"""
Prompt生成器 - 藍圖小老鼠 v6.0
根據蘇格拉底答案生成詳細的代碼生成Prompt
"""
from typing import Dict, List, Any, Optional
def generate_code_prompt(
requirement: str,
framework: str,
socratic_answers: Dict[str, str],
scenario: Optional[str] = None
) -> str:
"""
生成代碼生成Prompt
這是核心：將用戶的蘇格拉底答案轉化為詳細的代碼生成指令
Args:
requirement: 用戶需求
framework: 選擇的框架 (django/flask/etc)
socratic_answers: 蘇格拉底問題的答案，如 {"q1": "optimistic_lock", "q2": "polling"}
scenario: 場景類型（可選）
Returns:
完整的代碼生成Prompt
"""
# 1. 識別場景（如果未提供）
if not scenario:
scenario = identify_scenario(requirement)
# 2. 獲取Prompt模板
template = get_prompt_template(scenario, socratic_answers)
# 3. 格式化用戶決策
decisions = format_decisions(socratic_answers)
# 4. 構建完整Prompt
prompt = f"""你是一個專業的{framework}開發者。請生成完整、可運行的生產級代碼。
## 需求
{requirement}
## 用戶的技術決策
{decisions}
## 代碼要求
{template['requirements']}
## 必須實現的功能
{template['must_implement']}
## 代碼規範
- 使用{framework}最佳實踐
- 完整的錯誤處理
- 清晰的注釋說明技術決策
- 類型提示（Python 3.9+）
- 遵循PEP 8規範
## 輸出格式
請以JSON格式返回：
{{
"files": {{
"models.py": "代碼內容...",
"views.py": "代碼內容...",
...
}},
"setup_instructions": "安裝和運行說明"
}}
只返回JSON，不要其他文字。
"""
return prompt
def identify_scenario(requirement: str) -> str:
"""
識別需求場景
使用與antigravity_inline_generator.py相同的邏輯
"""
req_lower = requirement.lower()
scenarios = {
'部落格': r'部落格|blog|文章|內容管理',
'電商': r'電商|購物|訂單|商品|庫存',
'預約': r'預約|預訂|排程|日曆',
'聊天': r'聊天|即時通訊|訊息|社交',
'待辦': r'待辦|任務|todo',
}
import re
for scenario_name, pattern in scenarios.items():
if re.search(pattern, req_lower):
return scenario_name
return 'generic'
def format_decisions(socratic_answers: Dict[str, str]) -> str:
"""
格式化用戶的技術決策
Args:
socratic_answers: {"q1": "optimistic_lock", "q2": "polling"}
Returns:
格式化的決策說明
"""
# 決策描述映射
decision_descriptions = {
# 樂觀鎖/悲觀鎖
'optimistic_lock': '樂觀鎖（Optimistic Lock）- 允許並發，衝突時回滾',
'pessimistic_lock': '悲觀鎖（Pessimistic Lock）- 排他鎖定，防止並發',
'reserve_inventory': '預留庫存（Reserve Inventory）- 下單時鎖定，限時付款',
# 支付處理
'polling': '定期輪詢（Polling）- 定期查詢支付狀態',
'rely_callback': '依賴回調（Rely on Callback）- 等待支付平台通知',
'manual_fix': '人工處理（Manual Fix）- 異常訂單人工介',
# 草稿保存
'auto_save': '自動保存（Auto Save）- 每30秒自動保存草稿',
'manual_save': '手動保存（Manual Save）- 僅在用戶點擊時保存',
'localstorage': 'LocalStorage暫存 - 使用瀏覽器本地存儲',
# 垃圾過濾
'ai_filter': 'AI自動過濾（AI Filter）- 使用機器學習過濾',
'manual_review': '人工審核（Manual Review）- 所有內容需審核',
'rate_limit': 'IP限速（Rate Limit）- 限制提交頻率',
}
formatted = []
for q_id, answer_value in socratic_answers.items():
description = decision_descriptions.get(
answer_value,
f'{answer_value}'
)
formatted.append(f"- {q_id.upper()}: {description}")
return '\n'.join(formatted) if formatted else "無特殊技術決策"
def get_prompt_template(
scenario: str,
socratic_answers: Dict[str, str]
) -> Dict[str, str]:
"""
獲取場景和答案對應的Prompt模板
這是從18萬筆數據中提取的核心邏輯
"""
