""" 迁移适配器 为现有代码提供向后兼容的接口，方便逐步迁移到新的LLM服务架构 """ import asyncio import json from typing import List, Dict, Any, Optional, Union from pathlib import Path import PIL.Image from loguru import logger from .unified_service import UnifiedLLMService from .exceptions import LLMServiceError # 导入新的提示词管理系统 from app.services.prompts import PromptManager # 提供商注册由 webui.py:main() 显式调用（见 LLM 提供商注册机制重构） # 这样更可靠，错误也更容易调试 def _run_async_safely(coro_func, *args, **kwargs): """ 安全地运行异步协程，处理各种事件循环情况 Args: coro_func: 协程函数（不是协程对象） *args: 协程函数的位置参数 **kwargs: 协程函数的关键字参数 Returns: 协程的执行结果 """ def run_in_new_loop(): """在新的事件循环中运行协程""" loop = asyncio.new_event_loop() asyncio.set_event_loop(loop) try: return loop.run_until_complete(coro_func(*args, **kwargs)) finally: loop.close() asyncio.set_event_loop(None) try: # 尝试获取当前事件循环 try: loop = asyncio.get_running_loop() # 如果有运行中的事件循环，使用线程池执行 import concurrent.futures with concurrent.futures.ThreadPoolExecutor() as executor: future = executor.submit(run_in_new_loop) return future.result() except RuntimeError: # 没有运行中的事件循环，直接运行 return run_in_new_loop() except Exception as e: logger.error(f"异步执行失败: {str(e)}") raise LLMServiceError(f"异步执行失败: {str(e)}") class LegacyLLMAdapter: """传统LLM接口适配器""" @staticmethod def create_vision_analyzer(provider: str, api_key: str, model: str, base_url: str = None): """ 创建视觉分析器实例 - 兼容原有接口 Args: provider: 提供商名称 api_key: API密钥 model: 模型名称 base_url: API基础URL Returns: 适配器实例 """ return VisionAnalyzerAdapter(provider, api_key, model, base_url) @staticmethod def generate_narration(markdown_content: str, api_key: str, base_url: str, model: str) -> str: """ 生成解说文案 - 兼容原有接口 Args: markdown_content: Markdown格式的视频帧分析内容 api_key: API密钥 base_url: API基础URL model: 模型名称 Returns: 生成的解说文案JSON字符串 """ try: # 使用新的提示词管理系统 prompt = PromptManager.get_prompt( category="documentary", name="narration_generation", parameters={ "video_frame_description": markdown_content } ) # 使用统一服务生成文案 result = _run_async_safely( UnifiedLLMService.generate_text, prompt=prompt, system_prompt="你是一名专业的短视频解说文案撰写专家。", temperature=1.5, response_format="json" ) # 使用增强的JSON解析器 from webui.tools.generate_short_summary import parse_and_fix_json parsed_result = parse_and_fix_json(result) if not parsed_result: logger.error("无法解析LLM返回的JSON数据") # 返回一个基本的JSON结构而不是错误字符串 return json.dumps({ "items": [ { "_id": 1, "timestamp": "00:00:00-00:00:10", "picture": "解析失败，请检查LLM输出", "narration": "解说文案生成失败，请重试" } ] }, ensure_ascii=False) # 确保返回的是JSON字符串 return json.dumps(parsed_result, ensure_ascii=False) except Exception as e: logger.error(f"生成解说文案失败: {str(e)}") # 返回一个基本的JSON结构而不是错误字符串 return json.dumps({ "items": [ { "_id": 1, "timestamp": "00:00:00-00:00:10", "picture": "生成失败", "narration": f"解说文案生成失败: {str(e)}" } ] }, ensure_ascii=False) class VisionAnalyzerAdapter: """视觉分析器适配器""" def __init__(self, provider: str, api_key: str, model: str, base_url: str = None): self.provider = provider self.api_key = api_key self.model = model self.base_url = base_url async def analyze_images(self, images: List[Union[str, Path, PIL.Image.Image]], prompt: str, batch_size: int = 10) -> List[Dict[str, Any]]: """ 分析图片 - 兼容原有接口 Args: images: 图片列表 prompt: 分析提示词 batch_size: 批处理大小 Returns: 分析结果列表，格式与旧实现兼容 """ try: # 使用统一服务分析图片 results = await UnifiedLLMService.analyze_images( images=images, prompt=prompt, provider=self.provider, batch_size=batch_size ) # 转换为旧格式以保持向后兼容性 # 