# 智能体文案生成

**Repository Path**: makila/python_AgentCopyGeneration

## Basic Information

- **Project Name**: 智能体文案生成
- **Description**: No description available
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-09
- **Last Updated**: 2026-01-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MLProject - 学术文献智能分析系统

## 项目简介

`MLProject` 是一个基于大语言模型的学术文献智能分析系统，能够自动检索、筛选、分析学术论文及其图表内容，并生成专业的图文并茂的研究报告。系统特别适用于快速了解某一技术领域的研究进展和行业应用，为科研人员提供高效的文献分析工具。

## 核心功能

- **学术文献检索**：通过 [literature_search.py](file:///home/makila/workspace/MLProject/modules/literature_search.py) 模块调用 arXiv API 获取相关论文，支持中文关键词输入与精准英文查询转换
- **图表智能分析**：通过 [chart_processing.py](file:///home/makila/workspace/MLProject/modules/chart_processing.py) 和 [pics_trace.py](file:///home/makila/workspace/MLProject/modules/pics_trace.py) 提取并分析PDF中的图表内容，利用Doubao视觉模型进行深度解读
- **内容过滤筛选**：通过 [filter.py](file:///home/makila/workspace/MLProject/modules/filter.py) 使用 TF-IDF 和语义相似度双重过滤机制筛选高质量文献
- **研究报告生成**：通过 [report_generation.py](file:///home/makila/workspace/MLProject/modules/report_generation.py) 生成专业、图文并茂的学术分析报告，支持Markdown格式输出
- **API服务集成**：通过 [main.py](file:///home/makila/workspace/MLProject/main.py) 提供FastAPI服务接口，方便系统集成与调用
- **大模型API集成**：集成 DeepSeek 和 Doubao 大模型API进行内容分析和生成

## 技术亮点

- **智能查询生成**：自动将中文关键词转换为合规的arXiv查询语法，支持"基础"与"进阶"两种分析深度
- **图表精准提取**：利用Doubao视觉模型精准定位PDF中的图表区域，提取完整图表内容
- **双重过滤机制**：结合TF-IDF与语义相似度(BERT)双重过滤，提高文献筛选质量
- **图文报告生成**：将论文文字内容与图表分析整合，生成专业、图文并茂的学术报告
- **批量处理能力**：支持批量下载PDF、批量分析图表、批量生成报告

## 环境要求

- Python 3.8+
- 依赖库：
  - `fastapi`
  - `uvicorn`
  - `openai`
  - `Pillow`
  - `pdf2image`
  - `sentence-transformers`
  - `arxiv`
  - `python-dotenv`
  - `requests`
  - `pydantic`

## 安装指南

```bash
# 1. 克隆项目
git clone https://gitee.com/makila/python_AgentCopyGeneration.git
cd MLProject

# 2. 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/MacOS
# venv\Scripts\activate   # Windows

# 3. 安装依赖
pip install -r requirements.txt

# 4. 下载必要的模型（sentence-transformers）
# 项目已包含预下载模型，位于 ./models 目录
# 如需重新下载，可执行：
# pip install sentence-transformers
# 或手动下载模型至 ./models 目录
```

## 配置说明

1. 创建 `.env` 文件，配置以下API密钥：

```env
DEEPSEEK_API_KEY=your_deepseek_api_key
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DOUBAO_API_KEY=your_doubao_api_key
DOUBAO_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
```

2. 修改 [config.py](file:///home/makila/workspace/MLProject/config.py) 中的路径配置（如需要）：
   - [MAX_RESULTS](file:///home/makila/workspace/MLProject/config.py#L0-L0)：检索论文的最大数量
   - [TFIDF_THRESHOLD](file:///home/makila/workspace/MLProject/config.py#L1-L1)：TF-IDF相似度阈值
   - [SEMANTIC_THRESHOLD](file:///home/makila/workspace/MLProject/config.py#L2-L2)：语义相似度阈值
   - [AGREE_TO_FILTER](file:///home/makila/workspace/MLProject/config.py#L3-L3)：是否启用内容过滤
   - [PICS_BASE_PATH](file:///home/makila/workspace/MLProject/config.py#L4-L4)：**图表存储路径(生成的markdown中图表渲染依靠此路径)**
   - [REPORTS_BASE_PATH](file:///home/makila/workspace/MLProject/config.py#L5-L5)：报告存储路径
   - [PDFS_BASE_PATH](file:///home/makila/workspace/MLProject/config.py#L6-L6)：PDF存储路径

