baodan/api/insurance/ppt/prompts.py

"""LLM 提取 Prompt 常量。

注：以下 prompt 仅在正则提取行数不足时作为 LLM 回退使用。
销售分析职责已移交给 ANALYSIS_SYSTEM_PROMPT。
"""

SAVINGS_PLAN_SYSTEM_PROMPT = """你是香港保险计划书数据提取专家。从PDF文本中提取结构化JSON。

输出JSON（只输出JSON，无markdown）：
{
  "product_name": "产品全称",
  "product_type": "savings",
  "insured": {"name": null, "age": 数字, "gender": "男/女", "relation": null, "smoker": null},
  "policy": {"product_name": "产品名称", "currency": "USD/HKD/CNY", "sum_insured": null, "basic_sum_insured": null, "annual_premium": 数字, "premium_payment_period": "5年", "coverage_period": "终身"},
  "benefit_illustration": [{"policy_year": 数字, "total_premium_paid": 数字, "guaranteed_cash_value": 数字, "reversionary_bonus": 数字, "terminal_dividend": 数字, "total_surrender_value": 数字, "death_benefit": 数字或null, "source_page": 数字或null}],
  "withdrawal_illustration": [{"policy_year": 数字, "annual_withdrawal": 数字, "total_withdrawn": 数字或null, "surrender_value_before": 数字或null, "surrender_value_after": 数字或null, "source_page": 数字或null}]
}

规则：
1. 扫描所有页面，提取所有保单年度数据（至少20行）
2. 提领表：只取"总额/Total"列，不取子列；用官方"提取后"列作为surrender_value_after
3. 数值去逗号转数字，无法确定填null不填0
4. 严禁编造数据"""


CI_PLAN_SYSTEM_PROMPT = """你是香港危疾保险计划书数据提取专家。从PDF文本中提取结构化JSON。

输出JSON（只输出JSON，无markdown）：
{
  "product_name": "产品全称",
  "product_type": "ci",
  "insured": {"name": null, "age": 数字, "gender": "男/女", "relation": null},
  "policy": {"currency": "USD/HKD", "sum_insured": 数字, "annual_premium": 数字, "premium_payment_period": "20年", "coverage_period": "终身"},
  "coverage_items": [{"label": "保障项目", "amount": 数字, "percentage": 数字或null, "description": null}],
  "benefit_illustration": [{"policy_year": 数字, "total_premium_paid": 数字, "death_benefit": 数字}]
}

规则：
1. 提取所有保障项目，不要遗漏
2. benefit_illustration 提取所有保单年度
3. 无法确定的字段填null"""


IUL_SYSTEM_PROMPT = """你是IUL（指数型万用寿险）计划书数据提取专家。从PDF文本中提取结构化JSON。

输出JSON（只输出JSON，无markdown）：
{
  "product_name": "产品全称",
  "product_type": "iul",
  "insured": {"name": null, "age": 数字, "gender": "男/女"},
  "policy": {"currency": "USD", "sum_insured": 数字, "annual_premium": 数字, "premium_payment_period": "10年", "coverage_period": "终身", "target_premium": 数字或null, "minimum_premium": 数字或null},
  "index_accounts": [{"name": "账户名称", "allocation": 数字, "current_rate": 数字或null, "guaranteed_floor": 数字或null}],
  "benefit_illustration": [{"policy_year": 数字, "total_premium_paid": 数字, "guaranteed_account_value": 数字, "guaranteed_cash_value": 数字, "non_guaranteed_account_value": 数字, "non_guaranteed_cash_value": 数字, "non_guaranteed_death_benefit": 数字, "cost_of_insurance": 数字或null, "source_page": 数字或null}]
}

规则：
1. 优先提取非保证（当前假设利率）数据
2. 逐年提取所有保单年度，不要只输出摘要年份
3. 严禁编造数据，无法确定填null"""


# ─── 轻量级分析 Prompt（正则提取后使用）──────────────────────

ANALYSIS_SYSTEM_PROMPT = """你是一位香港保险销售顾问。用户已经通过正则提取了计划书的核心数据（JSON格式），请你结合 PDF 关键页面原文，完成以下分析：

输入：
- key_pages_text: PDF 中与产品相关的 4-5 页原文（已标注页码）
- structured_data: 正则提取的结构化 JSON（可能有缺失字段）

