走完初步流程
This commit is contained in:
462
example-analysis.md
Normal file
462
example-analysis.md
Normal file
@@ -0,0 +1,462 @@
|
||||
# example.ts 代码分析文档
|
||||
|
||||
## 一、文件概述
|
||||
|
||||
`example.ts` 是 LLMWiki 项目的**核心导入管道（Ingest Pipeline）**实现，负责将源文档（PDF/DOCX/PPTX/Markdown 等）自动转换为结构化的 Wiki 页面。
|
||||
|
||||
**核心职责：**
|
||||
- 读取源文件内容
|
||||
- 提取嵌入图片并生成描述
|
||||
- 通过 LLM 两阶段分析（分析 → 生成）将源文档转化为 Wiki 页面
|
||||
- 处理长文档的分块分析
|
||||
- 写入文件并管理缓存
|
||||
- 生成嵌入向量（可选）
|
||||
|
||||
---
|
||||
|
||||
## 二、整体架构
|
||||
|
||||
```
|
||||
源文件输入
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────┐
|
||||
│ autoIngest() │
|
||||
│ （项目级锁入口） │
|
||||
│ │
|
||||
│ ┌─ Step 0: 缓存检查 │
|
||||
│ │ ├─ HIT → 跳至图片处理 → 返回 │
|
||||
│ │ └─ MISS → 继续全量管道 │
|
||||
│ │ │
|
||||
│ ┌─ Step 0.5: 图片提取 │
|
||||
│ │ └─ extractAndSaveSourceImages() │
|
||||
│ │ │
|
||||
│ ┌─ Step 0.6: 图片描述（Caption） │
|
||||
│ │ └─ captionMarkdownImages() │
|
||||
│ │ │
|
||||
│ ┌─ 长文档预算检查 │
|
||||
│ │ ├─ 超长 → analyzeLongSourceInChunks() │
|
||||
│ │ └─ 正常 → 直接传入 │
|
||||
│ │ │
|
||||
│ ┌─ Step 1: 分析阶段 │
|
||||
│ │ └─ streamChat(buildAnalysisPrompt()) │
|
||||
│ │ │
|
||||
│ ┌─ Step 2: 生成阶段 │
|
||||
│ │ └─ streamChat(buildGenerationPrompt()) │
|
||||
│ │ │
|
||||
│ ┌─ Step 2.5: Review 建议（可选） │
|
||||
│ │ └─ streamChat(buildReviewSuggestionPrompt()) │
|
||||
│ │ │
|
||||
│ ┌─ Step 3: 文件写入 │
|
||||
│ │ └─ writeFileBlocks() │
|
||||
│ │ │
|
||||
│ ┌─ Step 3.5: 图片注入源摘要页 │
|
||||
│ │ └─ injectImagesIntoSourceSummary() │
|
||||
│ │ │
|
||||
│ ┌─ Step 4: Review 项解析 │
|
||||
│ │ └─ parseReviewBlocks() │
|
||||
│ │ │
|
||||
│ ┌─ Step 5: 缓存保存 │
|
||||
│ │ └─ saveIngestCache() │
|
||||
│ │ │
|
||||
│ ┌─ Step 6: 嵌入生成（可选） │
|
||||
│ │ └─ embedPage() │
|
||||
│ └───────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
Wiki 页面输出
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 三、核心流程详解
|
||||
|
||||
### 3.1 入口：`autoIngest()`
|
||||
|
||||
```typescript
|
||||
autoIngest(
|
||||
projectPath: string, // 项目根目录
|
||||
sourcePath: string, // 源文件路径
|
||||
llmConfig: LlmConfig, // LLM 配置
|
||||
signal?: AbortSignal, // 取消信号
|
||||
folderContext?: string, // 文件夹上下文（用于分类提示）
|
||||
): Promise<string[]> // 返回已写入文件路径列表
|
||||
```
|
||||
|
||||
**关键设计：**
|
||||
- 使用 `withProjectLock()` 确保同一项目不会并发执行多个导入任务
|
||||
- 锁的必要性：分析阶段读取 `wiki/index.md`，生成阶段覆盖它，不串行化会导致互相覆盖
|
||||
|
||||
### 3.2 缓存机制
|
||||
|
||||
**检查逻辑：**
|
||||
```
|
||||
checkIngestCache(projectPath, sourceIdentity, sourceContent)
|
||||
├─ 源内容未变化 → 返回缓存的文件列表（跳过 LLM 调用）
|
||||
└─ 源内容有变化 → 返回 null（走全量管道）
|
||||
```
|
||||
|
||||
**缓存命中时的行为：**
|
||||
- 仍然执行图片提取（用户可能在旧版本导入过，当时没有图片功能）
|
||||
- 仍然执行图片描述注入
|
||||
- 跳过 Step 1~2（LLM 分析 + 生成）
|
||||
|
||||
### 3.3 图片处理管道
|
||||
|
||||
#### Step 0.5：图片提取
|
||||
|
||||
```
|
||||
extractAndSaveSourceImages(projectPath, sourcePath, sourceSummarySlug)
|
||||
↓
|
||||
wiki/media/<source-slug>/image1.png
|
||||
wiki/media/<source-slug>/image2.png
|
||||
...
