"""
AI 集成模組 - 藍圖小老鼠
使用 Antigravity AI 進行真正的自然語言架構生成
"""
import json
import os
from typing import Dict, List, Any
# AI 提示詞模板
ANALYSIS_PROMPT = """你是一個資深軟體架構師。用戶需求如下:
{user_input}
請分析這個需求,回答以下問題:
1. 這是什麼類型的系統? (電商/社交/工具/遊戲/企業應用/...)
2. 核心功能有哪些?
3. 需要哪些技術模組?
4. 預估複雜度? (簡單/中等/複雜)
5. 類似的產品有哪些?
請用 JSON 格式回答:
{{
"type": "系統類型",
"core_features": ["功能1", "功能2", "功能3"],
"modules": ["模組1", "模組2", "模組3"],
"complexity": "簡單/中等/複雜",
"similar_products": ["產品1", "產品2"]
}}
只返回 JSON,不要其他文字。
"""
MODULE_GENERATION_PROMPT = """基於以下需求分析結果:
{analysis_result}
請為每個模組生成詳細規格。對於每個模組,請提供:
1. 模組名稱
2. 模組說明
3. 核心功能列表
4. 技術選型建議
5. 預估開發天數
請用 JSON 格式回答:
{{
"modules": [
{{
"name": "模組名稱",
"description": "模組說明",
"features": ["功能1", "功能2"],
"tech_stack": {{
"backend": "後端技術",
"database": "資料庫",
"cache": "快取"
}},
"estimated_days": 10
}}
]
}}
只返回 JSON,不要其他文字。
"""
# ========================================
# 核心修正 2: 蘇格拉底式提問 (Socratic Questioning)
# ========================================
SOCRATIC_QUESTION_PROMPT = """你是一個嚴格的系統架構面試官。你的任務是提出**決策型/邊界型**問題,而非配置型問題。
模組: {module_name}
說明: {module_description}
功能: {module_features}
請生成 3-5 個問題,每個問題必須:
1. 聚焦於**邊界情況**或**錯誤處理**
2. 要求用戶做出**明確的設計決策**
3. 暴露用戶對系統行為的**深層理解**
❌ **不要問配置型問題**:
- "你要用什麼資料庫?" (配置)
- "端口號是多少?" (配置)
- "要不要加快取?" (是非題)
✅ **要問決策型問題**:
- "如果付款 API 超時 30 秒,你要 (A) 重試三次 (B) 直接報錯給用戶 (C) 標記為待處理?" (決策)
- "如果庫存扣除成功但訂單建立失敗,你要如何回滾?" (邊界)
- "兩個用戶同時購買最後一件商品,你要如何處理?" (並發)
問題格式:
{{
"questions": [
{{
"text": "問題描述",
"category": "error_handling" | "concurrency" | "boundary" | "recovery" | "consistency",
"options": ["選項A", "選項B", "選項C"],
"risk_analysis": {{
"0": "✅ 優點: ...\\n⚠️ 風險: ...\\n📊 影響: ...",
"1": "✅ 優點: ...\\n⚠️ 風險: ...\\n📊 影響: ...",
"2": "✅ 優點: ...\\n⚠️ 風險: ...\\n📊 影響: ..."
}},
"trap": "測試用戶是否理解..."