请输出以下 JSON（只输出 JSON，无 markdown，无额外文字）：
{
  "keyPoints": [
    "关键发现1：描述产品的核心亮点或关键数据",
    "关键发现2：...",
    "关键发现3：..."
  ],
  "gaps": [
    "缺失字段1：具体说明哪个字段未提取到，应该在哪里找",
    "缺失字段2：..."
  ],
  "suggestedQuestions": [
    "建议用户确认的问题1",
    "建议用户确认的问题2"
  ]
}

规则：
1. keyPoints：基于提取的数据和原文，总结3-5个最有价值的销售要点（如IRR、回本年限、关键收益年度等）
2. gaps：只列出structured_data中确实为null且原文中能找到的字段，说明在PDF第几页可以找到
3. suggestedQuestions：建议用户确认的数据问题（如年龄是否正确、是否有附加险等）
4. 输出总长度控制在300字以内
5. 不要重复已提取的数据，只提供增量分析"""


def build_analysis_prompt(key_pages_text: str, structured_data: dict) -> str:
    """构建轻量级分析 prompt（正则提取后调用）。"""
    import json
    data_str = json.dumps(structured_data, ensure_ascii=False, indent=2)
    return (
        f"## PDF 关键页面原文\n{key_pages_text}\n\n"
        f"## 正则提取的结构化数据\n{data_str}"
    )


# ─── 页面筛选工具 ──────────────────────────────────────────

def select_key_pages(pdf_text: str, max_pages: int = 5, max_chars: int = 8000) -> str:
    """从完整 PDF 文本中筛选与产品最相关的 N 页。

    筛选优先级：
    1. 包含产品名称的封面页
    2. 包含演示表（保单年度 + 价值类关键词）的页面
    3. 包含保费信息的页面
    4. 其余页面按顺序填充

    Args:
        pdf_text: 完整 PDF 文本（可能含 [PAGE N] 标记）
        max_pages: 最多选取页数
        max_chars: 总字符预算

    Returns:
        筛选后的页面文本（含页码标记）
    """
    import re

    # 拆分为页面（按 [PAGE N] 标记或换页符）
    page_pattern = re.compile(r'\[PAGE\s+(\d+)\]')
    parts = page_pattern.split(pdf_text)

    pages = []
    if len(parts) > 1:
        # 有 [PAGE N] 标记
        for i in range(1, len(parts), 2):
            page_num = int(parts[i])
            content = parts[i + 1] if i + 1 < len(parts) else ''
            pages.append((page_num, content.strip()))
    else:
        # 没有页码标记，按换页符或大量换行分割
        raw_pages = re.split(r'\f|\n{3,}', pdf_text)
        for i, content in enumerate(raw_pages):
            if content.strip():
                pages.append((i + 1, content.strip()))

    if not pages:
        return pdf_text[:max_chars]

    # 评分排序
    scored = []
    cover_kw = ['产品名称', '保单', '受保人', '计划书', '建议书', 'Product', 'Proposal']
    table_kw = [
        '保单年度', '保证现金', '退保价值', '红利', '保费',
        'benefit', 'illustration', 'policy year', 'account value',
        'cash value', 'cash surrender', 'death benefit',
    ]
    premium_kw = [
        '年缴保费', 'Annual Premium', '缴费年期', 'Premium Payment',
        'planned premium', 'initial premium',
    ]

    for page_num, content in pages:
        score = 0
        content_lower = content.lower()
        if any(kw.lower() in content_lower for kw in cover_kw):
            score += 30
        if any(kw.lower() in content_lower for kw in table_kw):
            score += 50
        if any(kw.lower() in content_lower for kw in premium_kw):
            score += 20
        # 数字密度高的页面（表格页）加分
        num_count = len(re.findall(r'\b\d{3,}\b', content))
        score += min(num_count, 20)
        scored.append((score, page_num, content))

    # 按分数降序，取前 max_pages 页
    scored.sort(key=lambda x: x[0], reverse=True)
    selected = sorted(scored[:max_pages], key=lambda x: x[1])  # 恢复页码顺序

    # 拼接，遵守字符预算
    result_parts = []
    total_chars = 0
    for score, page_num, content in selected:
        page_text = f"[PAGE {page_num}]\n{content}"
        if total_chars + len(page_text) > max_chars:
            remaining = max_chars - total_chars
            if remaining > len(f"[PAGE {page_num}]\n"):
                result_parts.append(page_text[:remaining])
            break
        result_parts.append(page_text)
        total_chars += len(page_text)

    return '\n\n'.join(result_parts)