|
||||
```
|
||||
|
||||
**支持格式：** PDF、PPTX、DOCX（通过 pdfium 等后端提取）
|
||||
|
||||
**去重策略：**
|
||||
- 使用 `ingestImageExtractionPromises` Map 缓存 Promise
|
||||
- 键 = `项目路径 + 源路径 + slug + 文件大小:修改时间`
|
||||
- 最大 32 个缓存条目，超出时淘汰最旧
|
||||
|
||||
#### Step 0.6：图片描述（Caption）
|
||||
|
||||
```
|
||||
captionMarkdownImages(projectPath, enrichedSourceContent, captionLlm, {
|
||||
shouldCaption: (url) => url.startsWith(ourMediaPrefix), // 只处理当前导入的图片
|
||||
urlToAbsPath: (url) => promptImageUrlToAbs(pp, url),
|
||||
concurrency: mmCfg.concurrency,
|
||||
onProgress: (done, total) => activity.updateItem(...),
|
||||
})
|
||||
```
|
||||
|
||||
**为什么需要描述：**
|
||||
- 空 `alt` 的图片在文本摘要时会被 LLM 静默丢弃
|
||||
- 有了描述后，alt 文本携带足够语义，生成 LLM 会保留图片引用
|
||||
|
||||
**描述缓存：**
|
||||
- SHA-256 键值缓存（`.llm-wiki/image-caption-cache.json`）
|
||||
- 跨文档去重（共享的 logo/图表模板只描述一次）
|
||||
|
||||
**主开关行为：**
|
||||
- 当 `multimodalConfig.enabled = false` 时：
|
||||
- 不仅跳过 Caption LLM 调用
|
||||
- 还会从 `sourceContent` 中剥离 `` 引用
|
||||
- 跳过后续的图片注入
|
||||
- 净效果：Wiki 侧完全不引用图片
|
||||
|
||||
### 3.4 长文档处理
|
||||
|
||||
**触发条件：** `enrichedSourceContent.length > sourceBudget`
|
||||
|
||||
**预算计算：**
|
||||
```typescript
|
||||
sourceBudget = maxCtx - responseReserve - stableReserve - instructionReserve
|
||||
// 范围限制在 [8000, min(300000, maxCtx * 0.6)]
|
||||
```
|
||||
|
||||
**分块策略：**
|
||||
```
|
||||
splitSourceIntoSemanticChunks(content, targetChars, overlapChars)
|
||||
↓
|
||||
按段落/章节边界分割，每块带 8% 重叠（800~3000 字符）
|
||||
```
|
||||
|
||||
**分块分析流程：**
|
||||
```
|
||||
对每个 chunk：
|
||||
├─ streamChat(buildChunkAnalysisSystemPrompt(), buildChunkAnalysisUserPrompt())
|
||||
├─ 提取 "Chunk Analysis" 和 "Updated Global Digest"
|
||||
├─ 更新全局摘要（最长 15000 字符）
|
||||
└─ 保存检查点（支持中断恢复）
|
||||
```
|
||||
|
||||
**检查点机制：**
|
||||
- 路径：`.llm-wiki/ingest-progress/<slug>-<hash>.json`
|
||||
- 包含：源哈希、块数量、已完成进度、全局摘要、各块分析
|
||||
- 兼容性验证：版本、源哈希、源长度、块参数全部匹配才恢复
|
||||
|
||||
**最终合并：**
|
||||
```
|
||||
Consolidated Long-Document Analysis