}}
]
}}
只返回 JSON,不要其他文字。
"""
# 舊的 Prompt 保留作為 fallback
QUESTION_GENERATION_PROMPT_OLD = """為模組「{module_name}」生成蘇格拉底式問題。
模組說明: {module_description}
核心功能: {module_features}
請生成 5-8 個問題,每個問題要:
1. 問到關鍵決策點
2. 提供 3-4 個選項
3. 說明每個選項的影響
4. 包含「🤷 先跳過」選項
請用 JSON 格式回答:
{{
"questions": [
{{
"text": "問題內容?",
"explanation": "為什麼問這個問題",
"options": ["選項1", "選項2", "選項3", "🤷 先跳過"],
"impact": {{
"0": "✅ 優點1\\n⚠️ 缺點1",
"1": "✅ 優點2\\n⚠️ 缺點2",
"2": "✅ 優點3\\n⚠️ 缺點3"
}}
}}
]
}}
只返回 JSON,不要其他文字。
"""
async def ai_analyze(user_input: str) -> Dict[str, Any]:
"""
使用 AI 分析用戶需求
Args:
user_input: 用戶的自然語言需求描述
Returns:
分析結果 JSON
"""
prompt = ANALYSIS_PROMPT.format(user_input=user_input)
# TODO: 接入真正的 Antigravity AI
# 目前使用模擬響應
# 調用真正的寄生 AI
response = await ai_call(prompt, temperature=0.7)
try:
result = parse_json_response(response)
return result
except Exception as e:
print(f"AI 分析失敗: {e}")
return get_fallback_analysis(user_input)
async def ai_generate_modules(analysis: Dict[str, Any]) -> Dict[str, Any]:
"""
根據分析結果生成模組列表
Args:
analysis: AI 分析結果
Returns:
模組列表 JSON
"""
prompt = MODULE_GENERATION_PROMPT.format(
analysis_result=json.dumps(analysis, ensure_ascii=False, indent=2)
)
response = await ai_call(prompt, temperature=0.7)
try:
result = parse_json_response(response)
return result
except Exception as e:
print(f"模組生成失敗: {e}")
return get_fallback_modules(analysis)
async def ai_generate_questions(module: Dict[str, Any]) -> Dict[str, Any]:
"""
為指定模組生成問題
🚨 核心修正 2: 蘇格拉底式提問
生成決策型/邊界型問題,而非配置型問題
Args:
module: 模組資訊
Returns:
問題列表 JSON
"""
# 使用新的蘇格拉底式 Prompt
prompt = SOCRATIC_QUESTION_PROMPT.format(
module_name=module['name'],
module_description=module.get('description', ''),
module_features=', '.join(module.get('features', []))
)
response = await ai_call(prompt, temperature=0.8)
try:
result = parse_json_response(response)
# 🚨 過濾配置型問題
if 'questions' in result:
filtered_questions = []
for q in result['questions']:
if is_decision_question(q):
filtered_questions.append(q)
else:
print(f"⚠️ 過濾配置型問題: {q.get('text', '')}")
result['questions'] = filtered_questions
# 如果過濾後沒有問題,使用 fallback
if not filtered_questions:
print("⚠️ 所有問題都被過濾,使用 fallback")
return get_fallback_questions(module)
return result
except Exception as e:
print(f"問題生成失敗: {e}")
return get_fallback_questions(module)
def is_decision_question(question: Dict[str, Any]) -> bool:
"""
判斷是否為決策型問題
🚨 核心修正 2: 問題質量過濾
排除配置型問題,保留決策型/邊界型問題
Args:
question: 問題字典
Returns:
bool: 是否為決策型問題
"""
text = question.get('text', '').lower()
# 配置型關鍵詞 (排除)
config_keywords = [
'資料庫', '端口', '配置', '設定', '參數',
'database', 'port', 'config', 'setting',
'用什麼', '選擇哪個', '要不要',
'是否需要', '需要嗎'
]
# 如果包含配置型關鍵詞,可能是配置型問題
has_config_keyword = any(kw in text for kw in config_keywords)
# 決策型關鍵詞 (保留)
decision_keywords = [
'如果', '失敗', '超時', '衝突', '同時', '回滾', '恢復',
'錯誤', '異常', '並發', '競爭', '一致性',
'if', 'fail', 'timeout', 'conflict', 'rollback',
'怎麼處理', '如何', '怎樣', '要如何'
]
has_decision_keyword = any(kw in text for kw in decision_keywords)
# 檢查是否有 category 標記
category = question.get('category', '')
decision_categories = ['error_handling', 'concurrency', 'boundary', 'recovery', 'consistency']
has_decision_category = category in decision_categories
# 決策邏輯:
# 1. 如果有決策型關鍵詞或類別,保留
# 2. 如果只有配置型關鍵詞且沒有決策型關鍵詞,排除
if has_decision_keyword or has_decision_category:
