# 🎯 生成专业提示词代码逻辑分析

## 📋 系统概述

生成专业提示词系统是一个基于Flask的Web应用，采用前后端分离架构，集成了DeepSeek LLM API，实现了智能化的提示词生成功能。

## 🏗️ 系统架构

### 1. 技术栈
- **后端**: Flask + SQLAlchemy + PyMySQL
- **前端**: HTML5 + CSS3 + JavaScript + Bootstrap
- **数据库**: MySQL (本地 + 腾讯云)
- **LLM API**: DeepSeek Chat API
- **部署**: Gunicorn + Nginx

### 2. 核心组件
- **路由层**: Flask Blueprint路由管理
- **模型层**: SQLAlchemy ORM模型
- **服务层**: LLM API集成服务
- **视图层**: Jinja2模板渲染
- **静态资源**: CSS/JS资源管理

## 🔄 完整生成流程

### 第一阶段：用户交互层

#### 1.1 前端界面 (`generate.html`)
```html
<!-- 模板选择区域 -->
<div class="template-grid">
    {% for template in templates %}
    <div class="template-card" data-template-id="{{ template.id }}">
        <input type="radio" name="template_id" value="{{ template.id }}">
        <label>{{ template.name }}</label>
    </div>
    {% endfor %}
</div>

<!-- 需求输入区域 -->
<div class="input-section">
    <textarea name="input_text" placeholder="请详细描述您的需求..."></textarea>
</div>

<!-- 生成按钮 -->
<button type="submit" class="btn-generate">生成专业提示词</button>
```

#### 1.2 JavaScript交互逻辑
```javascript
// 模板选择处理
function handleTemplateSelection(radio) {
    const card = radio.closest('.template-card');
    const templateId = card.dataset.templateId;
    
    // 添加选择动画
    card.classList.add('selecting');
    
    // 更新选择状态
    updateSelectionStatus();
    
    // 添加到选择历史
    addToSelectionHistory(templateId, templateName);
}

// 表单提交处理
document.getElementById('promptForm').addEventListener('submit', function(e) {
    e.preventDefault();
    
    const formData = new FormData(this);
    const templateId = formData.get('template_id');
    const inputText = formData.get('input_text');
    
    // 发送AJAX请求
    fetch('/', {
        method: 'POST',
        body: formData
    })
    .then(response => response.text())
    .then(html => {
        // 更新页面内容
        document.body.innerHTML = html;
    });
});
```

### 第二阶段：后端处理层

#### 2.1 路由处理 (`routes.py`)
```python
@main_bp.route('/', methods=['GET', 'POST'])
def index():
    form = PromptForm()
    templates = PromptTemplate.query.all()
    
    if form.validate_on_submit():
        # 获取用户输入和模板ID
        template_id = request.form.get('template_id')
        input_text = form.input_text.data
        
        # 调用LLM生成提示词
        generated_text = generate_with_llm(input_text, template_id)
        
        # 保存到数据库
        prompt = Prompt(
            input_text=input_text,
            generated_text=generated_text,
            user_id=get_user_id()
        )
        db.session.add(prompt)
        db.session.commit()
        
        # 返回结果页面
        return render_template('generate.html', 
                             form=form, 
                             prompt=prompt, 
                             templates=templates)
    
    return render_template('generate.html', 
                         form=form, 
                         templates=templates)
```

#### 2.2 模板系统逻辑
```python
def get_system_prompt(template_id=None):
    """获取系统提示词模板"""
    if template_id:
        # 根据模板ID获取特定模板
        template = PromptTemplate.query.get(template_id)
        if template:
            return template.system_prompt
    
    # 获取默认模板
    default_template = PromptTemplate.query.filter_by(is_default=True).first()
    if default_template:
        return default_template.system_prompt
    
    # 硬编码默认模板
    return """你是一个专业的提示词工程师，擅长将普通的描述转换为结构化、专业的 Prompt。
    
你需要：
1. 分析用户的需求和意图
2. 将其转换为清晰、详细的提示词
3. 添加必要的上下文和约束条件
4. 使用专业的术语和格式
5. 确保生成的提示词能够获得最佳的 AI 响应

请直接返回优化后的提示词，不要添加任何解释或其他内容。"""
```

### 第三阶段：LLM集成层

#### 3.1 API配置
```python
# OpenAI兼容客户端配置
client = OpenAI(
    api_key='sk-fdf7cc1c73504e628ec0119b7e11b8cc',
    base_url='https://api.deepseek.com/v1'
)
```

#### 3.2 LLM调用逻辑
```python
def generate_with_llm(input_text, template_id=None, max_retries=3):
    """调用大模型API生成提示词，带重试机制"""
    system_prompt = get_system_prompt(template_id)
    
    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(
                model="deepseek-chat",
                messages=[
                    {"role": "system", "content": system_prompt},
                    {"role": "user", "content": input_text}
                ],
                temperature=0.7,
                max_tokens=500,
                timeout=60
            )
            
            generated_text = response.choices[0].message.content.strip()
            return generated_text
            
        except Exception as e:
            if attempt == max_retries - 1:
                current_app.logger.error(f'LLM API调用失败: {str(e)}')
                return "提示词生成失败，请稍后重试"
            time.sleep(2 ** attempt)  # 指数退避
```