|
||||
├─ Final Global Digest
|
||||
└─ Per-Chunk Analyses
|
||||
```
|
||||
|
||||
### 3.5 Step 1：分析阶段
|
||||
|
||||
**System Prompt 结构：**
|
||||
```
|
||||
buildAnalysisPrompt(purpose, index, sourceContent)
|
||||
├─ 角色设定：专业研究分析师
|
||||
├─ 语言规则
|
||||
├─ 分析框架：
|
||||
│ ├─ 关键实体（人物、组织、产品、数据集、工具）
|
||||
│ ├─ 关键概念（理论、方法、技术、现象）
|
||||
│ ├─ 主要论点与发现
|
||||
│ ├─ 与现有 Wiki 的关联
|
||||
│ ├─ 矛盾与张力
|
||||
│ └─ 建议
|
||||
├─ Wiki 目的（可选）
|
||||
└─ 当前 Wiki 索引（可选）
|
||||
```
|
||||
|
||||
**User Message 结构：**
|
||||
```
|
||||
Analyze this source document:
|
||||
|
||||
**File:** ${sourceIdentity}
|
||||
**Folder context:** ${folderContext} （可选）
|
||||
|
||||
---
|
||||
|
||||
${sourceContext}
|
||||
```
|
||||
|
||||
**LLM 参数：**
|
||||
- `temperature: 0.1`（低随机性，确保一致性）
|
||||
- `reasoning.mode: "off"`（关闭推理模式）
|
||||
- `max_tokens: 4096`
|
||||
|
||||
### 3.6 Step 2：生成阶段
|
||||
|
||||
**System Prompt 结构：**
|
||||
```
|
||||
buildGenerationPrompt(schema, purpose, index, sourceFileName, ...)
|
||||
├─ 角色设定：Wiki 维护者
|
||||
├─ 语言规则
|
||||
├─ 源文件信息
|
||||
├─ 项目 Schema（如有）
|
||||
├─ 生成清单：
|
||||
│ 1. 源摘要页（wiki/sources/<slug>.md）
|
||||
│ 2. 实体页（wiki/entities/ 或 schema 定义目录）
|
||||
│ 3. 概念页（wiki/concepts/ 或 schema 定义目录）
|
||||
│ 4. 更新 wiki/index.md
|
||||
│ 5. 日志条目（wiki/log.md）
|
||||
│ 6. 更新 wiki/overview.md
|
||||
├─ Frontmatter 规则（严格 YAML 格式）
|
||||
├─ Review 块类型
|
||||
└─ 输出格式（FILE 块 + 可选 REVIEW 块）
|
||||
```
|
||||
|
||||
**User Message 结构：**
|
||||
```
|
||||
Source document to process: **${sourceIdentity}**
|
||||
|
||||
The Stage 1 analysis below is CONTEXT to inform your output.
|
||||
Do NOT echo its tables, bullet points, or prose.
|
||||
|
||||
## Stage 1 Analysis (context only — do not repeat)
|
||||
|
||||
${analysis}
|
||||
|
||||
## Source Context
|
||||
|
||||
${sourceContext}
|
||||
|
||||
---
|
||||
|
||||
Now emit the FILE blocks for the wiki files derived from **${sourceIdentity}**.
|
||||
Your response MUST begin with `---FILE:` as the very first characters.
