baodan/api/insurance/ppt/extraction.py

1616 lines
64 KiB
Python
Raw Normal View History

2026-07-23 13:10:50 +08:00
"""PDF 提取服务 — 从 PDF 计划书中提取结构化数据。"""
import os
import json
import time
import hashlib
import logging
import re
import shutil
import subprocess
import tempfile
2026-07-28 16:45:14 +08:00
from dataclasses import dataclass
from typing import Callable, Optional
2026-07-23 13:10:50 +08:00
logger = logging.getLogger(__name__)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
CACHE_VERSION = 8
2026-07-23 13:10:50 +08:00
def _format_exception(exc: Exception) -> str:
message = str(exc) or repr(exc)
return f"{exc.__class__.__name__}: {message}"
2026-07-23 13:10:50 +08:00
@dataclass
class ExtractionResult:
pdf_path: str
product_name: str
plan_type: str # savings/ci/iul
status: str # success/partial/error
2026-07-23 13:10:50 +08:00
data: Optional[dict] = None
usage: Optional[dict] = None
error: Optional[str] = None
duration_ms: float = 0
2026-07-31 09:50:46 +08:00
provenance: Optional[dict] = None # 字段级来源追踪
page_qualities: Optional[list] = None # 每页质量评分
2026-07-23 13:10:50 +08:00
def infer_plan_type(raw: dict) -> str:
"""从 LLM 输出推断产品类型。"""
t = str(raw.get("product_type", "")).lower()
if "ci" in t or "critical" in t:
return "ci"
if "iul" in t or "universal" in t:
return "iul"
rows = raw.get("benefit_illustration", [])
if not isinstance(rows, list):
rows = []
has_savings = any(
r.get("total_surrender_value") is not None
or r.get("guaranteed_cash_value") is not None
or r.get("reversionary_bonus") is not None
for r in rows if isinstance(r, dict)
)
has_ci = any(
r.get("surrender_value_total") is not None
or r.get("death_benefit_total") is not None
for r in rows if isinstance(r, dict)
)
has_iul = any(
r.get("cash_value") is not None
or r.get("account_value") is not None
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
or r.get("guaranteed_account_value") is not None
or r.get("non_guaranteed_account_value") is not None
or r.get("non_guaranteed_cash_value") is not None
2026-07-23 13:10:50 +08:00
for r in rows if isinstance(r, dict)
)
if has_iul:
return "iul"
if has_savings:
return "savings"
if has_ci:
return "ci"
policy = raw.get("policy", {})
if isinstance(policy, dict):
if policy.get("index_account_rate") is not None or policy.get("capital_partition") is not None:
return "iul"
if policy.get("sum_insured") is not None:
return "ci"
return "savings"
def _hash_file(file_path: str) -> str:
"""计算文件 SHA-256 哈希。"""
h = hashlib.sha256()
with open(file_path, "rb") as f:
for chunk in iter(lambda: f.read(8192), b""):
h.update(chunk)
return h.hexdigest()
def _get_cache_path(pdf_path: str, cache_dir: str) -> str:
"""获取缓存文件路径。"""
file_hash = _hash_file(pdf_path)
return os.path.join(cache_dir, f"{file_hash}.json")
def _format_pdf_pages(text_parts: list[str]) -> str:
"""保留真实页码,供后续按封面、投保信息和利益表筛选关键页面。"""
return "\n\n".join(
f"[PAGE {page_num}]\n{content.strip()}"
for page_num, content in enumerate(text_parts, start=1)
if content and content.strip()
)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
def _split_marked_pages(pdf_text: str) -> list[tuple[int, str]]:
"""拆分带 [PAGE N] 标记的文本;无标记时视为单页。"""
parts = re.split(r"\[PAGE\s+(\d+)\]", pdf_text or "", flags=re.IGNORECASE)
if len(parts) <= 1:
return [(1, (pdf_text or "").strip())] if (pdf_text or "").strip() else []
pages = []
for index in range(1, len(parts), 2):
page_num = int(parts[index])
content = parts[index + 1].strip() if index + 1 < len(parts) else ""
if content:
pages.append((page_num, content))
return pages
def _select_page_chunks(
pdf_text: str,
keywords: tuple[str, ...] = (),
min_keyword_hits: int = 1,
pages_per_chunk: int = 2,
max_chars: int = 9000,
) -> list[str]:
"""筛选指定页面并切成小块,避免单次 LLM 请求承载整份计划书。"""
pages = _split_marked_pages(pdf_text)
if keywords:
lowered_keywords = tuple(keyword.lower() for keyword in keywords)
pages = [
(page_num, content)
for page_num, content in pages
if sum(keyword in content.lower() for keyword in lowered_keywords) >= min_keyword_hits
]
chunks: list[str] = []
current: list[str] = []
current_chars = 0
for page_num, content in pages:
page_text = f"[PAGE {page_num}]\n{content}"
if len(page_text) > max_chars:
page_text = page_text[:max_chars]
if current and (
len(current) >= pages_per_chunk
or current_chars + len(page_text) > max_chars
):
chunks.append("\n\n".join(current))
current = []
current_chars = 0
current.append(page_text)
current_chars += len(page_text)
if current:
chunks.append("\n\n".join(current))
return chunks
def _merge_rows_by_policy_year(rows: list[dict]) -> list[dict]:
"""按保单年度合并分块结果,重复年度保留字段更完整的一行。"""
by_year: dict[int, dict] = {}
without_year = []
for row in rows:
if not isinstance(row, dict):
continue
try:
year = int(row.get("policy_year"))
except (TypeError, ValueError):
without_year.append(row)
continue
if year <= 0:
without_year.append(row)
continue
normalized = dict(row)
normalized["policy_year"] = year
existing = by_year.get(year)
if existing is None or sum(value is not None for value in normalized.values()) > sum(
value is not None for value in existing.values()
):
by_year[year] = normalized
return [by_year[year] for year in sorted(by_year)] + without_year
2026-07-31 09:00:39 +08:00
def _extract_pdf_text(pdf_path: str, max_chars: int = 120000) -> tuple[str, list[dict]]:
"""提取 PDF 文本,支持多种 PDF 解析库。
2026-07-31 09:00:39 +08:00
返回 (text, page_qualities):
- text: 合并后的全文
- page_qualities: 每页质量评分列表 [{"page": 1, "quality": "high", ...}, ...]