### 第四阶段：专家模式生成

#### 4.1 两阶段专家系统
```python
@main_bp.route('/api/wx/generate/expert', methods=['POST'])
def wx_generate_expert_prompt():
    """两阶段专家提示词生成系统"""
    
    # 第一阶段：意图识别专家
    intent_analyst_prompt = """你是一位资深的意图分析专家，请分析用户输入的意图和需求。

你必须严格按照以下JSON格式返回：
{
    "core_intent": "技术",  // 技术、创意、分析、咨询
    "domain": "web开发",    // 具体的专业领域
    "key_requirements": [   // 2-4个关键需求
        "需求1", "需求2"
    ],
    "expected_output": "期望输出的具体形式",
    "constraints": [        // 1-3个主要约束
        "约束1", "约束2"
    ],
    "keywords": [          // 2-4个关键词
        "关键词1", "关键词2"
    ]
}"""

    # 获取意图分析结果
    intent_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": intent_analyst_prompt},
            {"role": "user", "content": user_input}
        ],
        temperature=0.1
    )
    
    intent_analysis = json.loads(intent_response.choices[0].message.content.strip())
    
    # 第二阶段：领域专家提示生成
    domain_expert_templates = {
        "技术": """你是一位专业的技术领域提示工程师。基于以下意图分析，生成一个专业的技术任务提示词：
        
意图分析：{analysis}

请生成的提示词包含：
1. 明确的技术背景和上下文
2. 具体的技术要求和规范
3. 性能和质量标准
4. 技术约束条件
5. 预期交付成果
6. 评估标准

使用专业技术术语，确保提示词的可执行性和可验证性。""",
        
        "创意": """你是一位专业的创意领域提示工程师。基于以下意图分析，生成一个创意设计提示词：
        
意图分析：{analysis}

请生成的提示词包含：
1. 创意方向和灵感来源
2. 风格和氛围要求
3. 目标受众定义
4. 设计元素规范
5. 创意表现形式
6. 评估标准

使用专业创意术语，确保提示词的创新性和可执行性。"""
    }
    
    # 选择领域专家模板
    expert_prompt = domain_expert_templates.get(
        intent_analysis['core_intent'], 
        default_template
    )
    
    # 生成最终提示词
    final_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": expert_prompt.format(
                analysis=json.dumps(intent_analysis, ensure_ascii=False, indent=2)
            )},
            {"role": "user", "content": user_input}
        ],
        temperature=0.7
    )
    
    generated_prompt = final_response.choices[0].message.content.strip()
    
    return jsonify({
        'code': 200,
        'data': {
            'intent_analysis': intent_analysis,
            'generated_prompt': generated_prompt
        }
    })
```

## 🗄️ 数据库设计

### 1. 核心表结构

#### Prompt表 (主要数据表)
```sql
CREATE TABLE prompt (
    id INT PRIMARY KEY AUTO_INCREMENT,
    input_text TEXT NOT NULL,
    generated_text TEXT NOT NULL,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
    user_id INT,
    wx_user_id INT,
    FOREIGN KEY (user_id) REFERENCES user(uid),
    FOREIGN KEY (wx_user_id) REFERENCES wx_user(id)
);
```

#### PromptTemplate表 (模板管理)
```sql
CREATE TABLE prompt_template (
    id INT PRIMARY KEY AUTO_INCREMENT,
    name VARCHAR(100) NOT NULL,
    description TEXT,
    category VARCHAR(50),
    industry VARCHAR(50),
    profession VARCHAR(50),
    sub_category VARCHAR(50),
    system_prompt TEXT NOT NULL,
    is_default BOOLEAN DEFAULT FALSE,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
```

### 2. 数据流转
```
用户输入 → 模板选择 → LLM处理 → 结果生成 → 数据库存储 → 页面展示
```

## 🎨 前端交互逻辑

### 1. 模板选择系统
```javascript
// 模板筛选逻辑
function performSearchAndFilter() {
    const searchTerm = document.getElementById('templateSearch').value.toLowerCase();
    const selectedCategory = document.querySelector('.filter-tab.active')?.dataset.category;
    
    document.querySelectorAll('.template-card').forEach(card => {
        const templateName = card.querySelector('h3').textContent.toLowerCase();
        const templateCategory = card.dataset.category;
        
        const matchesSearch = templateName.includes(searchTerm);
        const matchesCategory = !selectedCategory || templateCategory === selectedCategory;
        
        card.style.display = (matchesSearch && matchesCategory) ? 'block' : 'none';
    });
}

// 选择状态管理
function updateSelectionStatus() {
    const selectedTemplates = document.querySelectorAll('input[name="template_id"]:checked');
    const selectedCount = selectedTemplates.length;
    
    document.getElementById('selectedCount').textContent = selectedCount;
    document.getElementById('selectionStatus').style.display = selectedCount > 0 ? 'block' : 'none';
}
```

