agent_jrxml/CLAUDE.md

CLAUDE.md — JRXML 生成代理

项目概述

一个本地桌面应用，通过自然语言多轮对话帮助非技术用户创建 JasperReports 模板（JRXML 文件）。核心技术栈：Streamlit UI + LangGraph 状态机 + LLM 生成/修改 + 自动验证修正循环。

一句话：用户用中文描述报表需求 → LLM 生成 JRXML → 自动验证 → 失败则自动修正(最多3次) → 重试耗尽后失败上下文自动注入下一轮 → 返回可编译的 JRXML 文件。

启动命令

# 终端 1 — 验证服务（必须先启动）
python -m uvicorn validation_service.main:app --port 8001 --host 0.0.0.0

# 终端 2 — Streamlit UI
STREAMLIT_SERVER_HEADLESS=true streamlit run app.py --server.port 8501

浏览器打开 http://localhost:8501。

当前配置（.env）

• OCR: PaddleOCR（精确识别首选，ppocr-v4）→ EasyOCR（回退，ch_sim+en），两者均未安装时仅返回图片元信息
• LLM: cloud / anthropic → MiniMax Anthropic 兼容 API (MiniMax-M2.7)
  • Base URL: https://api.minimaxi.com/anthropic
  • 认证: Anthropic SDK 自动读取 ANTHROPIC_API_KEY（fallback OPENAI_API_KEY）
• 嵌入模型: local / sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
• 向量库: ChromaDB 持久化在 ./db/chroma
• 验证服务: FastAPI localhost:8001
• 日志: JSON 格式化，logs/app.log + logs/llm.log，中国时区 (UTC+8)
• MAX_RETRY: 3

架构

app.py (Streamlit UI)
  │ run_agent(user_input)
  │ 功能: 流式输出/节点平铺/文件上传/历史下载/预览/Ctrl+C修复
  ▼
agent/graph.py (LangGraph 状态机)
  │ 节点流程:
  │ load_session → process_input → manage_context → save_state_snapshot
  │   → classify_intent (8种意图路由)
  │     ├─ retrieve → generate → save_session → validate → ... → finalize
  │     ├─ modify_jrxml → save_session → validate → ... → finalize
  │     ├─ handle_consult / handle_undo / handle_reset → finalize
  │     └─ preview/export → save_session → finalize (跳过验证)
  │
  │ 验证修正循环: validate ─fail─► explain_error ─► correct_jrxml ─► validate
  │                 ▲                                                  │
  │                 └──────── (retry < MAX_RETRY=3) ───────────────────┘
  │
  ├──► prompts/loader.py       Prompt 外部化：7 个 .md 文件热重载
  ├──► backend/llm.py          LLM 工厂: Anthropic SDK / OpenAI / Ollama (统一 stream/invoke)
  ├──► backend/logger.py      集中日志: JSON + trace_id + llm.log/app.log 分离
  ├──► backend/rag_adapter.py  语义搜索: ChromaDB + SentenceTransformer
  ├──► backend/error_kb.py     错误知识库: 指纹去重 + ChromaDB 持久化
  ├──► backend/file_parser.py  文件解析: PDF/DOCX/XLSX/XLS/DOC/图片/文本
  ├──► backend/layout_analyzer.py A4布局分析: OCR + 行分组 + JRXML行匹配
  ├──► backend/ocr_extractor.py  OCR字段精确提取: 4策略优先级 + 置信度
  ├──► backend/annotation_detector.py 批注检测: 圈选(HoughCircles) + 箭头(HoughLinesP) + OCR关联
  ├──► backend/validation.py   HTTP 客户端: POST /validate
  ├──► backend/session.py      会话持久化: JSON 文件 CRUD
  └──► validation_service/     独立 FastAPI: 结构检查 + XSD 校验

