224 lines
11 KiB
Python
224 lines
11 KiB
Python
"""
|
||
app/services/ai_engine/fission_prompt.py — 第11环裂变 prompt（对齐上线版 split.js）
|
||
|
||
裂变=1爆款→一次LLM出N套完整笔记包。重写对齐产品包上线版 split.js：
|
||
- FISSION_SYSTEM 完整笔记包字段（含 dimension/audience/scene/painPoint/keywords/imagePlan）
|
||
- 参考度连续 30-85（reference_strategy_from_level），低≤40/高≥80/中
|
||
- 违禁词清洗 sanitize_image_plan_text
|
||
- 品类兜底 build_fallback_notes / infer_category（LLM挂时不卡用户）
|
||
|
||
🔴 参考度入参保留 low/mid/high 三档（倩倩姐拍板），内部 _LEVEL_TO_INT 映射成数值。
|
||
🔴 三档真实业务措辞待北哥定义；本次接口按数值做对。
|
||
🔴 LLM 走 chat_complete(OpenAI兼容)，FISSION_SYSTEM 作 messages[0].role=system 传。
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
# 三档→数值映射（保留枚举入参，内部走连续值逻辑，对齐上线版 referenceStrategyFromLevel）
|
||
_LEVEL_TO_INT = {"low": 35, "mid": 60, "high": 82}
|
||
|
||
|
||
def reference_strategy_from_level(level: str | int) -> dict:
|
||
"""参考度策略（对齐上线版 referenceStrategyFromLevel）。
|
||
|
||
入参支持枚举 low/mid/high 或数值；钳到 30-85。
|
||
返回 {level, level_label, prompt_rule, summary}。
|
||
"""
|
||
if isinstance(level, str):
|
||
value = _LEVEL_TO_INT.get(level, 60)
|
||
else:
|
||
try:
|
||
value = int(level)
|
||
except (TypeError, ValueError):
|
||
value = 60
|
||
value = max(30, min(85, value))
|
||
if value <= 40:
|
||
return {
|
||
"level": value, "level_label": "低参考",
|
||
"prompt_rule": "只参考爆款的内容结构和图文角色，不沿用原文表达、标题句式和具体画面。",
|
||
"summary": "参考爆款结构，不贴近原文表达。",
|
||
}
|
||
if value >= 80:
|
||
return {
|
||
"level": value, "level_label": "高参考",
|
||
"prompt_rule": "强参考爆款的标题节奏、痛点切入、图文递进和情绪强度，但必须替换人群、场景、表达和图片，不得抄袭。",
|
||
"summary": "强参考爆点、标题节奏和图文递进，但替换表达避免相似。",
|
||
}
|
||
return {
|
||
"level": value, "level_label": "中参考",
|
||
"prompt_rule": "参考爆款的结构、痛点表达方式和标题节奏，同时重写正文、标签和每张图片画面。",
|
||
"summary": "参考结构、痛点和标题节奏，输出新的完整笔记包。",
|
||
}
|
||
|
||
|
||
def valid_level(level: str | None) -> str:
|
||
"""校验三档枚举，非法回落 mid（保留旧接口兼容）。"""
|
||
return level if level in _LEVEL_TO_INT else "mid"
|
||
|
||
|
||
# 默认裂变维度（对齐上线版 dimensions）
|
||
DEFAULT_DIMENSIONS = ["换角度", "换痛点", "换人群"]
|
||
|
||
FISSION_SYSTEM = """你是小红书完整图文笔记裂变专家。
|
||
|
||
你必须基于爆款参考生成"完整小红书笔记包"，不是只生成文案，也不是只生成图片提示词。
|
||
|
||
完整笔记包必须包含：标题(可直接发布)、正文(180-260字种草口吻真实场景卖点转买点)、标签(5-8个)、点击钩子标题(第1张图大字)、imagePlan(每张图的图上文字+画面内容+排版)、dimension(裂变维度)、keywords、audience(适用人群)、scene(使用场景)、painPoint(切入痛点)。
|
||
|
||
裂变规则：
|
||
- 每套必须不重复，标题/正文/标签/图文结构都要变，图片重新配套不可一套图反复发
|
||
- 保持种草安利+情绪共鸣风格
|
||
- 正文自然出现2-5个小红书符号/emoji(✅✨🌿💧📦🔍🧡🥹‼️)，放在痛点/实测/选择理由/软性转化处，不堆砌不每句塞
|
||
- 标题可适度带符号，但不要所有标题同一种符号
|
||
- 图片=可上传的独立3:4图文海报，不是App截图/笔记详情页截图
|
||
- 图片禁止出现Like/评论/分享/底栏/头像/状态栏等社交App界面元素
|
||
- 对比页只做质地/场景/肤感说明对比，禁用前后、before/after、变白、瑕疵消失、治疗前后
|
||
- imagePlan只写短标题/短卖点/短画面要求，不塞长正文
|
||
- 禁用词：美白、祛斑、速效、医用、药妆、变白、before、after、使用前后
|
||