优先级PyMuPDF > PyPDF2 > pdfplumber > pypdf
"""
text = ""
# 尝试 PyMuPDF (fitz 或 pymupdf)
2026-07-23 13:10:50 +08:00
try:
try:
2026-07-31 09:00:39 +08:00
import fitz
except ImportError:
2026-07-31 09:00:39 +08:00
import pymupdf as fitz
2026-07-23 13:10:50 +08:00
doc = fitz.open(pdf_path)
text_parts = []
for page in doc:
text_parts.append(page.get_text())
doc.close()
text = _format_pdf_pages(text_parts)
if text.strip() and not _looks_corrupted(text):
logger.info(f"使用 PyMuPDF 提取成功: {len(text)} 字符")
2026-07-31 09:00:39 +08:00
truncated = text[:max_chars] if len(text) > max_chars else text
page_qualities = _assess_page_qualities(text_parts)
return truncated, page_qualities
if text.strip():
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
logger.warning("PyMuPDF 提取结果疑似乱码,将尝试其他文本解析器,必要时使用 OCR")
except ImportError:
logger.debug("PyMuPDF 未安装,尝试下一个库")
except Exception as e:
logger.warning(f"PyMuPDF 提取失败: {e}")
# 尝试 PyPDF2
try:
from PyPDF2 import PdfReader
reader = PdfReader(pdf_path)
text_parts = []
for page in reader.pages:
page_text = page.extract_text()
text_parts.append(page_text or "")
text = _format_pdf_pages(text_parts)
if text.strip() and not _looks_corrupted(text):
logger.info(f"使用 PyPDF2 提取成功: {len(text)} 字符")
2026-07-31 09:00:39 +08:00
truncated = text[:max_chars] if len(text) > max_chars else text
page_qualities = _assess_page_qualities(text_parts)
return truncated, page_qualities
except ImportError:
logger.debug("PyPDF2 未安装,尝试下一个库")
except Exception as e:
logger.warning(f"PyPDF2 提取失败: {e}")
# 尝试 pypdf
try:
from pypdf import PdfReader
reader = PdfReader(pdf_path)
text_parts = []
for page in reader.pages:
page_text = page.extract_text()
text_parts.append(page_text or "")
text = _format_pdf_pages(text_parts)
if text.strip() and not _looks_corrupted(text):
logger.info(f"使用 pypdf 提取成功: {len(text)} 字符")
2026-07-31 09:00:39 +08:00
truncated = text[:max_chars] if len(text) > max_chars else text
page_qualities = _assess_page_qualities(text_parts)
return truncated, page_qualities
except ImportError:
logger.debug("pypdf 未安装,尝试下一个库")
except Exception as e:
logger.warning(f"pypdf 提取失败: {e}")
# 尝试 pdfplumber
try:
import pdfplumber
with pdfplumber.open(pdf_path) as pdf:
text_parts = []
for page in pdf.pages:
page_text = page.extract_text()
text_parts.append(page_text or "")
text = _format_pdf_pages(text_parts)
if text.strip() and not _looks_corrupted(text):
logger.info(f"使用 pdfplumber 提取成功: {len(text)} 字符")
2026-07-31 09:00:39 +08:00
truncated = text[:max_chars] if len(text) > max_chars else text
page_qualities = _assess_page_qualities(text_parts)
return truncated, page_qualities
except ImportError:
logger.debug("pdfplumber 未安装")
except Exception as e:
logger.warning(f"pdfplumber 提取失败: {e}")
ocr_text = _extract_pdf_text_ocr(pdf_path, max_chars=max_chars)
if ocr_text:
2026-07-31 09:00:39 +08:00
return ocr_text, []
logger.error(
"无法提取 PDF 文本,请安装以下任一库:\n"
" pip install PyMuPDF\n"
" pip install PyPDF2\n"
" pip install pypdf\n"
" pip install pdfplumber"
)
2026-07-31 09:00:39 +08:00
return "", []
def _assess_page_qualities(text_parts: list[str]) -> list[dict]:
"""评估每页文本质量。"""
qualities = []
for i, page_text in enumerate(text_parts):
score = _score_page_quality(page_text)
score["page"] = i + 1
qualities.append(score)
# 汇总日志
low_pages = [q for q in qualities if q["quality"] in ("corrupted", "low")]
if low_pages:
logger.info(
f"[PageQuality] {len(qualities)} 页中 {len(low_pages)} 页质量低: "
f"{[p['page'] for p in low_pages]}"
)
return qualities
2026-07-23 13:10:50 +08:00
def _looks_corrupted(text: str) -> bool:
"""检测 PDF 文本是否乱码。"""
if not text or len(text) < 50:
return True
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
# 缺少 ToUnicode 映射时,部分解析器会返回大量 ``(cid:123)``。
# 这些占位符是 ASCII不能只靠下方的可读字符率判断。
cid_placeholders = re.findall(r"\(cid:\d+\)", text, re.IGNORECASE)
if len(cid_placeholders) >= 10:
cid_chars = sum(len(value) for value in cid_placeholders)
if cid_chars / max(len(text), 1) >= 0.02:
return True
visible = [c for c in text if not c.isspace()]
if not visible:
return True
bad_chars = sum(
1
for c in visible
if c in ("\ufffd", "\uffff")
or ord(c) < 32
or 0x7F <= ord(c) <= 0x9F
or 0xE000 <= ord(c) <= 0xF8FF
)
readable_chars = sum(
1
for c in visible
if (
(c.isascii() and (c.isalnum() or c in ".,:;!?%+-_/()[]{}$¥¥'"))
or "\u3400" <= c <= "\u9fff"
)
)
return bad_chars / len(visible) > 0.03 or readable_chars / len(visible) < 0.35
2026-07-31 09:00:39 +08:00
def _score_page_quality(page_text: str) -> dict:
"""评估单页文本质量。返回质量指标字典。
用于识别需要 OCR 重处理的低质量页
"""
if not page_text or not page_text.strip():
return {"chars": 0, "readable_ratio": 0, "label_hits": 0, "number_density": 0, "quality": "empty"}
visible = [c for c in page_text if not c.isspace()]
total = len(visible)
if total == 0:
return {"chars": 0, "readable_ratio": 0, "label_hits": 0, "number_density": 0, "quality": "empty"}
readable = sum(
1 for c in visible
if (c.isascii() and (c.isalnum() or c in ".,:;!?%+-_/()[]{}$"))
or "" <= c <= "鿿"
or " " <= c <= ""
)
readable_ratio = readable / total
# 保险相关标签命中
label_keywords = [
"保单", "保單", "保费", "保費", "受保人", "被保人", "投保",
"现金价值", "現金價值", "红利", "紅利", "退保",
"premium", "policy", "insured", "benefit", "cash value",
"保证", "保證", "非保证", "非保證", "年度", "年齡", "年龄",
]
text_lower = page_text.lower()
label_hits = sum(1 for kw in label_keywords if kw in text_lower)
# 数字密度
digits = sum(1 for c in visible if c.isdigit())
number_density = digits / total
# 综合评分
if readable_ratio < 0.3:
quality = "corrupted"
elif readable_ratio < 0.5 and label_hits < 2:
quality = "low"
elif label_hits >= 3 and number_density >= 0.1:
quality = "high"
elif label_hits >= 1:
quality = "medium"
else:
quality = "low"
return {
"chars": total,
"readable_ratio": round(readable_ratio, 3),
"label_hits": label_hits,
"number_density": round(number_density, 3),
"quality": quality,
}
def _extract_pdf_text_ocr(
pdf_path: str,
max_chars: int = 120000,
max_pages: int = 40,
) -> str:
2026-07-31 09:50:46 +08:00
"""对扫描件或字体映射损坏的 PDF 使用 Tesseract OCR。
支持繁体中文chi_tra+ 简体中文chi_sim+ 英文
如果 chi_tra 未安装自动降级到 chi_sim+eng
"""
tesseract = shutil.which("tesseract")
if not tesseract:
logger.warning("PDF 文本疑似乱码,但未安装 Tesseract OCR")
return ""
2026-07-31 09:50:46 +08:00
# 检测可用的语言包:优先繁体+简体+英文,降级到简体+英文
ocr_lang = "chi_tra+chi_sim+eng"
try:
test_result = subprocess.run(
[tesseract, "--list-langs"],
capture_output=True, text=True, encoding="utf-8", errors="replace",
timeout=10, check=False,
)
available_langs = test_result.stdout.lower()
if "chi_tra" not in available_langs:
ocr_lang = "chi_sim+eng"
logger.info("[OCR] 繁体语言包(chi_tra)未安装,降级到 chi_sim+eng")
else:
logger.info("[OCR] 使用繁体+简体+英文识别")
except Exception:
ocr_lang = "chi_sim+eng"
try:
try:
import fitz
except ImportError:
import pymupdf as fitz
doc = fitz.open(pdf_path)
text_parts = []
page_count = min(len(doc), max_pages)
with tempfile.TemporaryDirectory(prefix="insurance-pdf-ocr-") as temp_dir:
for index in range(page_count):
page = doc[index]
2026-07-31 09:50:46 +08:00
# 300 DPI 基线,灰度模式
pixmap = page.get_pixmap(
2026-07-31 09:50:46 +08:00
matrix=fitz.Matrix(3.0, 3.0),
colorspace=fitz.csGRAY,
)
image_path = os.path.join(temp_dir, f"page-{index + 1}.png")
pixmap.save(image_path)
2026-07-31 09:50:46 +08:00
# 使用 psm 6统一文本块适合表格和表单
completed = subprocess.run(
[
tesseract,
image_path,
"stdout",
"-l",
2026-07-31 09:50:46 +08:00
ocr_lang,
"--psm",
"6",
2026-07-31 09:50:46 +08:00
"--oem",
"3",
],
capture_output=True,
text=True,
encoding="utf-8",
errors="replace",
timeout=90,
check=False,
)
if completed.returncode == 0 and completed.stdout.strip():
text_parts.append(completed.stdout)
else:
text_parts.append("")
logger.warning(
"Tesseract OCR 第 %s 页失败: %s",
index + 1,
completed.stderr.strip()[:300],
)
doc.close()
text = _format_pdf_pages(text_parts)
if text.strip() and not _looks_corrupted(text):
logger.info("使用 Tesseract OCR 提取成功: %s 字符", len(text))
text = text[:max_chars] if len(text) > max_chars else text
return f"[OCR]\n{text}"
logger.warning("Tesseract OCR 未能产生可用文本")
except Exception as exc:
logger.warning("Tesseract OCR 提取失败: %s", _format_exception(exc))
return ""
2026-07-23 13:10:50 +08:00
2026-07-31 09:50:46 +08:00
def _ocr_specific_pages(
pdf_path: str,
page_indices: list[int],
ocr_lang: str = "chi_tra+chi_sim+eng",
) -> dict[int, str]:
"""对指定页码执行 OCR返回 {page_index: ocr_text}。"""
tesseract = shutil.which("tesseract")
if not tesseract or not page_indices:
return {}