关键文件映射

文件	职责	修改频率
app.py	Streamlit UI 入口，聊天界面 + 侧边栏 + 下载 + 文件上传	高
agent/state.py	AgentState 类型定义（~26 字段，含 pending_failure_context / annotation_result）	低
agent/nodes.py	14 个工作流节点 + 流式生成 + 错误记录	高
agent/graph.py	状态图编译 + 路由函数（预览跳过验证）	中
prompts/loader.py	Prompt 加载器（从 .md 文件热重载）	低
prompts/*.md	7 个独立 Prompt 模板	高
backend/llm.py	LLM 工厂，统一 _BaseLLM 接口（invoke + stream）+ _LLMLoggingWrapper	中
backend/logger.py	集中日志模块：JSON 格式化 + trace_id + 独立 llm.log	低
backend/rag_adapter.py	RAGSearcher 单例，语义搜索接口	中
backend/error_kb.py	ErrorKB — 错误指纹去重 + ChromaDB 持久化 + 语义检索	中
backend/file_parser.py	文件解析: PDF/DOCX/XLSX/XLS/DOC/图片(EasyOCR→PaddleOCR回退)/文本	中
backend/layout_analyzer.py	A4模板分析: 比例检测/EasyOCR→PaddleOCR元素提取/行分组/JRXML行匹配	中
backend/ocr_extractor.py	OCR字段精确提取: 4策略(exact→kv_pair→regex→table_match) + 置信度	中
backend/annotation_detector.py	批注检测: 圈选(cv2 HoughCircles) + 箭头(HoughLinesP聚类) + OCR关联 + LLM格式化	中
backend/embeddings.py	嵌入模型工厂 (HuggingFace/OpenAI)	低
backend/validation.py	验证服务 HTTP 客户端	低
backend/session.py	会话 JSON 文件 CRUD	低
validation_service/main.py	FastAPI 验证服务	低
scripts/init_kb.py	知识库初始化/模型下载	低

关键约定

1. LLM 调用接口: 所有节点通过 get_llm().invoke(prompt) 同步调用，或用 get_llm().stream(prompt) 流式调用。三个后端（Anthropic/OpenAI/Ollama）通过 _BaseLLM 统一接口。

2. 流式生成: generate/modify_jrxml/correct_jrxml 使用 get_stream_writer() 发射自定义事件，UI 通过 stream_mode=["updates", "custom"] 捕获逐字输出。

3. JRXML 提取: _extract_jrxml() 处理 LLM 响应 —— 去掉 markdown 代码块标记，提取 XML 内容。

4. 状态持久化: 每个会话存为 sessions/{session_id}.json，LangGraph 节点间通过 AgentState dict 传递。

5. Token 计数: 使用 tiktoken (gpt-4o encoder) 估算，不管实际模型是什么。

6. RAG 子模块: rag/ 是一个独立的 git submodule，其内部的生成产物 (models/, embeddings/, chroma_db/, jrxml_source_chunks/) 不在 git 中。

Prompt 模板位置

所有 Prompt 在 prompts/ 目录，.md 文件可直接编辑，无需重启应用：

文件	用途
prompts/intent_classify.md	8 分类意图识别
prompts/initial_generation.md	首次生成 JRXML
prompts/modification.md	修改现有 JRXML
prompts/correction.md	自动修正错误
prompts/explain_error.md	错误转人话
prompts/compression.md	对话压缩摘要
prompts/consult.md	咨询解答

新增功能 (v2)

流式输出 + 节点平铺

• LLM 生成时逐字展示 XML（不再是空白等待）
• 节点以"处理过程"折叠区展开，不相互覆盖
• 完成后自动折叠，展示总结卡片

错误自增长知识库

• backend/error_kb.py — ChromaDB 集合 jrxml_error_cases
• 错误指纹去重（标准化 + MD5）：相同结构错误不重复录入
• 记录内容：错误信息 + 修正前后 JRXML + 修正 prompt + 工具链
• retrieve 节点自动注入历史修正案例
• 流程：correct_jrxml 保存 last_error_case → validate 通过时自动入库

文件上传

• 侧边栏多文件上传（可逐文件移除）
• 支持: PDF(pdfplumber+PIL) / DOCX(python-docx) / 图片(PIL+PaddleOCR可选) / 纯文本
• 上传文本自动注入下一条消息前缀
• 根据 can_use_vision() 判断是否走原生多模态（当前 MiniMax 不支持）

A4 模板识别

• backend/layout_analyzer.py — 三种处理路径：
  • 完整 A4: 比例匹配 + OCR 元素 → 全量布局描述
  • 行片段 + 有现有报表: 行匹配到 JRXML section → 定位修改
  • 行片段 + 无现有报表: 按 A4 模板生成完整报表
• PaddleOCR（可选安装）提供精确元素位置/字号
• 行分组：Y 轴容差自动聚类；行匹配：文本相似度搜索 JRXML band

会话历史下载

• AgentState.jrxml_versions 追踪每次生成/修改的版本
• 侧边栏"历史版本"折叠区，每版本独立下载按钮

预览修复

• route_after_save 新增意图判断：预览/导出跳过验证直通 finalize

Ctrl+C 修复

• JS 注入拦截 Streamlit 裸 c 键清缓存，保留 Ctrl+C 复制

结构化日志系统

• backend/logger.py — JSON 格式化 + trace_id + 国际时区
• _LLMLoggingWrapper — 包装所有 LLM 后端，记录完整 prompt/response
• @log_node / @_log_route — 装饰器自动记录节点和路由
• 日志分离: logs/app.log (业务) + logs/llm.log (AI 调用)