|
||||
```
|
||||
|
||||
**LLM 参数：**
|
||||
- `max_tokens` 根据上下文窗口动态计算：
|
||||
- 默认：8192
|
||||
- 128K 上下文：16384
|
||||
- 256K 上下文：24576
|
||||
- 512K 上下文：32768
|
||||
|
||||
### 3.7 Step 2.5：Review 建议（可选）
|
||||
|
||||
**触发条件：**
|
||||
```typescript
|
||||
shouldRunDedicatedReviewStage(generation):
|
||||
generation.length >= 10000 // 响应足够长
|
||||
|| countFileBlocks(generation) >= 4 // 生成了足够多文件
|
||||
|| /---REVIEW:/.test(generation) // 已有 REVIEW 块
|
||||
```
|
||||
|
||||
**System Prompt：**
|
||||
```
|
||||
buildReviewSuggestionPrompt(purpose, index, sourceIdentity, analysis, sourceContext, generation)
|
||||
├─ 角色：识别高价值后续研究项
|
||||
├─ 仅输出 REVIEW 块（不生成 Wiki 页面）
|
||||
├─ 来源上下文（截断到预算内）
|
||||
└─ 生成的 Wiki 输出（截断到预算内）
|
||||
```
|
||||
|
||||
### 3.8 Step 3：文件写入
|
||||
|
||||
**解析 FILE 块：**
|
||||
```typescript
|
||||
parseFileBlocks(text): ParseFileBlocksResult
|
||||
├─ blocks: ParsedFileBlock[]
|
||||
└─ warnings: string[]
|
||||
```
|
||||
|
||||
**解析器修复的问题：**
|
||||
| 问题 | 描述 | 修复方式 |
|
||||
|------|------|----------|
|
||||
| H1 | Windows CRLF 行尾 | 先规范化为 LF |
|
||||
| H2 | 流截断导致最后一个块丢失 | 发出警告 |
|
||||
| H3 | 标记空白/大小写变体 | 正则不区分大小写，容忍空白 |
|
||||
| H5 | 代码块内的字面量 `---END FILE---` | 追踪 fence 状态，fence 内不关闭 |
|
||||
| H6 | 空路径块静默丢弃 | 发出警告 |
|
||||
|
||||
**路径安全校验：**
|
||||
```typescript
|
||||
isSafeIngestPath(p): boolean
|
||||
├─ 必须是 wiki/ 下的路径
|
||||
├─ 禁止绝对路径
|
||||
├─ 禁止 .. 片段
|
||||
├─ 禁止 Windows 无效字符
|
||||
├─ 禁止保留设备名（CON、PRN、AUX、NUL、COM1-9、LPT1-9）
|
||||
└─ 禁止 NUL/控制字符
|
||||
```
|
||||
|
||||
**写入策略（按路径类型）：**
|
||||
|
||||
| 路径类型 | 策略 |
|
||||
|----------|------|
|
||||
| `wiki/log.md` | 追加模式（append） |
|
||||
| `wiki/index.md` / `wiki/overview.md` | 全覆盖（overwrite） |
|
||||
| 内容页（entities/concepts/等） | 合并模式（merge） |
|
||||
|
||||
**合并策略三层：**
|
||||
1. Frontmatter 数组字段（sources、tags、related）→ 并集合并
|
||||
2. 正文内容不同 → LLM 生成合并版本
|
||||
3. 锁定字段（type、title、created）→ 保留原值，updated 更新为当天
|
||||
|
||||
**合并失败回退：**
|
||||
- LLM 合并失败 → 使用传入正文 + 数组字段并集
|
||||
- 合并前备份原文件到 `.llm-wiki/page-history/`
|
||||
|
||||
**语言守卫：**
|
||||
```typescript
|
||||
contentMatchesTargetLanguage(content, target): boolean
|
||||
├─ 剥离 frontmatter + 代码块 + 数学块
|
||||
├─ 检测剩余文本语言
|
||||
└─ CJK 目标接受 CJK 变体，Latin 目标接受 Latin 家族
|
||||
```
|
||||
|
||||
### 3.9 Step 4~6：收尾
|
||||
|
||||
**Step 4：Review 项解析**
|
||||
```typescript
|
||||
parseReviewBlocks(text, sourcePath): ReviewItem[]
|
||||
├─ 类型：contradiction / duplicate / missing-page / suggestion
|
||||
├─ OPTIONS：预定义选项
|
||||
├─ PAGES：受影响页面
|
||||
└─ SEARCH：优化搜索查询（用于 Deep Research）
|
||||
```
|
||||
|
||||
**Step 5：缓存保存**
|
||||
- 仅当无硬失败（磁盘满、权限错误等）时保存
|
||||
- 软丢弃（语言不匹配、路径穿越拒绝）不影响缓存
|
||||
|
||||
**Step 6：嵌入生成**
|
||||
- 跳过 index、log、overview 页面
|
||||
- 从 frontmatter 提取 title
|
||||
- 调用 `embedPage()` 生成向量
|
||||
|
||||
---
|
||||
|
||||
## 四、辅助入口：`startIngest()` 和 `executeIngestWrites()`
|
||||
|
||||
这两个函数服务于**交互式聊天模式**（用户在 UI 中手动触发导入）：
|
||||
|
||||
### `startIngest()`
|
||||
- 设置聊天模式为 "ingest"
|
||||
- 提前提取图片（与 LLM 分析并行）
|
||||
- 发送分析请求并流式展示结果
|
||||
|
||||
### `executeIngestWrites()`
|
||||
- 接收聊天历史作为上下文
|
||||
- 构建生成提示
|
||||
- 解析 FILE 块并写入文件
|
||||
- 注入图片引用到源摘要页
|
||||
|
||||
---
|
||||
|
||||
## 五、关键数据结构
|
||||
|
||||
### FILE 块格式
|
||||
```
|
||||
---FILE: wiki/path/to/page.md---
|
||||
---
|
||||
type: entity
|
||||
title: Example Entity
|
||||
created: 2026-04-29
|
||||
updated: 2026-04-29
|
||||
tags: [example, demo]
|
||||
related: [related-slug-1]
|
||||
sources: ["source-file.pdf"]
|
||||
---
|
||||
|
||||
# Example Entity
|
||||
|
||||
Body content here.