# 检测可用语言包
try:
test_result = subprocess.run(
[tesseract, "--list-langs"],
capture_output=True, text=True, encoding="utf-8", errors="replace",
timeout=10, check=False,
)
if "chi_tra" not in test_result.stdout.lower():
ocr_lang = "chi_sim+eng"
except Exception:
ocr_lang = "chi_sim+eng"
results = {}
try:
try:
import fitz
except ImportError:
import pymupdf as fitz
doc = fitz.open(pdf_path)
with tempfile.TemporaryDirectory(prefix="insurance-page-ocr-") as temp_dir:
for page_idx in page_indices:
if page_idx >= len(doc):
continue
page = doc[page_idx]
pixmap = page.get_pixmap(
matrix=fitz.Matrix(3.0, 3.0),
colorspace=fitz.csGRAY,
)
image_path = os.path.join(temp_dir, f"page-{page_idx + 1}.png")
pixmap.save(image_path)
completed = subprocess.run(
[tesseract, image_path, "stdout", "-l", ocr_lang, "--psm", "6", "--oem", "3"],
capture_output=True, text=True, encoding="utf-8", errors="replace",
timeout=90, check=False,
)
if completed.returncode == 0 and completed.stdout.strip():
results[page_idx] = completed.stdout.strip()
doc.close()
except Exception as exc:
logger.warning(f"[OCR] 逐页 OCR 失败: {_format_exception(exc)}")
return results
def _merge_page_ocr(pdf_text: str, page_qualities: list[dict], pdf_path: str) -> str:
"""对低质量页执行 OCR 并合并回全文。
识别 quality corrupted low 的页面OCR 替换其内容
"""
low_pages = [q for q in page_qualities if q.get("quality") in ("corrupted", "low")]
if not low_pages:
return pdf_text
tesseract = shutil.which("tesseract")
if not tesseract:
logger.info("[OCR] 低质量页检测到但 Tesseract 未安装,跳过逐页 OCR")
return pdf_text
page_indices = [q["page"] - 1 for q in low_pages] # 转为 0-based
logger.info(f"[OCR] 对 {len(page_indices)} 个低质量页执行 OCR: {[p+1 for p in page_indices]}")
progress_callback = None # 这里的进度由上层管理
ocr_results = _ocr_specific_pages(pdf_path, page_indices)
if not ocr_results:
return pdf_text
# 按 [PAGE N] 标记分割全文,替换低质量页
import re
parts = re.split(r'(\[PAGE \d+\])', pdf_text)
current_page = 0
merged_parts = []
for part in parts:
page_match = re.match(r'\[PAGE (\d+)\]', part)
if page_match:
current_page = int(page_match.group(1)) - 1 # 转为 0-based
merged_parts.append(part)
elif current_page in ocr_results:
# 用 OCR 结果替换该页内容
merged_parts.append(f"\n{ocr_results[current_page]}\n")
logger.info(f"[OCR] 第 {current_page + 1} 页已用 OCR 替换")
else:
merged_parts.append(part)
return "".join(merged_parts)
def _normalized_product_name(data: dict) -> str:
product_name = str(data.get("product_name") or "").strip()
if not product_name:
return "unknown"
if product_name.lower() == "unknown":
return "unknown"
return product_name
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
def _is_obviously_invalid_product_name(product_name: str) -> bool:
"""识别被模型误填到产品名字段的常见身份值。"""
normalized = re.sub(r"[\s._/-]+", "", str(product_name or "").strip().lower())
return normalized in {
"female", "male", "f", "m", "", "", "女性", "男性",
"女士", "先生", "吸烟", "非吸烟", "smoker", "nonsmoker",
}
2026-07-31 09:50:46 +08:00
def _build_provenance(
final_data: dict,
regex_data: Optional[dict],
method: str,
used_ocr: bool,
) -> dict:
"""构建字段级来源追踪。
返回结构
{
"product_name": {"source": "regex|llm|ocr", "confidence": 0.0-1.0},
"insured.age": {"source": "regex|llm", "confidence": 0.0-1.0},
"benefit_illustration": {"source": "regex|llm", "row_count": N, "confidence": 0.0-1.0},
...
}
"""
prov = {}
base_source = "ocr" if used_ocr else ("regex" if method == "regex+analysis" else "llm")
def _field_confidence(value, source) -> float:
"""根据值和来源计算置信度。"""
if value is None or value == "" or value == "unknown":
return 0.0
if source == "regex":
return 0.9 # 正则匹配高置信
if source == "ocr":
return 0.6 # OCR 中等置信
return 0.7 # LLM 中高置信
# 标量字段
product_name = _normalized_product_name(final_data)
if regex_data and _normalized_product_name(regex_data) != "unknown":
prov["product_name"] = {"source": "regex", "confidence": _field_confidence(product_name, "regex")}
else:
prov["product_name"] = {"source": base_source, "confidence": _field_confidence(product_name, base_source)}
# insured 子字段
insured = final_data.get("insured") or {}
regex_insured = (regex_data or {}).get("insured") or {}
for field in ("age", "gender"):
final_val = insured.get(field)
regex_val = regex_insured.get(field)
if regex_val is not None and regex_val != "":
src = "regex"
else:
src = base_source
prov[f"insured.{field}"] = {"source": src, "confidence": _field_confidence(final_val, src)}
# policy 子字段
policy = final_data.get("policy") or {}
regex_policy = (regex_data or {}).get("policy") or {}
for field in ("currency", "sum_insured", "annual_premium", "premium_payment_period", "coverage_period"):
final_val = policy.get(field)
regex_val = regex_policy.get(field)
if regex_val is not None and regex_val != "":
src = "regex"
else:
src = base_source
prov[f"policy.{field}"] = {"source": src, "confidence": _field_confidence(final_val, src)}
# benefit_illustration
benefit = final_data.get("benefit_illustration") or []
regex_benefit = (regex_data or {}).get("benefit_illustration") or []
if len(regex_benefit) >= len(benefit) and regex_benefit:
ben_src = "regex"
elif benefit:
ben_src = base_source
else:
ben_src = "missing"
prov["benefit_illustration"] = {
"source": ben_src,
"row_count": len(benefit),
"confidence": min(1.0, len(benefit) / 20) if benefit else 0.0,
}
# withdrawal_illustration
withdrawal = final_data.get("withdrawal_illustration") or []
if withdrawal:
prov["withdrawal_illustration"] = {
"source": base_source,
"row_count": len(withdrawal),
"confidence": min(1.0, len(withdrawal) / 10),
}
# 统计
sources = [v["source"] for v in prov.values() if isinstance(v, dict) and "source" in v]
avg_conf = sum(v.get("confidence", 0) for v in prov.values() if isinstance(v, dict)) / max(len(prov), 1)
prov["_summary"] = {
"method": method,
"used_ocr": used_ocr,
"avg_confidence": round(avg_conf, 3),
"source_counts": {s: sources.count(s) for s in set(sources)},
}
return prov
def _apply_filename_hints(data: dict, pdf_path: str, plan_type: str) -> dict:
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
"""用标准计划书文件名中的明确字段补齐 OCR 容易误读的数据。"""
if not isinstance(data, dict):
return data
filename = os.path.basename(pdf_path)
if plan_type == "iul" and re.search(r"(?:^|[_-])SIUL3(?:[_-]|$)", filename, re.IGNORECASE):
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
def set_missing(target: dict, key: str, value) -> None:
if target.get(key) in (None, "", "unknown"):
target[key] = value
data["product_name"] = "Manulife SIUL 3"
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
insured = data.setdefault("insured", {})
policy = data.setdefault("policy", {})
if isinstance(policy, dict):
policy["product_name"] = "Manulife SIUL 3"
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
# 标准文件名示例SIUL3_F-48-N-CN-USD-S3m-5x。
# 只补齐文件名明确编码且正文未识别的字段,绝不覆盖已识别值。
identity_match = re.search(
r"(?:^|[_-])(?P<gender>[FM])-(?P<age>\d{1,3})-(?P<smoker>[NS])(?:[_-]|$)",
filename,
re.IGNORECASE,
)
if identity_match and isinstance(insured, dict):
set_missing(insured, "gender", "female" if identity_match.group("gender").upper() == "F" else "male")
set_missing(insured, "age", int(identity_match.group("age")))
set_missing(insured, "smoker", "no" if identity_match.group("smoker").upper() == "N" else "yes")
if isinstance(policy, dict):
currency_match = re.search(r"(?:^|[_-])(USD|HKD|CNY|RMB)(?:[_-]|$)", filename, re.IGNORECASE)
if currency_match:
set_missing(policy, "currency", currency_match.group(1).upper())
sum_match = re.search(r"(?:^|[_-])S(?P<amount>\d+(?:\.\d+)?)(?P<unit>[mMkK])(?:[_-]|$)", filename)
if sum_match:
multiplier = 1_000_000 if sum_match.group("unit").lower() == "m" else 1_000
set_missing(policy, "sum_insured", float(sum_match.group("amount")) * multiplier)
payment_match = re.search(r"(?:^|[_-])(?P<years>\d{1,2})x(?:[_-]|$)", filename, re.IGNORECASE)
if payment_match:
set_missing(policy, "premium_payment_period", int(payment_match.group("years")))
return data
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
def _has_sufficient_benefit_rows(rows: list[dict]) -> bool:
years = set()
for row in rows:
try:
year = int((row or {}).get("policy_year"))
except (TypeError, ValueError):
continue
if year > 0:
years.add(year)
return len(rows) >= 20 or (len(years) >= 5 and {10, 20, 30}.issubset(years) and max(years) >= 30)
def assess_extraction_payload(data: Optional[dict], plan_type: str) -> tuple[str, str]:
"""Return extraction status and a user-facing error when data is incomplete."""