templates = {
'電商': {
'optimistic_lock': {
'requirements': """
1. models.py - 數據模型（必須包含version字段）
2. views.py - API端點（包含衝突處理）
3. serializers.py - 序列化器
4. urls.py - 路由
5. requirements.txt - 依賴
""",
'must_implement': """
1. Product Model必須包含：
- version字段（IntegerField, default=0）
- 樂觀鎖更新邏輯
2. Purchase API必須包含：
- 檢查version是否匹配
- 使用F()表達式原子更新
- 衝突時返回409 Conflict
3. 錯誤處理：
- 捕獲OptimisticLockException
- 返回清晰的錯誤訊息
"""
},
'polling': {
'requirements': """
1. models.py - Order模型
2. tasks.py - Celery定期任務
3. views.py - 支付API
4. requirements.txt - 包含celery
""",
'must_implement': """
1. Order Model必須包含：
- payment_status字段
- check_payment_status()方法
2. Celery任務：
- 每5分鐘檢查待確認訂單
- 調用支付平台API核對狀態
- 更新訂單狀態
3. 配置：
- Celery beat配置
- 支付平台API配置
"""
}
},
'部落格': {
'auto_save': {
'requirements': """
1. models.py - Draft模型
2. views.py - 自動保存API
3. static/js/ - 前端定時器
4. requirements.txt
""",
'must_implement': """
1. Draft Model：
- auto_saved_at時間戳
- content TextField
2. Auto-save API：
- POST /api/drafts/auto-save/
- 返回保存時間
3. 前端JavaScript：
- setInterval每30秒調用
- 只在內容有變化時保存
"""
},
'ai_filter': {
'requirements': """
1. models.py - Comment模型
2. ml/spam_filter.py - AI過濾器
3. views.py - 評論API
4. requirements.txt - ML庫
""",
'must_implement': """
1. Comment Model：
- is_spam布爾字段
- spam_score分數
2. AI過濾器：
- 使用sklearn或transformers
- 訓練好的模型文件
- predict()方法
3. 評論處理：
- 提交時自動過濾
- 疑似垃圾標記review
"""
}
}
}
# 獲取場景模板
scenario_templates = templates.get(scenario, {})
# 根據答案選擇模板
for answer_value in socratic_answers.values():
if answer_value in scenario_templates:
return scenario_templates[answer_value]
# 默認模板
return {
'requirements': """
1. models.py - 數據模型
2. views.py - API端點
3. serializers.py - 序列化器
4. urls.py - 路由配置
5. requirements.txt - 依賴列表
""",
'must_implement': """
1. 完整的CRUD操作
2. 錯誤處理
3. 數據驗證
4. API文檔
"""
}
def generate_fix_prompt(
code: str,
validation_result: Dict
) -> str:
"""
根據驗證結果生成修復Prompt
Args:
code: 原始代碼
validation_result: 17層驗證結果
Returns:
修復Prompt
"""
# 提取失敗的層
failed_layers = [
layer for layer in validation_result['layers']
if not layer['passed']
]
issues = []
for layer in failed_layers:
layer_num = layer['layer']
name = layer['name']
message = layer['message']
issues.append(f"L{layer_num} ({name}): {message}")
prompt = f"""以下代碼未通過質量驗證，請修復：
## 原始代碼
```python
{code}
```
## 驗證失敗的問題
{chr(10).join(issues)}
## 建議
{chr(10).join(validation_result.get('suggestions', []))}
請修復以上問題，返回完整的修正後代碼（JSON格式）。
"""
return prompt
if __name__ == '__main__':
# 測試
test_requirement = "我想做一個電商系統"
test_answers = {
"q1": "optimistic_lock",
"q2": "polling"
}
prompt = generate_code_prompt(
requirement=test_requirement,
framework="Django",
socratic_answers=test_answers
)
print("=" * 60)
print("生成的Prompt:")
print("=" * 60)
print(prompt)