- 图文张数叙事：3张=点击→核心证明→软性转化；6张=点击→痛点→证明→质感→背书→软性转化；8张=点击→痛点→证明→质感→多场景→教程→背书→软性转化
|
||
- 最后一张是软性转化，不做淘宝式硬广；用囤货/省钱情报/搜索暗示/评论暗号等原生分享口吻
|
||
|
||
返回纯JSON数组，每个元素含：title/content/tags(数组)/coverTitle/dimension/audience/scene/painPoint/keywords(数组)/imagePlan(数组,每项{role,title,overlayText,text})。
|
||
|
||
硬性格式要求：
|
||
- 只输出JSON，不要markdown代码块
|
||
- 字符串内部不用英文双引号，引用词用中文书名号或中文引号
|
||
- content是客户可直接发布的正文，不能写"配图建议/图片方向/imagePlan/内页规划"等内部提示
|
||
- imagePlan数量必须等于用户要求的图片数量"""
|
||
|
||
|
||
import re
|
||
|
||
# 违禁词清洗替换表（对齐上线版 sanitizeImagePlanText，有序应用）
|
||
_SANITIZE_RULES = [
|
||
(re.compile(r"before\s*&\s*after", re.I), "质地与肤感说明"),
|
||
(re.compile(r"before\s*/?\s*after", re.I), "质地与肤感说明"),
|
||
(re.compile(r"\bbefore\b", re.I), "质地状态"),
|
||
(re.compile(r"\bafter\b", re.I), "上脸肤感"),
|
||
(re.compile(r"使用前后|用前用后|用前后|前后对比|使用前|使用后"), "质地/场景/肤感说明"),
|
||
(re.compile(r"功效对比|效果对比|改善对比"), "质地/场景说明对比"),
|
||
(re.compile(r"肤色变白|皮肤变白|变白|美白"), "自然光泽感"),
|
||
(re.compile(r"瑕疵消失|斑点消失|痘印消失|消除瑕疵|祛斑"), "妆感更服帖"),
|
||
(re.compile(r"治疗前后|治疗后|医美前后|治愈|修复受损"), "日常使用场景说明"),
|
||
]
|
||
|
||
|
||
def sanitize_image_plan_text(value: str = "", max_length: int = 56) -> str:
|
||
"""清洗 imagePlan 文字里的违禁词（对齐上线版）。"""
|
||
text = str(value or "")
|
||
for pattern, repl in _SANITIZE_RULES:
|
||
text = pattern.sub(repl, text)
|
||
text = re.sub(r"\s+", " ", text).strip()
|
||
return text[:max_length]
|
||
|
||
|
||
def normalize_tags(tags=None, keywords=None) -> list[str]:
|
||
"""标签归一化：补#前缀、去重、截8个（对齐上线版 normalizeTags）。"""
|
||
tags = tags or []
|
||
keywords = keywords or []
|
||
if not isinstance(tags, list):
|
||
tags = str(tags).split()
|
||
from_tags = [
|
||
t if str(t).strip().startswith("#") else f"#{str(t).strip()}"
|
||
for t in tags if str(t).strip()
|
||
]
|
||
from_kw = [
|
||
k if str(k).startswith("#") else f"#{k}"
|
||
for k in list(keywords)[:5] if str(k).strip()
|
||
]
|
||
seen, out = set(), []
|
||
for t in from_tags + from_kw:
|
||
if t not in seen:
|
||
seen.add(t)
|
||
out.append(t)
|
||
return out[:8]
|
||
|
||
|
||
def build_fission_prompt(
|
||
source_note: dict, product: dict, reference_level: str,
|
||
note_count: int, image_count: int, dimensions: list[str] | None = None,
|
||
) -> str:
|
||
"""组装裂变 user prompt（对齐上线版 handleContentSplit 的 prompt 变量拼装）。
|
||
|
||
D3修复：给每套分配正交叙事主线（复用 TEXT_NARRATIVE_BY_STRATEGY A/B/C），
|
||
套数超过3时按顺序循环（套4=A/套5=B），让各套开篇/背书/收尾正交拉开。
|
||
"""
|
||
from app.services.ai_engine.constants import TEXT_NARRATIVE_BY_STRATEGY
|
||
|
||
src = source_note or {}
|
||
prod = product or {}
|
||
dims = dimensions or DEFAULT_DIMENSIONS
|
||
strategy = reference_strategy_from_level(reference_level)
|
||
title = src.get("title", "")
|
||
content = src.get("content") or src.get("text", "")
|
||
tags = src.get("tags", []) or []