if not isinstance(data, dict) or not data:
return "partial", "结构化结果为空,请补充识别数据后再生成 PPT"
insured = data.get("insured") or {}
policy = data.get("policy") or {}
benefit_rows = data.get("benefit_illustration")
benefit_rows = benefit_rows if isinstance(benefit_rows, list) else []
product_name = _normalized_product_name(data)
insured_age = insured.get("age")
def has_positive_number(value) -> bool:
try:
return float(value) > 0
except (TypeError, ValueError):
return False
problems = []
if product_name == "unknown":
problems.append("产品名称未识别")
if not has_positive_number(insured_age):
problems.append("被保人年龄缺失")
if not benefit_rows:
problems.append("利益演示为空")
normalized_type = (plan_type or "").lower()
if normalized_type == "iul":
if not has_positive_number(policy.get("sum_insured")):
problems.append("保额缺失")
index_accounts = data.get("index_accounts")
if not isinstance(index_accounts, list) or not index_accounts:
problems.append("指数账户缺失")
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
rows_with_iul_values = sum(
1 for row in benefit_rows if isinstance(row, dict) and any(
row.get(field) is not None
for field in (
"guaranteed_account_value",
"non_guaranteed_account_value",
"non_guaranteed_cash_value",
"account_value",
"cash_value",
)
)
)
if benefit_rows and rows_with_iul_values / len(benefit_rows) < 0.5:
problems.append("IUL利益字段缺失")
elif normalized_type == "ci":
if not has_positive_number(policy.get("sum_insured")):
problems.append("保额缺失")
coverage_items = data.get("coverage_items")
if not isinstance(coverage_items, list) or not coverage_items:
problems.append("保障项目缺失")
else:
if not has_positive_number(policy.get("annual_premium")):
problems.append("年缴保费缺失")
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
if benefit_rows and not _has_sufficient_benefit_rows(benefit_rows):
problems.append(f"利益演示数据不足(当前 {len(benefit_rows)} 行)")
split_benefit = ((data.get("_meta") or {}).get("split_extraction") or {}).get("benefit") or {}
if split_benefit.get("status") in ("failed", "partial") and not any(
"利益演示" in problem for problem in problems
):
problems.append(f"利益演示分块提取未完成(当前 {len(benefit_rows)} 行)")
if problems:
return "partial", "".join(problems[:3])
return "success", ""
def _payload_score(data: Optional[dict]) -> int:
"""用于比较两次提取结果,优先保留关键字段更完整的一次。"""
if not isinstance(data, dict):
return 0
insured = data.get("insured") if isinstance(data.get("insured"), dict) else {}
policy = data.get("policy") if isinstance(data.get("policy"), dict) else {}
rows = data.get("benefit_illustration")
row_count = len(rows) if isinstance(rows, list) else 0
return (
row_count * 10
+ (5 if _normalized_product_name(data) != "unknown" else 0)
+ (5 if insured.get("age") else 0)
+ sum(1 for value in policy.values() if value not in (None, "", [], {}))
)
2026-07-31 09:00:39 +08:00
def _regex_quality_gate(regex_data: dict, plan_type: str) -> tuple[bool, list[str]]:
"""检查正则提取结果的关键字段完整性。
返回 (passed, missing_fields):
- passed: True 表示关键字段完整可以仅用 LLM 做分析
- missing_fields: 缺失的关键字段列表
"""
missing = []
product_name = _normalized_product_name(regex_data)
if product_name == "unknown":
missing.append("product_name")
insured = regex_data.get("insured") or {}
if not insured.get("age"):
missing.append("insured.age")
policy = regex_data.get("policy") or {}
normalized_type = (plan_type or "savings").lower()
if normalized_type == "iul":
try:
if not (float(policy.get("sum_insured") or 0) > 0):
missing.append("policy.sum_insured")
except (TypeError, ValueError):
missing.append("policy.sum_insured")
index_accounts = regex_data.get("index_accounts")
if not isinstance(index_accounts, list) or not index_accounts:
missing.append("index_accounts")
elif normalized_type == "ci":
try:
if not (float(policy.get("sum_insured") or 0) > 0):
missing.append("policy.sum_insured")
except (TypeError, ValueError):
missing.append("policy.sum_insured")
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
rows = [row for row in (regex_data.get("benefit_illustration") or []) if isinstance(row, dict)]
years = []
for row in rows:
try:
year = int(row.get("policy_year"))
except (TypeError, ValueError):
continue
if year > 0:
years.append(year)
if len(rows) >= 3 and (
len(years) != len(rows) or len(years) != len(set(years)) or years != sorted(years)
):
missing.append("benefit_illustration.policy_year_sequence")
age_offsets = []
for row in rows:
try:
if row.get("age") is not None and row.get("policy_year") is not None:
age_offsets.append(int(row["age"]) - int(row["policy_year"]))
except (TypeError, ValueError):
continue
if len(age_offsets) >= 2 and max(age_offsets) - min(age_offsets) > 1:
missing.append("benefit_illustration.age_sequence")
if normalized_type == "iul" and rows:
iul_value_fields = (
"guaranteed_account_value",
"non_guaranteed_account_value",
"non_guaranteed_cash_value",
"cost_of_insurance",
"account_value",
"cash_value",
)
rows_with_iul_values = sum(
1 for row in rows
if any(row.get(field) is not None for field in iul_value_fields)
)
if rows_with_iul_values / len(rows) < 0.5:
missing.append("benefit_illustration.iul_value_columns")
try:
annual_premium = float(policy.get("annual_premium") or 0)
except (TypeError, ValueError):
annual_premium = 0
positive_surrender = []
for row in rows:
try:
value = float((row or {}).get("total_surrender_value") or 0)
except (TypeError, ValueError):
value = 0
if value > 0:
positive_surrender.append(value)
if len(positive_surrender) >= 3:
implausible_floor = max(150, annual_premium * 0.01)
tiny = [value for value in positive_surrender if value < implausible_floor]
if len(tiny) / len(positive_surrender) >= 0.6:
missing.append("benefit_illustration.total_surrender_value_implausible")
2026-07-31 09:00:39 +08:00
return (len(missing) == 0, missing)
2026-07-31 09:50:46 +08:00
async def _llm_extract_split(
pdf_text: str,
plan_type: str,
llm_client,
progress_callback=None,
) -> tuple[dict, any]:
"""分块 LLM 提取:身份字段 + 利益表 + 提领表分开调用。
优势
- 每次调用输出更小减少截断风险
- 利益表可以使用更多 token
- 某块失败不影响其他块
返回 (merged_data, last_response)
"""
from insurance.ppt.prompts import select_key_pages
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
identity_text = select_key_pages(pdf_text, max_pages=3, max_chars=8000)
benefit_keywords = (
"保单年度", "保單年度", "退保价值", "退保價值", "保证现金", "保證現金",
"policy year", "cash value", "surrender value", "account value",
)
benefit_chunks = _select_page_chunks(
pdf_text,
benefit_keywords,
min_keyword_hits=2,
pages_per_chunk=2,
max_chars=9000,
)
if not benefit_chunks:
benefit_fallback = select_key_pages(pdf_text, max_pages=6, max_chars=18000)
benefit_chunks = _select_page_chunks(
benefit_fallback,
pages_per_chunk=2,
max_chars=9000,
)
2026-07-31 09:50:46 +08:00
merged_data = {}
last_response = None
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
split_diagnostics = {
"tokens": {"input": 0, "output": 0},
"identity": {"status": "pending"},