|
||||
---END FILE---
|
||||
```
|
||||
|
||||
### REVIEW 块格式
|
||||
```
|
||||
---REVIEW: suggestion | Precise Title---
|
||||
Description of the gap and why it matters.
|
||||
OPTIONS: Create Page | Skip
|
||||
PAGES: wiki/page1.md, wiki/page2.md
|
||||
SEARCH: query 1 | query 2 | query 3
|
||||
---END REVIEW---
|
||||
```
|
||||
|
||||
### 检查点结构
|
||||
```typescript
|
||||
interface LongSourceCheckpoint {
|
||||
version: 1
|
||||
sourceIdentity: string
|
||||
sourceHash: string // FNV-1a 64-bit hash
|
||||
sourceLength: number
|
||||
sourceBudget: number
|
||||
targetChars: number
|
||||
overlapChars: number
|
||||
chunkTotal: number
|
||||
completedThrough: number // 已完成到第几个块
|
||||
globalDigest: string // 全局摘要
|
||||
analyses: string[] // 各块分析
|
||||
updatedAt: number
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 六、常量配置
|
||||
|
||||
| 常量 | 值 | 说明 |
|
||||
|------|-----|------|
|
||||
| `LONG_SOURCE_MIN_BUDGET` | 8,000 | 长文档最小预算 |
|
||||
| `LONG_SOURCE_MAX_SINGLE_PASS_BUDGET` | 300,000 | 长文档单次最大预算 |
|
||||
| `LONG_SOURCE_CHUNK_MIN` | 12,000 | 分块最小大小 |
|
||||
| `LONG_SOURCE_CHUNK_MAX` | 60,000 | 分块最大大小 |
|
||||
| `LONG_SOURCE_DIGEST_MAX` | 15,000 | 全局摘要最大长度 |
|
||||
| `LONG_SOURCE_CHUNK_ANALYSIS_MAX` | 40,000 | 单块分析最大长度 |
|
||||
| `REVIEW_STAGE_MIN_SIGNAL_CHARS` | 10,000 | Review 阶段最小信号字符 |
|
||||
| `REVIEW_STAGE_MIN_FILE_BLOCKS` | 4 | Review 阶段最小文件块数 |
|
||||
|
||||
---
|
||||
|
||||
## 七、与 Python 项目的映射关系
|
||||
|
||||
| TypeScript 模块 | Python 对应模块 | 状态 |
|
||||
|----------------|----------------|------|
|
||||
| `autoIngest()` | `src/main.py::main()` | 部分实现 |
|
||||
| `buildAnalysisPrompt()` | `src/prompt.py::build_analysis_prompt()` | 已实现 |
|
||||
| `sourceIdentityForPath()` | `src/source.py::source_identity_for_path()` | 已实现 |
|
||||
| `streamChat()` | `src/llm.py::query_analysis()` | 已实现 |
|
||||
| `parseFileBlocks()` | 待实现 | 未实现 |
|
||||
| `writeFileBlocks()` | 待实现 | 未实现 |
|
||||
| `splitSourceIntoSemanticChunks()` | 待实现 | 未实现 |
|
||||
| `analyzeLongSourceInChunks()` | 待实现 | 未实现 |
|
||||
| `checkIngestCache()` | 待实现 | 未实现 |
|
||||
| 图片提取管道 | 待实现 | 未实现 |
|
||||
Reference in New Issue
Block a user