### 2. 用户体验优化
```javascript
// 现代交互功能
function initializeModernInteractions() {
    // 平滑滚动
    initializeSmoothScroll();
    
    // 焦点管理
    initializeFocusManagement();
    
    // 悬停效果
    initializeHoverEffects();
    
    // 键盘导航
    initializeKeyboardNavigation();
    
    // 性能优化
    initializePerformanceOptimizations();
}

// 防抖搜索
let searchTimeout;
document.getElementById('templateSearch').addEventListener('input', function() {
    clearTimeout(searchTimeout);
    searchTimeout = setTimeout(() => {
        performSearchAndFilter();
    }, 300);
});
```

## ⚙️ 配置管理

### 1. 环境配置
```python
class Config:
    # 数据库配置
    SQLALCHEMY_DATABASE_URI = 'mysql+pymysql://root:123456@localhost:3306/pro_db?charset=utf8mb4'
    TENCENT_SQLALCHEMY_DATABASE_URI = 'mysql+pymysql://root:!Rjb12191@gz-cynosdbmysql-grp-d26pzce5.sql.tencentcdb.com:24936/pro_db?charset=utf8mb4'
    
    # LLM API配置
    LLM_API_URL = 'https://api.deepseek.com/v1'
    LLM_API_KEY = 'sk-fdf7cc1c73504e628ec0119b7e11b8cc'
    
    # 微信小程序配置
    WX_APPID = 'wx2c65877d37fc29bf'
    WX_SECRET = '89aa97dda3c1347c6ae3d6ab4627f1f4'
```

### 2. 部署配置
```python
# Gunicorn配置 (gunicorn.conf.py)
bind = "0.0.0.0:5002"
workers = multiprocessing.cpu_count() * 2 + 1
worker_class = "sync"
timeout = 120
accesslog = "logs/gunicorn_access.log"
errorlog = "logs/gunicorn_error.log"
```

## 🔧 核心功能实现

### 1. 模板管理系统
- **模板分类**: 按行业、职业、领域分类
- **模板选择**: 单选模式，支持默认模板
- **模板搜索**: 实时搜索和筛选
- **模板历史**: 记录用户选择历史

### 2. 生成引擎
- **普通模式**: 单次LLM调用
- **专家模式**: 两阶段专家系统
- **重试机制**: 指数退避重试
- **错误处理**: 完善的异常处理

### 3. 数据管理
- **用户数据**: 支持普通用户和微信用户
- **历史记录**: 完整的生成历史管理
- **数据导出**: 支持JSON格式导出
- **统计分析**: 使用统计和分析

## 🚀 性能优化

### 1. 前端优化
- **懒加载**: 图片和资源懒加载
- **防抖搜索**: 减少API调用频率
- **缓存策略**: 模板数据缓存
- **响应式设计**: 移动端适配

### 2. 后端优化
- **连接池**: 数据库连接池管理
- **重试机制**: LLM API调用重试
- **日志记录**: 详细的日志追踪
- **错误处理**: 优雅的错误处理

### 3. 数据库优化
- **索引优化**: 关键字段索引
- **查询优化**: 减少N+1查询
- **分页查询**: 大数据量分页
- **连接管理**: 连接池和超时设置

## 📊 监控和日志

### 1. 日志系统
```python
# 配置日志
logger = logging.getLogger(__name__)

# API调用日志
logger.info("=== API 调用参数 ===")
logger.info(f"模板ID: {template_id}")
logger.info(f"输入文本: {input_text}")
logger.info(f"系统提示: {system_prompt}")

# 错误日志
current_app.logger.error(f'LLM API调用失败: {str(e)}')
```

### 2. 性能监控
- **响应时间**: API调用响应时间
- **成功率**: 生成成功率统计
- **错误率**: 错误类型和频率
- **用户行为**: 用户使用模式分析

## 🎯 总结

生成专业提示词系统采用了现代化的架构设计，具有以下特点：

### 优势
1. **架构清晰**: 前后端分离，职责明确
2. **功能完整**: 支持多种生成模式
3. **用户体验**: 现代化的交互设计
4. **扩展性强**: 支持模板和功能扩展
5. **性能优化**: 多层次的性能优化

### 技术亮点
1. **两阶段专家系统**: 意图识别 + 领域专家
2. **智能模板选择**: 基于用户行为的推荐
3. **多数据库支持**: 本地 + 腾讯云
4. **完善的错误处理**: 重试机制和降级策略
5. **现代化前端**: 响应式设计和交互优化

这个系统为用户提供了专业、高效的提示词生成服务，通过智能化的模板选择和专家级的生成逻辑，帮助用户快速生成高质量的AI提示词。

---
*分析完成时间：2025年1月*
*系统版本：v1.0*
*维护人员：系统管理员*