"benefit": {
"status": "pending",
"chunkCount": len(benefit_chunks),
"completedChunks": 0,
"errors": [],
},
"withdrawal": {"status": "pending"},
}
def record_response(block: str, response) -> None:
tokens = getattr(response, "tokens", None) or {}
split_diagnostics["tokens"]["input"] += int(tokens.get("input", 0) or 0)
split_diagnostics["tokens"]["output"] += int(tokens.get("output", 0) or 0)
latency_ms = getattr(response, "latency_ms", 0) or 0
if latency_ms:
split_diagnostics[block]["latencyMs"] = round(
split_diagnostics[block].get("latencyMs", 0) + latency_ms,
1,
)
2026-07-31 09:50:46 +08:00
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
normalized_type = (plan_type or "savings").lower()
if normalized_type == "iul":
identity_shape = (
'"policy": {"product_name": "产品名称", "currency": "USD/HKD/CNY", '
'"sum_insured": 数字, "annual_premium": 数字, "premium_payment_period": 数字, '
'"coverage_period": "终身", "target_premium": 数字或null, "minimum_premium": 数字或null}, '
'"coverage_items": null, '
'"index_accounts": [{"name": "账户名称", "allocation": 数字或null, '
'"current_rate": 数字或null, "guaranteed_floor": 数字或null}]'
)
elif normalized_type == "ci":
identity_shape = (
'"policy": {"product_name": "产品名称", "currency": "USD/HKD/CNY", '
'"sum_insured": 数字, "annual_premium": 数字, "premium_payment_period": 数字, '
'"coverage_period": "终身"}, '
'"coverage_items": [{"label": "保障项目", "amount": 数字, "description": null}], '
'"index_accounts": null'
)
else:
identity_shape = (
'"policy": {"product_name": "产品名称", "currency": "USD/HKD/CNY", '
'"sum_insured": 数字或null, "annual_premium": 数字, "premium_payment_period": 数字, '
'"coverage_period": "终身"}, "coverage_items": null, "index_accounts": null'
)
2026-07-31 09:50:46 +08:00
# ── 第一次调用:身份 + 保单字段(小输出,高精度)──
identity_prompt = (
"从以下 PDF 文本中提取保险计划书的身份和保单字段。\n"
"只输出以下 JSON不要输出利益演示表和提领表\n"
'{"product_name": "产品全称", "product_type": "savings/ci/iul", '
'"insured": {"name": null, "age": 数字, "gender": "male/female", "relation": null, "smoker": null}, '
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
f'{identity_shape}' + '}\n\n'
2026-07-31 09:50:46 +08:00
"规则:\n"
"1. gender 用 male/female\n"
"2. premium_payment_period 只输出数字(年数)\n"
"3. 无法确定的字段填 null\n"
"4. 只输出 JSON无 markdown\n\n"
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
f"PDF 文本:\n{identity_text}"
2026-07-31 09:50:46 +08:00
)
if progress_callback:
progress_callback(55, "正在识别产品和保单信息")
try:
identity_data, last_response = await llm_client.structured_output(
prompt=identity_prompt,
system_prompt="你是保险计划书数据提取专家。只输出 JSON。",
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
schema={
"type": "object",
"required": ["product_name", "insured", "policy"],
"properties": {
"product_name": {"type": "string"},
"insured": {
"type": "object",
"required": ["age", "gender"],
},
"policy": {
"type": "object",
"required": [
"currency", "sum_insured", "annual_premium",
"premium_payment_period",
],
},
},
},
2026-07-31 09:50:46 +08:00
temperature=0,
)
if isinstance(identity_data, dict):
merged_data.update(identity_data)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
split_diagnostics["identity"]["status"] = "success"
record_response("identity", last_response)
2026-07-31 09:50:46 +08:00
except Exception as e:
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
split_diagnostics["identity"] = {
"status": "failed",
"error": _format_exception(e),
}
2026-07-31 09:50:46 +08:00
logger.warning(f"[SplitExtract] 身份字段提取失败: {e}")
# ── 第二次调用:利益演示表(大输出,用更多 token──
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
if normalized_type == "iul":
benefit_shape = (
'{"benefit_illustration": [{"policy_year": 数字, "age": 数字或null, '
'"total_premium_paid": 数字或null, "guaranteed_account_value": 数字或null, '
'"guaranteed_cash_value": 数字或null, "non_guaranteed_account_value": 数字或null, '
'"non_guaranteed_cash_value": 数字或null, "total_surrender_value": 数字或null, '
'"non_guaranteed_death_benefit": 数字或null, "cost_of_insurance": 数字或null, '
'"source_page": 数字或null}]}'
)
elif normalized_type == "ci":
benefit_shape = (
'{"benefit_illustration": [{"policy_year": 数字, "age": 数字或null, '
'"total_premium_paid": 数字或null, "death_benefit": 数字或null, '
'"source_page": 数字或null}]}'
)
else:
benefit_shape = (
'{"benefit_illustration": [{"policy_year": 数字, "age": 数字或null, '
'"total_premium_paid": 数字或null, "guaranteed_cash_value": 数字或null, '
'"reversionary_bonus": 数字或null, "terminal_dividend": 数字或null, '
'"total_surrender_value": 数字或null, "death_benefit": 数字或null, '
'"source_page": 数字或null}]}'
)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
benefit_prompt_prefix = (
2026-07-31 09:50:46 +08:00
"从以下 PDF 文本中提取保险计划书的利益演示表。\n"
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
"必须输出 JSON 对象,根对象只能包含 benefit_illustration 字段;禁止直接输出数组:\n"
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
f"{benefit_shape}\n\n"
2026-07-31 09:50:46 +08:00
"规则:\n"
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
"1. 提取当前分块中的全部保单年度,不要遗漏任何数据行\n"
2026-07-31 09:50:46 +08:00
"2. 数值去逗号转数字,无法确定填 null不要填 0\n"
"3. 严禁编造数据\n"
主要改动: PPT 表格现在按槽位解析,正确保留 —、空列和单空格表格,不再发生金额左移。[regex_extractor.py (line 470)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:470) 补齐年龄、累计保费、非保证现金价值、非保证身故赔偿等别名。 IUL 使用专属 LLM 提取结构,并加强年度、年龄、账户价值完整性校验。[extraction.py (line 741)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:741) PPT 缓存升级到 v6,旧错误缓存会自动失效。 提领方案不再与普通退保价值混淆,相关提示语已统一。 海报摘要年度金额与收益图表改为同一数据源;缺少部分里程碑时会从原始真实年度补足,不会隐藏图表。[content_builder.py (line 51)](D:/work/code/python/coding/baodanagent/api/insurance/poster/content_builder.py:51) 系统计算、利益表派生、人工修改增加来源标记。 增加“重新解析”功能,旧海报计划书无需重新上传。[routes.py (line 266)](D:/work/code/python/coding/baodanagent/api/insurance/poster/routes.py:266) ECharts 导出增加双帧就绪检测和事件竞态保护,不再依赖不存在的 .once()。 PPT 手机端改为可编辑数据卡片,320px 操作栏自动纵向排列;补齐按钮语义、键盘焦点及 44px 触控区域。[PptDataReview.vue (line 195)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:195) 验证结果: 核心专项测试:145 passed 除既有聊天日志测试外的测试集:236 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过 Impeccable 前端检测:无发现 全量测试仅剩一个与本次无关的既有失败:test_chat_logs_query 缺少 Flask application context
2026-08-01 01:22:07 +08:00
"4. 年龄和保单年度是不同列,年龄绝不能写入任何金额字段\n"
"5. 只输出 JSON无 markdown\n\n"
2026-07-31 09:50:46 +08:00
)
if progress_callback:
progress_callback(70, "正在提取利益演示表")
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
benefit_rows = []
for chunk_index, benefit_text in enumerate(benefit_chunks, start=1):
benefit_prompt = (
f"{benefit_prompt_prefix}"
f"当前分块:{chunk_index}/{len(benefit_chunks)}\n"
f"PDF 文本:\n{benefit_text}"
2026-07-31 09:50:46 +08:00
)
try:
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
benefit_data, benefit_resp = await llm_client.structured_output(
prompt=benefit_prompt,
2026-07-31 09:50:46 +08:00
system_prompt="你是保险计划书数据提取专家。只输出 JSON。",
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
schema={
"type": "object",