|
||
name = prod.get("name", "") or "未提供"
|
||
points = prod.get("selling_points", []) or []
|
||
audience = prod.get("target_audience", "") or "未提供"
|
||
keywords = prod.get("keywords", []) or []
|
||
# D2修复：去掉"真实测评/好物分享"泛词兜底（评分prompt明确泛词占≥50%最高6分，自打自）
|
||
# 改用产品真实信息提炼精准词；实在无keywords也不塞流量泛词
|
||
if keywords:
|
||
kw_line = "、".join(keywords)
|
||
else:
|
||
# 从产品卖点/人群/名称里取实质性词，不拼平台泛词
|
||
sp_words = [str(s).strip() for s in (points[:2] if points else []) if str(s).strip()]
|
||
kw_parts = [x for x in ([name] + sp_words + ([audience] if audience != "未提供" else [])) if x and x != "未提供"]
|
||
kw_line = "、".join(kw_parts) if kw_parts else ""
|
||
|
||
benchmark_refs = prod.get("benchmark_refs") or []
|
||
benchmark_lines: list[str] = []
|
||
for idx, ref in enumerate(benchmark_refs[:3], start=1):
|
||
if not isinstance(ref, dict):
|
||
continue
|
||
compact = []
|
||
for key in ("title_style", "cover_hook", "pain_point", "scene", "selling_angle", "visual_structure"):
|
||
val = ref.get(key)
|
||
if val:
|
||
compact.append(f"{key}:{val}")
|
||
if compact:
|
||
benchmark_lines.append(f"标杆配方{idx}：" + "；".join(compact))
|
||
benchmark_block = "\n".join(benchmark_lines) if benchmark_lines else "未选择或未分析完成"
|
||
|
||
# D3修复：按套序循环分配 A/B/C 叙事主线
|
||
narrative_keys = list(TEXT_NARRATIVE_BY_STRATEGY.keys()) # ["A","B","C"]
|
||
narrative_lines = []
|
||
for i in range(note_count):
|
||
key = narrative_keys[i % len(narrative_keys)]
|
||
narrative_lines.append(f"第{i+1}套叙事主线：{TEXT_NARRATIVE_BY_STRATEGY[key]}")
|
||
narrative_block = "\n".join(narrative_lines)
|
||
|
||
return f"""爆款参考：
|
||
标题：{title}
|
||
正文：{content}
|
||
标签：{' '.join(tags)}
|
||
|
||
产品：{name}
|
||
产品卖点：{'、'.join(points) or '未提供'}
|
||
目标人群：{audience}
|
||
关键词：{kw_line}
|
||
标杆8维配方参考：{benchmark_block}
|
||
裂变维度：{'、'.join(dims)}
|
||
爆款参考度：{strategy['level_label']}。{strategy['prompt_rule']}
|
||
生成数量：{note_count}套
|
||
每套图片数量：{image_count}张
|
||
|
||
【各套正交叙事主线——必须严格执行，这是本次裂变不同质的关键】
|
||
{narrative_block}
|
||
|
||
请生成{note_count}套完整小红书图文笔记包。每套都必须含标题、正文、标签、点击钩子标题、{image_count}张图的imagePlan。
|
||
每套必须严格按其指定叙事主线展开开篇/背书/收尾，不同套之间叙事结构必须正交、不重复。
|
||
imagePlan必须按叙事链路逐张递进。3张版第2张必须是按当前品类变化的核心证明页，不能和第1张重复构图，不得让第2张重复第1张标题。
|
||
正文必须像真实小红书种草笔记一样自然带2-5个emoji；不要把图片规划/配图建议/内部审核建议写进正文。"""
|
||
|
||
|
||
def notes_array_from_parsed(parsed) -> list[dict]:
|
||
"""从LLM解析结果里拎出笔记数组（对齐上线版 notesArrayFromParsed）。"""
|
||
if isinstance(parsed, list):
|
||
return parsed
|
||
if not isinstance(parsed, dict):
|
||
return []
|
||
for key in ("notes", "variants", "data", "items", "result", "results"):
|
||
if isinstance(parsed.get(key), list):
|
||
return parsed[key]
|
||
return [parsed] if (parsed.get("title") or parsed.get("content")) else []
|