"""Obsidian KB - AI客户端 C5.3: 实现长视频分段分析逻辑 """ import os import json from typing import Dict, Any, List, Optional from src.models import ContentType from src.config import get_config from src.content_chunker import ContentChunker, get_chunking_strategy, chunk_content class AIClient: """ AI客户端 - 支持分段分析长视频内容 """ def __init__(self): self.config = get_config() self.chunker = ContentChunker() def quick_generate(self, prompt: str, max_tokens: int = 100) -> str: """快速生成（用于轻量扫描）""" # 模拟AI响应（实际应调用API） return self._mock_generate(prompt, max_tokens) def generate_json(self, prompt: str) -> Dict[str, Any]: """生成JSON格式响应""" response = self.quick_generate(prompt, max_tokens=1000) try: return json.loads(response) except: return self._parse_json_from_text(response) def _deep_analyze(self, content_text: str, content_type: str, duration: Optional[int] = None) -> Dict[str, Any]: """ C5.3: 深度分析入口，根据内容时长决定是否分段分析 Args: content_text: 内容文本 content_type: 内容类型 duration: 视频时长（秒） Returns: 分析结果字典 """ duration = duration or 0 print(f"[AIClient] 深度分析: type={content_type}, duration={duration}s") # 长视频（>=30分钟）且是视频类型，使用分段分析 if duration >= 1800 and content_type == "video": print(f"[AIClient] 使用分段分析策略") return self._analyze_in_chunks(content_text, duration) # 短视频直接分析 print(f"[AIClient] 使用直接分析策略") return self._analyze_direct(content_text) def _analyze_in_chunks(self, content_text: str, duration: int) -> Dict[str, Any]: """ C5.3: 分段分析长视频 Args: content_text: SRT字幕文本 duration: 视频时长（秒） Returns: 合并后的分析结果 """ # 1. 获取分段策略 strategy = get_chunking_strategy(duration) print(f"[AIClient] 分段策略: {strategy['description']}") # 2. 执行分片 chunks = chunk_content(content_text, duration) print(f"[AIClient] 内容已分为 {len(chunks)} 段") # 3. 逐段分析 chunk_summaries = [] for i, chunk in enumerate(chunks): print(f"[AIClient] 分析第 {i+1}/{len(chunks)} 段...") summary = self._analyze_chunk(chunk.text, chunk.index) # 处理时间格式（可能是float秒数或字符串） start_time = chunk.start_time end_time = chunk.end_time if isinstance(start_time, (int, float)): start_time = self._format_time(start_time) if isinstance(end_time, (int, float)): end_time = self._format_time(end_time) chunk_summaries.append({ 'index': chunk.index, 'start_time': start_time, 'end_time': end_time, 'summary': summary }) # 4. 合并所有段摘要 print(f"[AIClient] 合并 {len(chunk_summaries)} 段分析结果") final_result = self._merge_summaries(chunk_summaries, "video") # 5. 构建完整时间轴 final_result['timeline'] = self._build_timeline_from_chunks(chunk_summaries) return final_result def _analyze_chunk(self, chunk_text: str, chunk_index: int) -> str: """ C5.3: 分析单个内容分片 Args: chunk_text: 分片文本 chunk_index: 分片索引 Returns: 分片摘要（限制500字以内） """ # 截断文本避免过长 text_sample = chunk_text[:3000] if len(chunk_text) > 3000 else chunk_text prompt = f"""请对以下视频片段进行简要分析（限制在300字以内）： 片段内容： {text_sample} 请提供： 1. 这段的核心主题（50字以内） 2. 关键要点（3-5条） 3. 重要细节或引用 请用中文回答，控制在300字以内。""" try: summary = self.quick_generate(prompt, max_tokens=500) # 确保不超过500字 if len(summary) > 500: summary = summary[:497] + "..." return summary except Exception as e: print(f"[AIClient] 分片 {chunk_index} 分析失败: {e}") return f"第{chunk_index+1}段分析失败" def _merge_summaries(self, chunk_summaries: List[Dict], content_type: str) -> Dict[str, Any]: """ C5.3: 合并所有段摘要，生成完整分析报告 Args: chunk_summaries: 各段摘要列表 content_type: 内容类型 Returns: 完整分析结果 """ # 构建合并提示 summaries_text = "\n\n".join([ f"=== 第{s['index']+1}段 ({s['start_time']}-{s['end_time']}) ===\n{s['summary']}" for s in chunk_summaries ]) prompt = f"""基于以下各段分析，生成完整的视频分析报告： {summaries_text} 请提供以下格式的JSON： {{ "summary": "整体摘要（200字以内）", "topics": ["主题1", "主题2", "主题3", "主题4"], "insights": ["深入见解1", "深入见解2", "深入见解3"], "actions": ["建议行动1", "建议行动2"], "full_analysis": "详细分析（500字以内）" }}""" try: result = self.generate_json(prompt) # 确保必要字段存在 if 'topics' not in result: result['topics'] = ["主题A", "主题B", "主题C"] if 'insights' not in result: result['insights'] = ["重要见解1", "重要见解2"] if 'actions' not in result: result['actions'] = [] if 'summary' not in result: result['summary'] = "长视频分析完成" if 'full_analysis' not in result: result['full_analysis'] = summaries_text[:500] return result except Exception as e: print(f"[AIClient] 合并摘要失败: {e}") # 返回基础合并结果 return { 'summary': f'视频共分为{len(chunk_summaries)}个部分进行分析', 'topics': [f"主题{i+1}" for i in range(min(4, len(chunk_summaries)))], 'insights': ['从分段分析中综合得出'], 'actions': [], 'full_analysis': summaries_text[:800] } def _analyze_direct(self, content_text: str) -> Dict[str, Any]: """直接分析（不分段）""" # 截断文本 text_sample = content_text[:5000] if len(content_text) > 5000 else content_text prompt = f"""请分析以下内容，提供JSON格式结果： {text_sample} 返回格式： {{ "summary": "整体摘要（150字以内）", "topics": ["主题1", "主题2", "主题3"], "insights": ["见解1", "见解2"], "actions": ["行动建议1"], "timeline": [ {{"start_time": "00:00", "end_time": "05:00", "title": "第一部分", "summary": "..."}} ] }}""" try: return self.generate_json(prompt) except Exception as e: print(f"[AIClient] 直接分析失败: {e}") return { 'summary': '分析失败', 'topics': ['无法解析'], 'insights': ['请检查内容格式'], 'actions': [], 'timeline': [] } def _format_time(self, seconds: float) -> str: """格式化秒数为时间字符串""" hours = int(seconds // 3600) minutes = int((seconds % 3600) // 60) secs = int(seconds % 60) if hours > 0: return f"{hours:02d}:{minutes:02d}:{secs:02d}" return f"{minutes:02d}:{secs:02d}" def _build_timeline_from_chunks(self, chunk_summaries: List[Dict]) -> List[Dict[str, Any]]: """从分片摘要构建时间轴""" timeline = [] for summary in chunk_summaries: timeline.append({ 'index': summary['index'], 'start_time': summary['start_time'], 'end_time': summary['end_time'], 'title': f"第{summary['index']+1}部分", 'summary': summary['summary'][:200] + "..." if len(summary['summary']) > 200 else summary['summary'] }) return timeline def _mock_generate(self, prompt: str, max_tokens: int) -> str: """模拟AI生成（实际实现应调用真实API）""" # 根据prompt内容返回模拟响应 prompt_lower = prompt.lower() if 'json' in prompt_lower or 'json格式' in prompt: if '主题' in prompt or 'topic' in prompt_lower: return json.dumps({ 'summary': '这是一个关于人工智能和技术发展的内容，涵盖了多个重要主题。', 'topics': ['人工智能', '机器学习', '未来发展', '技术趋势'], 'insights': [ 'AI正在改变我们的工作方式', '机器学习应用越来越广泛', '未来技术发展趋势值得关注' ], 'actions': ['深入研究相关技术', '关注行业动态'], 'full_analysis': '详细分析内容...' }, ensure_ascii=False) return json.dumps({'result': '模拟JSON响应'}) if '摘要' in prompt or 'summary' in prompt_lower: return '这是一段关于人工智能发展的重要讨论，涵盖了技术趋势和未来应用。' if '关键词' in prompt or 'keyword' in prompt_lower: return '人工智能, 机器学习, 深度学习, 神经网络, 自然语言处理' return '模拟AI响应内容' def _parse_json_from_text(self, text: str) -> Dict[str, Any]: """从文本中解析JSON""" # 尝试提取JSON块 import re json_match = re.search(r'\{[\s\S]*\}', text) if json_match: try: return json.loads(json_match.group()) except: pass return {'raw_response': text} class MultiAIClient: """ 多AI客户端 - 支持多种AI提供商的客户端 """ def __init__(self): self.config = get_config() self.primary_client = AIClient() self.clients = { 'openai': self.primary_client, 'local': AIClient(), # 可以配置为本地模型 } def _deep_analyze(self, content_text: str, content_type: str, duration: Optional[int] = None) -> Dict[str, Any]: """使用主客户端进行深度分析""" return self.primary_client._deep_analyze(content_text, content_type, duration) def quick_generate(self, prompt: str, max_tokens: int = 100, provider: str = None) -> str: """快速生成""" client = self.clients.get(provider, self.primary_client) return client.quick_generate(prompt, max_tokens)