return True
if has_config_keyword and not has_decision_keyword:
return False
# 默認保留 (寬鬆策略)
return True
async def ai_call(prompt: str, temperature: float = 0.7) -> str:
"""
使用寄生 AI 調用
三層策略:
1. 自動寄生 (檢測 API Key)
2. 配置寄生 (讀取配置文件)
3. 手動寄生 (用戶觸發)
"""
from ultimate_parasite_ai import ai_generate
return await ai_generate(prompt, temperature)
def parse_json_response(response: str) -> Dict[str, Any]:
"""
解析 AI 返回的 JSON
Args:
response: AI 響應文本
Returns:
解析後的 JSON 對象
"""
# 提取 JSON 部分
response = response.strip()
# 如果有 markdown 代碼塊,提取出來
if "```json" in response:
start = response.find("```json") + 7
end = response.find("```", start)
response = response[start:end].strip()
elif "```" in response:
start = response.find("```") + 3
end = response.find("```", start)
response = response[start:end].strip()
return json.loads(response)
def generate_mock_analysis(prompt: str) -> str:
"""生成模擬的需求分析"""
# 從 prompt 中提取用戶輸入
user_input = prompt.split("用戶需求如下:")[1].split("請分析")[0].strip()
# 智能分析
if any(kw in user_input for kw in ['電商', '購物', '商城', '蝦皮', '淘寶']):
return json.dumps({
"type": "電商平台",
"core_features": ["商品管理", "購物車", "訂單處理", "支付", "物流追蹤"],
"modules": ["用戶系統", "商品系統", "訂單系統", "支付系統", "物流系統"],
"complexity": "中等",
"similar_products": ["蝦皮", "淘寶", "Amazon"]
}, ensure_ascii=False)
elif any(kw in user_input for kw in ['社交', '聊天', '交友', 'IG', 'Facebook']):
return json.dumps({
"type": "社交平台",
"core_features": ["用戶資料", "動態發布", "即時聊天", "好友系統", "通知"],
"modules": ["用戶系統", "動態系統", "聊天系統", "好友系統", "通知系統"],
"complexity": "複雜",
"similar_products": ["Instagram", "Facebook", "Twitter"]
}, ensure_ascii=False)
else:
# 通用分析
return json.dumps({
"type": "應用系統",
"core_features": ["用戶管理", "數據處理", "業務邏輯"],
"modules": ["用戶系統", "核心業務系統", "數據系統"],
"complexity": "中等",
"similar_products": []
}, ensure_ascii=False)
def generate_mock_modules(prompt: str) -> str:
"""生成模擬的模組列表"""
# 簡化版,實際會根據分析結果生成
return json.dumps({
"modules": [
{
"name": "用戶系統",
"description": "處理用戶註冊、登入、權限管理",
"features": ["註冊", "登入", "權限管理", "個人資料"],
"tech_stack": {
"backend": "Django + JWT",
"database": "PostgreSQL",
"cache": "Redis"
},
"estimated_days": 10
}
]
}, ensure_ascii=False)
def generate_mock_questions(prompt: str) -> str:
"""生成模擬的問題列表"""
return json.dumps({
"questions": [
{
"text": "需要用戶登入嗎?",
"explanation": "決定系統是否需要用戶認證功能",
"options": ["需要", "不需要", "🤷 先跳過"],
"impact": {
"0": "✅ 可以個性化體驗\n⚠️ 增加開發成本",
"1": "✅ 開發簡單\n⚠️ 無法個性化"
}
}
]
}, ensure_ascii=False)
def get_fallback_analysis(user_input: str) -> Dict[str, Any]:
"""AI 失敗時的後備分析"""
return {
"type": "應用系統",
"core_features": ["基礎功能"],
"modules": ["核心模組"],
"complexity": "中等",
"similar_products": []
}
def get_fallback_modules(analysis: Dict[str, Any]) -> Dict[str, Any]:
"""AI 失敗時的後備模組"""
return {
"modules": [
{
"name": "核心模組",
"description": "系統核心功能",
"features": ["基礎功能"],
"tech_stack": {
"backend": "Python",
"database": "SQLite",
"cache": "內存"
},
"estimated_days": 5
}
]
}
def get_fallback_questions(module: Dict[str, Any]) -> Dict[str, Any]:
"""AI 失敗時的後備問題"""
return {
"questions": [
{
"text": f"{module['name']}需要什麼功能?",
"explanation": "確定模組的核心功能",
"options": ["基礎功能", "完整功能", "🤷 先跳過"],
"impact": {
"0": "✅ 快速上線",
"1": "✅ 功能完整"
}
}
]
}