## 快速开始

### 启动API服务

```bash
python main.py
```

服务将运行在 `http://0.0.0.0:8000`，提供以下API端点：

- `POST /analyze`：分析科技观点，生成研究报告

### API调用示例

```bash
curl -X 'POST' \
  'http://localhost:8000/analyze' \
  -H 'Content-Type: application/json' \
  -d '{
    "tech_view": "脑机接口技术在医疗领域的应用前景",
    "core_keywords": ["脑机接口", "BCI", "医疗应用"],
    "analysis_depth": "进阶",
    "agree_to_download_pdf": true
  }'
```

### 请求参数说明

| 参数 | 类型 | 必填 | 说明 |
|------|------|------|------|
| [tech_view](file:///home/makila/workspace/MLProject/main.py#L17-L17) | string | 是 | 科技观点描述 |
| [core_keywords](file:///home/makila/workspace/MLProject/main.py#L18-L18) | list | 是 | 核心关键词列表 |
| [analysis_depth](file:///home/makila/workspace/MLProject/main.py#L19-L19) | string | 是 | 分析深度："基础"或"进阶" |
| [agree_to_download_pdf](file:///home/makila/workspace/MLProject/main.py#L20-L20) | boolean | 是 | 是否同意下载PDF进行图表分析 |
| [additional_requirements](file:///home/makila/workspace/MLProject/main.py#L21-L21) | string | 否 | 额外需求说明 |

### 响应示例

```json
{
  "success": true,
  "report_content": "# 脑机接口技术在医疗领域的应用前景...\n## 1. 问题概述...",
  "error_message": null
}
```

## 项目目录结构

```
MLProject/
├── PDFs/                   # PDF文件存储目录（按批次组织）
├── pics/                   # 提取的图表存储目录
├── reports/                # 生成的报告存储
├── models/                 # 模型存储目录   
├── modules/                # 核心功能目录
│   ├── chart_processing.py # 图表处理
│   ├── deepseek_api.py     # DeepSeek、Doubao API封装
│   ├── filter.py           # 文献过滤
│   ├── literature_search.py# 文献检索
│   ├── pics_trace.py       # 图表提取
│   ├── report_generation.py# 报告生成
│   └── tools.py            # 工具函数
├── .env                    # api密钥配置文件
├── main.py                 # FastAPI服务入口
├── config.py               # 配置文件
├── requirements.txt        # 依赖列表
└── README.md               # 项目说明
```

## 报告示例

系统生成的报告包含完整的学术分析，如示例中的"脑机接口技术在医疗领域的应用前景"报告（详见 `reports/` 目录），内容包括：

- **问题概述**：清晰阐述研究领域的问题背景
- **相关论文综合分析**：对比分析多篇相关论文的核心观点
- **图表数据深度解读**：结合图片进行专业分析，图文并茂
- **学术价值与行业应用**：总结学术贡献与实际应用价值
- **总结与展望**：研究总结与未来发展方向
- **参考文献**：规范引用相关文献

报告采用Markdown格式，自动插入相关图表并进行专业分析，可直接用于学术交流或报告撰写。

## 系统架构

1. **请求处理层**：通过 [main.py](file:///home/makila/workspace/MLProject/main.py) 接收用户请求，解析参数
2. **文献检索层**：通过 [literature_search.py](file:///home/makila/workspace/MLProject/modules/literature_search.py) 生成精准查询，获取相关论文
3. **内容过滤层**：通过 [filter.py](file:///home/makila/workspace/MLProject/modules/filter.py) 对检索结果进行双重过滤
4. **图表分析层**：通过 [pics_trace.py](file:///home/makila/workspace/MLProject/modules/pics_trace.py) 和 [chart_processing.py](file:///home/makila/workspace/MLProject/modules/chart_processing.py) 提取并分析图表
5. **报告生成层**：通过 [report_generation.py](file:///home/makila/workspace/MLProject/modules/report_generation.py) 生成专业报告
6. **数据存储层**：通过 [tools.py](file:///home/makila/workspace/MLProject/modules/tools.py) 提供文件和目录管理工具

## 贡献指南

欢迎贡献！请遵循以下步骤：

1. Fork 本仓库
2. 创建新分支 (`git checkout -b feature/your-feature`)
3. 提交更改 (`git commit -am 'Add some feature'`)
4. 推送到分支 (`git push origin feature/your-feature`)
5. 创建新的 Pull Request

## 许可证

本项目采用 MIT 许可证 - 详见 [LICENSE](LICENSE) 文件。