新实现返回 List[str]，需要转换为 List[Dict] compatible_results = [] for i, result in enumerate(results): # 计算这个批次处理的图片数量 start_idx = i * batch_size end_idx = min(start_idx + batch_size, len(images)) images_processed = end_idx - start_idx compatible_results.append({ 'batch_index': i, 'images_processed': images_processed, 'response': result, 'model_used': self.model }) logger.info(f"图片分析完成，共处理 {len(images)} 张图片，生成 {len(compatible_results)} 个批次结果") return compatible_results except Exception as e: logger.error(f"图片分析失败: {str(e)}") raise class SubtitleAnalyzerAdapter: """字幕分析器适配器""" def __init__(self, api_key: str, model: str, base_url: str, provider: str = None): self.api_key = api_key self.model = model self.base_url = base_url self.provider = provider or "openai" def _run_async_safely(self, coro_func, *args, **kwargs): """安全地运行异步协程""" return _run_async_safely(coro_func, *args, **kwargs) def _clean_json_output(self, output: str) -> str: """清理JSON输出，移除markdown标记等""" import re # 移除可能的markdown代码块标记 output = re.sub(r'^```json\s*', '', output, flags=re.MULTILINE) output = re.sub(r'^```\s*$', '', output, flags=re.MULTILINE) output = re.sub(r'^```.*$', '', output, flags=re.MULTILINE) # 移除开头和结尾的```标记 output = re.sub(r'^```', '', output) output = re.sub(r'```$', '', output) # 移除前后空白字符 output = output.strip() return output def analyze_subtitle(self, subtitle_content: str) -> Dict[str, Any]: """ 分析字幕内容 - 兼容原有接口 Args: subtitle_content: 字幕内容 Returns: 分析结果字典 """ try: # 使用统一服务分析字幕 result = self._run_async_safely( UnifiedLLMService.analyze_subtitle, subtitle_content=subtitle_content, provider=self.provider, temperature=1.0 ) return { "status": "success", "analysis": result, "model": self.model, "temperature": 1.0 } except Exception as e: logger.error(f"字幕分析失败: {str(e)}") return { "status": "error", "message": str(e), "temperature": 1.0 } def generate_narration_script(self, short_name: str, plot_analysis: str, subtitle_content: str = "", temperature: float = 0.7) -> Dict[str, Any]: """ 生成解说文案 - 兼容原有接口 Args: short_name: 短剧名称 plot_analysis: 剧情分析内容 subtitle_content: 原始字幕内容，用于提供准确的时间戳信息 temperature: 生成温度 Returns: 生成结果字典 """ try: # 使用新的提示词管理系统构建提示词 prompt = PromptManager.get_prompt( category="short_drama_narration", name="script_generation", parameters={ "drama_name": short_name, "plot_analysis": plot_analysis, "subtitle_content": subtitle_content } ) # 使用统一服务生成文案 result = self._run_async_safely( UnifiedLLMService.generate_text, prompt=prompt, system_prompt="你是一位专业的短视频解说脚本撰写专家。", provider=self.provider, temperature=temperature, response_format="json" ) # 清理JSON输出 cleaned_result = self._clean_json_output(result) # 新的提示词系统返回的是包含items数组的JSON格式 # 为了保持向后兼容，我们需要直接返回这个JSON字符串 # 调用方会期望这是一个包含items数组的JSON字符串 return { "status": "success", "narration_script": cleaned_result, "model": self.model, "temperature": temperature } except Exception as e: logger.error(f"解说文案生成失败: {str(e)}") return { "status": "error", "message": str(e), "temperature": temperature } # 为了向后兼容，提供一些全局函数 def create_vision_analyzer(provider: str, api_key: str, model: str, base_url: str = None): """创建视觉分析器 - 全局函数""" return LegacyLLMAdapter.create_vision_analyzer(provider, api_key, model, base_url) def generate_narration(markdown_content: str, api_key: str, base_url: str, model: str) -> str: """生成解说文案 - 全局函数""" return LegacyLLMAdapter.generate_narration(markdown_content, api_key, base_url, model)