新增功能 (v3/v4)

OCR 单据字段精确提取 (v3)

• backend/ocr_extractor.py — 4 策略优先级提取: exact_match → kv_pair → regex → table_match
• PaddleOCR 首次识别后将原始结果（含所有文本元素 + bbox坐标）持久化
• _format_ocr_context() — 将 OCR 结果（字段 + 原始元素坐标）格式化为 LLM prompt 注入
• OCR 结果在 modify_jrxml 和 generate 节点中自动注入 prompt
• process_input 节点在上传图片时自动触发 OCR 字段提取
• 结果持久化到会话文件（save_session_node / load_session_node）

多模态聊天输入 + 多格式文件 (v4)

• app.py — st.chat_input 替换为 st_multimodal_chatinput（支持 Ctrl+V 粘贴 + 拖拽 + 文件按钮）
• _process_uploaded_file() — 提取共享文件处理逻辑（侧边栏 + 聊天共用，消除 ~70 行重复代码）
• 新增文件格式支持: XLSX (openpyxl)、XLS (xlrd)、DOC (olefile)
• 剪贴板粘贴文件通过 base64 解码 + MIME type → 扩展名推断
• 侧边栏上传器类型列表中新增 xlsx/xls/doc

批注检测 (v4)

• backend/annotation_detector.py — 识别用户在手写单据上的圈选和箭头标记
• 圆圈检测: 红色通道增强 → HoughCircles → 圆形度验证
• 箭头检测: Canny边缘 → HoughLinesP → 线段方向聚类 → 端点边缘密度判定方向
• OCR 关联: 批注与附近 OCR 文本元素关联（15% 图片尺寸内）
• LLM 注入: format_annotation_context() 将批注结果格式化为中文提示
• process_input 节点在 OCR 提取后自动运行批注检测
• annotation_result 字段持久化到 AgentState + 会话文件

OCR 上下文提示增强 (v3/v4)

• prompts/modification.md — 新增 {ocr_context} 占位符
• modify_jrxml 节点 — 将 OCR 上下文注入 modification prompt
• OCR 上下文包含: 结构化字段、全部文本元素（含坐标）、批注检测结果

已知注意点

• Anthropic SDK: 使用原始 anthropic 包（非 langchain-anthropic），因为需要直连 MiniMax 兼容端点。API Key 优先读 ANTHROPIC_API_KEY，fallback OPENAI_API_KEY。Anthropic SDK 会自动将 key 放入 x-api-key header。
• MiniMax 模型名称: MiniMax-M2.7（不是 minimax-2.7），大小写敏感。
• Streamlit headless: Windows 下必须设 STREAMLIT_SERVER_HEADLESS=true 跳过邮箱采集提示。
• 日志分析: 通过 trace_id 字段可追踪一次请求的全链路。LLM 调用日志在 logs/llm.log，包含完整 prompt 和 response（各截断 10000 字符）。
• 验证服务结构检查: 字段引用一致性 ($F{field} vs <field> 声明)、SQL SELECT 存在性、pageWidth/pageHeight/name 属性。
• XSD 校验可选: 需要 validation_service/schemas/jasperreport_7_0_6.xsd 存在。
• rag 子模块: 内部有独立的管线脚本（batch_chunker.py → embed_chunks.py → import_to_chroma.py），通常不需要在主项目中运行。
• OCR 引擎: 优先 PaddleOCR 2.9.x（精确识别，pip install paddleocr），回退 EasyOCR 1.7+。两者均未安装时仅返回图片元信息。PaddlePaddle 3.x 在 Windows 上有 ONEDNN bug，固定在 2.6.x。
• MAX_RETRY: 默认 3 次。重试耗尽后 pending_failure_context 记录失败信息，下次用户输入时自动注入。
• 验证最小内容检查: 验证服务额外检查至少 1 个 <band> + 1 个 <textField> 或 <staticText>，拦截空壳 JRXML。
• torchvision: transformers 库的懒加载需要 torchvision，已作为依赖安装。
• opencv-python-headless: 批注检测（圈选/箭头）依赖，通过 pip install -r requirements.txt 安装。
• st-multimodal-chatinput: Streamlit 聊天输入增强组件，替代 st.chat_input，支持粘贴/拖拽文件。返回 base64 编码文件内容。
• xlwt: 仅在测试中使用（生成 .xls 测试文件）。