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
"required": ["benefit_illustration"],
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
"properties": {
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
"benefit_illustration": {
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
"type": "array",
"items": {"type": "object"},
},
},
"additionalProperties": False,
主要修复: 海报加载失败根因:html-to-image 给 blob: 底图地址追加缓存参数,导致地址失效。现已关闭该行为。 合成失败后再次点击“重新生成”,会复用已有 AI 底图,只重试浏览器合成和上传,避免重复调用 AI。 增加底图加载、图表超时、导出失败、尺寸越界等分阶段错误提示。 修复计划书 (cid:数字) 字体乱码被误判为正常文本的问题,现在会正确转入 OCR。 增加繁体中文 OCR 运行支持。 补齐 SIUL 文件名中的确定字段,并且不会覆盖正文已识别数据。 增加“首期规划保费/償還至形成基金所需保費”等保费标签识别。 修正 IUL 年龄、保额、退保价值、缴费期、公司信息等字段映射。 LLM 返回空对象或缺字段时不再视为成功。 增加错误利益数值和年龄/保单年度错位校验。 修复依赖版本降级导致 API/Worker 无法启动的风险。 真实计划书复验结果: 产品:Manulife SIUL 3 投保年龄:48 岁 性别:女性 吸烟状态:非吸烟 币种:USD 基本保额:3,000,000 年缴保费:80,060 缴费期:5 年 利益演示:识别到 10 行 验证结果: 后端相关回归测试:91 passed 前端生产构建:通过 API、数据库、Redis、存储、数据表健康检查:全部正常 Celery Worker:已重启并连接 Redis 真实 PDF:确认进入 OCR,不再使用 (cid:...) 乱码 前端构建目录由运行容器挂载,修复已生效
2026-07-31 23:35:45 +08:00
},
2026-07-31 09:50:46 +08:00
temperature=0,
)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
chunk_rows = benefit_data.get("benefit_illustration", []) if isinstance(benefit_data, dict) else []
if isinstance(chunk_rows, list):
benefit_rows.extend(row for row in chunk_rows if isinstance(row, dict))
split_diagnostics["benefit"]["completedChunks"] += 1
record_response("benefit", benefit_resp)
last_response = benefit_resp
2026-07-31 09:50:46 +08:00
except Exception as e:
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
error_text = _format_exception(e)
split_diagnostics["benefit"]["errors"].append({
"chunk": chunk_index,
"error": error_text,
})
logger.warning(
f"[SplitExtract] 利益表分块 {chunk_index}/{len(benefit_chunks)} 提取失败: {error_text}"
)
merged_data["benefit_illustration"] = _merge_rows_by_policy_year(benefit_rows)
completed_benefit_chunks = split_diagnostics["benefit"]["completedChunks"]
if completed_benefit_chunks == len(benefit_chunks) and benefit_chunks:
split_diagnostics["benefit"]["status"] = "success"
elif completed_benefit_chunks > 0:
split_diagnostics["benefit"]["status"] = "partial"
else:
split_diagnostics["benefit"]["status"] = "failed"
split_diagnostics["benefit"]["rowCount"] = len(merged_data["benefit_illustration"])
# ── 第三次调用:提领表(可选,仅储蓄险/IUL──
if normalized_type in ("savings", "iul"):
withdrawal_chunks = _select_page_chunks(
pdf_text,
("提取", "提款", "提领", "提領", "领取", "領取", "withdrawal"),
min_keyword_hits=1,
pages_per_chunk=2,
max_chars=8000,
)
split_diagnostics["withdrawal"].update({
"chunkCount": len(withdrawal_chunks),
"completedChunks": 0,
"errors": [],
})
withdrawal_rows = []
if progress_callback and withdrawal_chunks:
progress_callback(85, "正在提取提领表")
for chunk_index, withdrawal_text in enumerate(withdrawal_chunks, start=1):
withdrawal_prompt = (
"从以下 PDF 文本中提取保险计划书的提领/提款演示表。\n"
"如果文本中没有提领表,输出 {\"withdrawal_illustration\": []}。\n"
"必须输出 JSON 对象,根对象只能包含 withdrawal_illustration 字段;禁止直接输出数组:\n"
'{"withdrawal_illustration": [{"policy_year": 数字, "annual_withdrawal": 数字或null, '
'"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}]}\n\n'
"规则:\n"
"1. 只取\"总额/Total\"列,不取子列\n"
"2. 没有提领表时 withdrawal_illustration 必须为空数组 []\n"
"3. 只输出 JSON无 markdown\n\n"
f"当前分块:{chunk_index}/{len(withdrawal_chunks)}\n"
f"PDF 文本:\n{withdrawal_text}"
)
try:
withdrawal_data, withdrawal_resp = await llm_client.structured_output(
prompt=withdrawal_prompt,
system_prompt="你是保险计划书数据提取专家。只输出 JSON。",
schema={
"type": "object",
"required": ["withdrawal_illustration"],
"properties": {
"withdrawal_illustration": {
"type": "array",
"items": {"type": "object"},
},
},
"additionalProperties": False,
},
temperature=0,
)
chunk_rows = withdrawal_data.get("withdrawal_illustration", []) if isinstance(withdrawal_data, dict) else []
if isinstance(chunk_rows, list):
withdrawal_rows.extend(row for row in chunk_rows if isinstance(row, dict))
split_diagnostics["withdrawal"]["completedChunks"] += 1
record_response("withdrawal", withdrawal_resp)
last_response = withdrawal_resp
except Exception as e:
error_text = _format_exception(e)
split_diagnostics["withdrawal"]["errors"].append({
"chunk": chunk_index,
"error": error_text,
})
logger.warning(
f"[SplitExtract] 提领表分块 {chunk_index}/{len(withdrawal_chunks)} 提取失败: {error_text}"
)
merged_data["withdrawal_illustration"] = _merge_rows_by_policy_year(withdrawal_rows)
completed_withdrawal_chunks = split_diagnostics["withdrawal"]["completedChunks"]
if not withdrawal_chunks:
split_diagnostics["withdrawal"]["status"] = "not_present"
elif completed_withdrawal_chunks == len(withdrawal_chunks):
split_diagnostics["withdrawal"]["status"] = "success"
elif completed_withdrawal_chunks > 0:
split_diagnostics["withdrawal"]["status"] = "partial"
else:
split_diagnostics["withdrawal"]["status"] = "failed"
split_diagnostics["withdrawal"]["rowCount"] = len(merged_data["withdrawal_illustration"])
else:
split_diagnostics["withdrawal"]["status"] = "not_applicable"
2026-07-31 09:50:46 +08:00
# 确保必要字段存在
merged_data.setdefault("benefit_illustration", [])
merged_data.setdefault("withdrawal_illustration", [])
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
merged_data.setdefault("_meta", {})["split_extraction"] = split_diagnostics
2026-07-31 09:50:46 +08:00
return merged_data, last_response
2026-07-23 13:10:50 +08:00
class ExtractionOrchestrator:
2026-07-28 16:45:14 +08:00
"""PDF 提取编排器。
提取策略按优先级
1. 缓存命中 直接返回
2026-07-31 09:00:39 +08:00
2. 正则提取零延迟 关键字段完整则仅用 LLM 做轻量分析
3. 关键字段缺失或正则不足 回退到完整 LLM 提取
2026-07-28 16:45:14 +08:00
"""
# 正则提取行数阈值:低于此值回退到 LLM
REGEX_ROW_THRESHOLD = 3
2026-07-23 13:10:50 +08:00
def __init__(self, use_cache: bool = True, cache_dir: str = ".cache/insurance-ppt"):
self.use_cache = use_cache
self.cache_dir = cache_dir
async def extract_plan(
self,
pdf_path: str,
plan_type: str = "savings",
force_reparse: bool = False,
progress_callback: Optional[Callable[[int, str], None]] = None,
2026-07-31 09:00:39 +08:00
company_id: str = "",
product_id: str = "",
product_name_hint: str = "",
product_aliases: Optional[list[str]] = None,
) -> ExtractionResult:
2026-07-28 16:45:14 +08:00
"""从 PDF 提取结构化数据。
2026-07-31 09:00:39 +08:00
优先使用正则提取~50ms仅在行数不足或关键字段缺失时回退到 LLM
Args:
product_name_hint: 用户选择的产品标准名称用于匹配和纠错
product_aliases: 产品别名列表用于模糊匹配
2026-07-28 16:45:14 +08:00
"""
2026-07-23 13:10:50 +08:00
from insurance.ppt.llm_client import llm_client
from insurance.ppt.prompts import (
SAVINGS_PLAN_SYSTEM_PROMPT, CI_PLAN_SYSTEM_PROMPT, IUL_SYSTEM_PROMPT,
2026-07-28 16:45:14 +08:00
ANALYSIS_SYSTEM_PROMPT, build_analysis_prompt, select_key_pages,
2026-07-23 13:10:50 +08:00
)
2026-07-28 16:45:14 +08:00
from insurance.ppt.regex_extractor import extract_insurance_regex, count_benefit_rows
2026-07-23 13:10:50 +08:00
start = time.time()
abs_path = os.path.abspath(pdf_path)
