all_summaries[i] for i in range(len(all_summaries))]
 
         # 合并结果
+        print(f"[DeepAnalyzer] 开始合并各段摘要...")
+        merge_start = time.time()
         result = self._merge_summaries(all_summaries, title)
+        merge_elapsed = time.time() - merge_start
+        print(f"[DeepAnalyzer] 摘要合并完成，耗时: {merge_elapsed:.2f}秒")
+        
         result.timeline = self._build_timeline_from_chunks(all_summaries)
 
         return result
@@ -884,7 +914,13 @@ class DeepAnalyzer:
 请用中文详细回答，包括核心主题、关键要点和重要细节。"""
 
         try:
-            return self.ai_client.generate(prompt, max_tokens=2000)
+            import time
+            start_time = time.time()
+            print(f"[DeepAnalyzer] 开始分析分片 {chunk_index}...")
+            result = self.ai_client.generate(prompt, max_tokens=2000, task_info=f"分片 {chunk_index}")
+            elapsed = time.time() - start_time
+            print(f"[DeepAnalyzer] 分片 {chunk_index} 分析完成，耗时: {elapsed:.2f}秒")
+            return result
         except Exception as e:
             print(f"[DeepAnalyzer] 分片 {chunk_index} 分析失败: {e}")
             return f"第{chunk_index}段内容分析"