if not os.path.exists(abs_path):
return ExtractionResult(
pdf_path=abs_path, product_name="unknown", plan_type=plan_type,
status="error", error="文件不存在",
duration_ms=(time.time() - start) * 1000,
)
# 检查缓存
2026-07-25 14:13:38 +08:00
if self.use_cache and not force_reparse:
2026-07-23 13:10:50 +08:00
cached = self._load_from_cache(abs_path)
if cached:
if progress_callback:
progress_callback(100, "已使用历史解析结果")
2026-07-23 13:10:50 +08:00
cached.duration_ms = (time.time() - start) * 1000
return cached
# 提取 PDF 文本
if progress_callback:
progress_callback(10, "正在读取 PDF 文本")
2026-07-31 09:00:39 +08:00
pdf_text, page_qualities = _extract_pdf_text(abs_path)
2026-07-23 13:10:50 +08:00
if not pdf_text:
return ExtractionResult(
pdf_path=abs_path, product_name="unknown", plan_type=plan_type,
status="error", error="无法提取 PDF 文本",
duration_ms=(time.time() - start) * 1000,
)
2026-07-31 09:50:46 +08:00
# 逐页 OCR对低质量页单独 OCR 替换(仅在非全文 OCR 模式下)
if not pdf_text.startswith("[OCR]") and page_qualities:
low_count = sum(1 for q in page_qualities if q.get("quality") in ("corrupted", "low"))
if low_count > 0:
if progress_callback:
progress_callback(20, f"检测到 {low_count} 个低质量页,正在 OCR 补充")
pdf_text = _merge_page_ocr(pdf_text, page_qualities, abs_path)
if progress_callback:
progress_callback(30, "PDF 文本读取完成,正在识别数据表")
2026-07-23 13:10:50 +08:00
2026-07-28 16:45:14 +08:00
# ─── 正则提取(第一阶段,零 LLM 调用)────────────────
regex_start = time.time()
used_ocr = pdf_text.startswith("[OCR]")
2026-07-28 16:45:14 +08:00
regex_data = extract_insurance_regex(pdf_text)
regex_rows = count_benefit_rows(regex_data)
regex_ms = (time.time() - regex_start) * 1000
if progress_callback:
progress_callback(
50,
f"规则识别完成,共识别 {regex_rows} 行利益数据",
)
2026-07-28 16:45:14 +08:00
extraction_stats = {
"regex_rows": regex_rows,
"regex_ms": round(regex_ms, 1),
2026-07-31 09:00:39 +08:00
"page_count": len(page_qualities),
"low_quality_pages": [q["page"] for q in page_qualities if q["quality"] in ("corrupted", "low")],
2026-07-23 13:10:50 +08:00
}
2026-07-28 16:45:14 +08:00
response = None # LLM 响应(可能未调用)
2026-07-31 09:00:39 +08:00
# 质量门:检查正则结果的关键字段完整性
quality_passed, quality_missing = _regex_quality_gate(regex_data, plan_type)
extraction_stats["quality_passed"] = quality_passed
extraction_stats["quality_missing"] = quality_missing
if regex_rows >= self.REGEX_ROW_THRESHOLD and not used_ocr and quality_passed:
# ─── 正则成功且关键字段完整:仅调用 LLM 做轻量分析 ────────────
extraction_stats["method"] = "regex+analysis"
2026-07-28 16:45:14 +08:00
data = regex_data
llm_start = time.time()
try:
# 选取关键页面4-5页~8000字符远小于原来的 20000+
key_pages = select_key_pages(pdf_text, max_pages=5, max_chars=8000)
analysis_prompt = build_analysis_prompt(key_pages, data)
if progress_callback:
progress_callback(60, "正在补充产品分析")
2026-07-28 16:45:14 +08:00
analysis_result, response = await llm_client.structured_output(
prompt=analysis_prompt,
system_prompt=ANALYSIS_SYSTEM_PROMPT,
)
# 将分析结果合并到 data
if isinstance(analysis_result, dict):
data["sales_insights"] = {
"key_points": analysis_result.get("keyPoints", []),
"gaps": analysis_result.get("gaps", []),
"suggested_questions": analysis_result.get("suggestedQuestions", []),
}
extraction_stats["llm_tokens"] = {
"input": response.tokens.get("input", 0) if response.tokens else 0,
"output": response.tokens.get("output", 0) if response.tokens else 0,
}
extraction_stats["llm_ms"] = round((time.time() - llm_start) * 1000, 1)
if progress_callback:
progress_callback(90, "产品分析完成,正在校验数据")
2026-07-28 16:45:14 +08:00
except Exception as e:
# 分析失败不影响已提取的数据,只记日志
logger.warning(f"[ExtractionOrchestrator] LLM 分析失败(不影响数据提取): {_format_exception(e)}")
extraction_stats["llm_error"] = _format_exception(e)
extraction_stats["llm_ms"] = round((time.time() - llm_start) * 1000, 1)
else:
2026-07-31 09:50:46 +08:00
# ─── 正则不足或关键字段缺失:回退到分块 LLM 提取 ────
2026-07-31 09:00:39 +08:00
if not quality_passed:
logger.info(
f"[ExtractionOrchestrator] 正则关键字段缺失({quality_missing}), "
2026-07-31 09:50:46 +08:00
f"回退到分块 LLM 提取"
2026-07-31 09:00:39 +08:00
)
else:
logger.info(
f"[ExtractionOrchestrator] 正则提取行数不足({regex_rows}), "
2026-07-31 09:50:46 +08:00
f"回退到分块 LLM 提取"
2026-07-31 09:00:39 +08:00
)
2026-07-31 09:50:46 +08:00
extraction_stats["method"] = "llm_split"
2026-07-28 16:45:14 +08:00
llm_start = time.time()
try:
if progress_callback:
2026-07-31 09:50:46 +08:00
progress_callback(55, "规则识别不足,正在等待 AI 分块提取")
data, response = await _llm_extract_split(
pdf_text, plan_type, llm_client, progress_callback,
2026-07-28 16:45:14 +08:00
)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
split_meta = ((data.get("_meta") or {}).get("split_extraction") or {})
extraction_stats["llm_blocks"] = {
key: value for key, value in split_meta.items() if key != "tokens"
}
2026-07-31 09:50:46 +08:00
# 检查完整性,对缺失字段做针对性重试
initial_status, initial_error = assess_extraction_payload(data, plan_type)
2026-07-31 09:50:46 +08:00
if initial_status == "partial" and initial_error:
if progress_callback:
2026-07-31 09:50:46 +08:00
progress_callback(88, "首次识别不完整,正在补充关键字段")
# 用正则结果填补 LLM 缺失的字段
if regex_data:
for key in ("product_name", "insured", "policy", "currency"):
if key in regex_data and (key not in data or not data[key]):
data[key] = regex_data[key]
# 利益表:取行数更多的那个
regex_benefit = regex_data.get("benefit_illustration", [])
llm_benefit = data.get("benefit_illustration", [])
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
if len(regex_benefit) > len(llm_benefit) and (quality_passed or not llm_benefit):
2026-07-31 09:50:46 +08:00
data["benefit_illustration"] = regex_benefit
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
extraction_stats["llm_tokens"] = split_meta.get(
"tokens", {"input": 0, "output": 0}
)
if progress_callback:
2026-07-31 09:50:46 +08:00
progress_callback(90, "AI 分块提取完成,正在校验数据")
2026-07-28 16:45:14 +08:00
except Exception as e:
return ExtractionResult(
pdf_path=abs_path, product_name="unknown", plan_type=plan_type,
status="error", error=f"LLM 调用失败: {_format_exception(e)}",
duration_ms=(time.time() - start) * 1000,
)
extraction_stats["llm_ms"] = round((time.time() - llm_start) * 1000, 1)
2026-07-23 13:10:50 +08:00
data = _apply_filename_hints(data, abs_path, plan_type)
2026-07-31 09:00:39 +08:00
# 产品先验匹配:用用户选择的产品信息补正提取结果
if product_name_hint:
extracted_name = _normalized_product_name(data)
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
if extracted_name == "unknown" or _is_obviously_invalid_product_name(extracted_name):
# 用户选择的产品名优先纠正空值和明显误识别(例如 Female
2026-07-31 09:00:39 +08:00
data.setdefault("policy", {})["product_name"] = product_name_hint
主要改动: 修正 benefit_illustration JSON 契约,兼容安全的数组返回格式,并把具体缺失字段反馈给 LLM 重试。[llm_client.py (line 184)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:184) LLM 利益表失败时保留有效正则结果,不再把已有数据全部丢掉。[extraction.py (line 1237)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1237) Female、Male、男女等误识别结果会用用户选择的产品名纠正。[extraction.py (line 521)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:521) 解析缓存升级至 v7,旧错误缓存自动失效。 新增真正的“退保价值”页签,数据来自利益演示中的年度退保价值,不再错误依赖提领数据。[PptDataReview.vue (line 318)](D:/work/code/python/coding/baodanagent/frontend/src/pages/components/ppt/PptDataReview.vue:318) “提领方案”继续作为独立可选情景;0 行不再显示待校对,也不会影响生成 PPT。[validator.py (line 98)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/validator.py:98) 提领表识别支持跨行标题及“提领/领取”等名称。[regex_extractor.py (line 619)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/regex_extractor.py:619) 补充了对应回归测试。[ppt_poster_optimization_test.py](D:/work/code/python/coding/baodanagent/tests/ppt_poster_optimization_test.py) 验证结果: PPT/解析专项测试:51 passed, 1 skipped 新增问题回归测试:32 passed 前端生产构建:通过 Python 语法检查:通过 git diff --check:通过
2026-08-01 01:56:33 +08:00
data["product_name"] = product_name_hint
logger.info(
f"[ExtractionOrchestrator] 提取产品名 '{extracted_name}' 无效,"
f"采用用户选择: {product_name_hint}"
)
2026-07-31 09:00:39 +08:00
elif product_aliases:
# 检查提取的名称是否与别名匹配
extracted_lower = extracted_name.lower()
all_names = [product_name_hint.lower()] + [a.lower() for a in product_aliases]
if not any(n in extracted_lower or extracted_lower in n for n in all_names):
logger.info(
f"[ExtractionOrchestrator] 提取产品名 '{extracted_name}' "
f"与用户选择 '{product_name_hint}' 不匹配,请用户确认"
)
2026-07-23 13:10:50 +08:00
# 推断产品类型
detected_type = plan_type if plan_type in ("savings", "ci", "iul") else infer_plan_type(data)
2026-07-23 13:10:50 +08:00
product_name = _normalized_product_name(data)
status, extraction_error = assess_extraction_payload(data, detected_type)
# 只缓存完整结果,避免后续复用错误或缺字段的解析。
if self.use_cache and status == "success":
self._save_to_cache(abs_path, data)
2026-07-28 16:45:14 +08:00
total_ms = (time.time() - start) * 1000
extraction_stats["total_ms"] = round(total_ms, 1)
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
logger.info(
f"[ExtractionOrchestrator] 提取完成 file={os.path.basename(abs_path)} "
f"status={status}: {extraction_stats}"
)
if progress_callback:
progress_callback(100, "数据校验完成")
2026-07-28 16:45:14 +08:00
2026-07-31 09:50:46 +08:00
# 构建字段级来源追踪
method = extraction_stats.get("method", "unknown")
provenance = _build_provenance(data, regex_data, method, used_ocr)
2026-07-23 13:10:50 +08:00
return ExtractionResult(
pdf_path=abs_path, product_name=product_name,
plan_type=detected_type, status=status, data=data,
主要修改: 利益表按最多两页、9000字符分块调用 LLM,成功分块按保单年度合并、去重、排序。[extraction.py (line 125)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:125) 身份字段只发送关键页面;没有提领关键词时不再发送整份 PDF 做空提领请求。 单个利益分块失败不会丢失其他成功分块,并记录具体分块编号和错误。[extraction.py (line 1161)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:1161) RemoteProtocolError、连接超时、408/429/部分5xx现在会按配置执行真实退避重试;DeepSeek默认最多调用3次。[llm_client.py (line 600)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/llm_client.py:600) 只有一个供应商时,错误信息会明确显示“已配置1个供应商”,不再误导为存在多个备用供应商。 利益表分块失败或储蓄险年度数据不足时,结果标记为 partial,不再伪装完整成功。[extraction.py (line 750)](D:/work/code/python/coding/baodanagent/api/insurance/ppt/extraction.py:750) 会话显示“解析完成,部分文件需校对”,同时保留可人工修正的数据。 日志增加文件名、文件序号、最终状态、利益行数,以及身份/利益各分块/提领的独立耗时、token和错误信息。[celery_tasks.py (line 181)](D:/work/code/python/coding/baodanagent/api/insurance/generation/celery_tasks.py:181) 缓存版本升级至 v8,旧解析缓存自动失效。 验证结果: PPT专项测试:54 passed, 1 skipped 大范围测试:231 passed, 1 skipped 仅剩既有聊天日志测试缺少 Flask application context 完整测试收集另受本机缺少 python-pptx 影响 Python语法检查:通过 前端生产构建:通过 git diff --check:通过
2026-08-01 02:25:35 +08:00
usage=extraction_stats.get("llm_tokens"),
error=extraction_error or None,
2026-07-28 16:45:14 +08:00
duration_ms=total_ms,
2026-07-31 09:50:46 +08:00
provenance=provenance,
page_qualities=page_qualities,
2026-07-23 13:10:50 +08:00
)
async def extract_multiple(self, pdf_paths: list[str], plan_type: str = "savings") -> list[ExtractionResult]:
"""顺序提取多个 PDF。"""
results = []
for pdf_path in pdf_paths:
logger.info(f" 📄 {os.path.basename(pdf_path)}...")
results.append(await self.extract_plan(pdf_path, plan_type))
return results
def _load_from_cache(self, pdf_path: str) -> Optional[ExtractionResult]:
"""从缓存加载。"""
try:
cache_path = _get_cache_path(pdf_path, self.cache_dir)
if not os.path.exists(cache_path):
return None
with open(cache_path, "r", encoding="utf-8") as f:
raw = json.load(f)
meta = raw.get("_meta", {})
if meta.get("cacheVersion") != CACHE_VERSION:
return None
data = raw.get("_data", raw)
product_name = _normalized_product_name(data)
2026-07-23 13:10:50 +08:00
plan_type = infer_plan_type(data)
status, extraction_error = assess_extraction_payload(data, plan_type)
2026-07-23 13:10:50 +08:00
return ExtractionResult(
pdf_path=pdf_path, product_name=product_name,
plan_type=plan_type, status=status, data=data, error=extraction_error or None,
2026-07-23 13:10:50 +08:00
)
except Exception:
return None
def _save_to_cache(self, pdf_path: str, data: dict):
"""写入缓存。"""
try:
os.makedirs(self.cache_dir, exist_ok=True)
file_hash = _hash_file(pdf_path)
cache_data = {
"_data": data,
"_meta": {
"cacheVersion": CACHE_VERSION,
"originalFile": os.path.basename(pdf_path),
"extractedAt": __import__("datetime").datetime.now().isoformat(),
"fileHash": file_hash,
},
}
cache_path = os.path.join(self.cache_dir, f"{file_hash}.json")
with open(cache_path, "w", encoding="utf-8") as f:
json.dump(cache_data, f, ensure_ascii=False, indent=2)
except Exception as e:
logger.warning(f"缓存写入失败: {e}")
2026-07-23 15:04:16 +08:00
async def extract_for_poster(self, filepath: str) -> dict:
"""提取海报所需的关键字段(精简 prompt降低 LLM 成本)。
返回:
{age, gender, currency, sum_assured, premium_term,
annual_premium, coverage_period, key_benefits}
"""
from insurance.ppt.llm_client import llm_client
abs_path = os.path.abspath(filepath)
2026-07-31 09:00:39 +08:00
text, _page_qualities = _extract_pdf_text(abs_path)
2026-07-23 15:04:16 +08:00
if not text:
raise ValueError("无法提取 PDF 文本")
text = text[:6000]
system_prompt = (
"你是一位保险计划书解析专家。请从以下计划书内容中提取海报所需的关键字段。\n"
"输出 JSON 格式(不要包含 markdown 代码块标记):\n"
2026-07-31 09:00:39 +08:00
'{"age": 35, "gender": "male", "currency": "USD", "sum_assured": 500000, '
2026-07-23 15:04:16 +08:00
'"premium_term": 5, "annual_premium": 100000, "coverage_period": "终身", '
'"key_benefits": ["身故赔偿", "全残保障"]}\n'
2026-07-31 09:00:39 +08:00
"注意数值用数字不要带货币符号。gender 用 male/female。"
2026-07-23 15:04:16 +08:00
)
result, _response = await llm_client.structured_output(
text, system_prompt,
schema={
"type": "object",
"properties": {
"age": {"type": "number"},
"gender": {"type": "string"},
"currency": {"type": "string"},
"sum_assured": {"type": "number"},
"premium_term": {"type": "number"},
"annual_premium": {"type": "number"},
"coverage_period": {"type": "string"},
"key_benefits": {"type": "array", "items": {"type": "string"}},
},
"required": ["age", "gender", "currency", "sum_assured", "annual_premium"],
},
)
return result