168 lines
7.1 KiB
Markdown
168 lines
7.1 KiB
Markdown
# 直播回放文字稿故事提取工具 — 方案设计文档
|
||
|
||
## 一、项目概述
|
||
|
||
### 1.1 背景
|
||
|
||
手头有大量直播回放导出的文字稿（DOCX 格式），其中散落着一些个人生活故事（家长里短类），需要用 AI 自动提取整理，并与讲述者个人信息匹配，最终输出为独立的 DOCX 文档。
|
||
|
||
### 1.2 目标
|
||
|
||
构建一个 **Web 端可复用工具**，支持：
|
||
- 批量上传和管理文字稿文件
|
||
- AI 自动提取故事（过滤讲课/知识点内容）
|
||
- 人工确认故事与讲述者的匹配关系
|
||
- 为每个讲述者生成独立 DOCX（个人信息 + 照片 + 故事正文）
|
||
|
||
### 1.3 使用场景
|
||
|
||
- **部署环境：** 局域网
|
||
- **用户规模：** 多人使用
|
||
- **数据规模：** 20+ 份文字稿，每份上万行
|
||
|
||
---
|
||
|
||
## 二、需求分析
|
||
|
||
### 2.1 输入
|
||
|
||
| 输入类型 | 格式 | 说明 |
|
||
|----------|------|------|
|
||
| 直播回放文字稿 | DOCX | 每份上万行，口语化，混合讲课/知识点内容，无明确说话人标记 |
|
||
| 讲述者个人信息 | DOCX（一人一个） | 包含姓名、照片等个人信息 |
|
||
|
||
### 2.2 处理要求
|
||
|
||
1. **故事提取：** 从文字稿中识别并提取个人生活故事（如家庭、情感、生活等），过滤掉纯讲课/知识点内容
|
||
2. **长文本切分：** 上万行文字稿需智能切分，确保不截断完整故事（每个故事可能跨半小时到一小时，稀疏分布）
|
||
3. **匹配确认：** AI 提取故事后，由人工在界面上确认每个故事对应的讲述者
|
||
4. **文档生成：** 按简洁模板生成最终 DOCX
|
||
|
||
### 2.3 输出
|
||
|
||
每个讲述者一份 DOCX 文档，结构为：
|
||
```
|
||
┌─────────────────────────┐
|
||
│ 个人信息（含照片） │
|
||
├─────────────────────────┤
|
||
│ │
|
||
│ 故事正文 │
|
||
│ │
|
||
└─────────────────────────┘
|
||
```
|
||
|
||
### 2.4 扩展性要求
|
||
|
||
- LLM 可替换（支持升级/切换不同模型）
|
||
- 后续可扩展文章搜索引擎等功能
|
||
|
||
---
|
||
|
||
## 三、系统架构
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────┐
|
||
│ 浏览器前端 │
|
||
│ ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │
|
||
│ │ 文件管理 │ │ 故事提取 │ │ 匹配确认 & 导出 │ │
|
||
│ └──────────┘ └──────────┘ └──────────────────┘ │
|
||
└────────────────────┬────────────────────────────┘
|
||
│ HTTP API
|
||
┌────────────────────┴────────────────────────────┐
|
||
│ Python 后端 (FastAPI) │
|
||
│ ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │
|
||
│ │ 文件处理 │ │ LLM 服务 │ │ DOCX 生成 │ │
|
||
│ └──────────┘ └──────────┘ └──────────────────┘ │
|
||
│ ┌──────────┐ ┌──────────┐ │
|
||
│ │ 任务队列 │ │ 数据存储 │ │
|
||
│ └──────────┘ └──────────┘ │
|
||
└─────────────────────────────────────────────────┘
|
||
```
|
||
|
||
---
|
||
|
||
## 四、用户交互流程
|
||
|
||
### Step 1：上传文件
|
||
- 上传文字稿 DOCX（支持批量，显示上传列表）
|
||
- 上传讲述者信息 DOCX（支持批量，显示上传列表 + 预览）
|
||
|
||
### Step 2：提取故事
|
||
- 选择要处理的文字稿（可多选）
|
||
- 点击"开始提取"，显示进度
|
||
- LLM 实时返回提取结果
|
||
- 展示故事列表（摘要 + 原文定位）
|
||
|
||
### Step 3：匹配讲述者
|
||
- 左侧：故事列表
|
||
- 右侧：讲述者列表
|
||
- 拖拽/下拉匹配（或 AI 推荐候选）
|
||
- 确认匹配关系
|
||
|
||
### Step 4：预览 & 导出
|
||
- 预览最终 DOCX 效果
|
||
- 单个导出 / 批量导出
|
||
- 下载 ZIP 包
|
||
|
||
---
|
||
|
||
## 五、技术栈
|
||
|
||
| 层级 | 技术 | 理由 |
|
||
|------|------|------|
|
||
| **前端** | Vue 3 + Element Plus | 组件丰富、中文生态好、拖拽匹配等交互容易实现 |
|
||
| **后端** | FastAPI | 异步支持好、自带 API 文档、适合 AI 任务 |
|
||
| **LLM** | 抽象接口层，先支持 OpenAI 兼容 API | 后续可无缝切换国产模型/本地模型 |
|
||
| **DOCX 处理** | python-docx | 读写 DOCX 的标准库 |
|
||
| **任务队列** | Celery + Redis（或内置 asyncio） | 20+ 文件处理需要异步，避免前端卡死 |
|
||
| **数据存储** | SQLite | 轻量、无需额外安装、局域网够用 |
|
||
| **部署** | Docker Compose | 一键启动，局域网分发方便 |
|
||
|
||
---
|
||
|
||
## 六、核心技术难点与解决方案
|
||
|
||
| 难点 | 解决方案 |
|
||
|------|----------|
|
||
| **长文本切分不截断故事** | 两阶段策略：先用 LLM 做"话题分段"（识别话题边界），再对每个话题段判断是否包含故事 |
|
||
| **故事 vs 知识点区分** | Prompt 工程 + Few-shot 示例，明确"个人生活故事"的定义和排除规则 |
|
||
| **无说话人标记** | 提取故事后展示摘要，由人工在 GUI 上匹配讲述者；后续可加入 AI 推荐候选 |
|
||
| **上万行文本的 LLM 上下文** | 话题分段后，每个段落在上下文窗口内处理；超长段落再按语义子段切分 |
|
||
|
||
---
|
||
|
||
## 七、项目结构
|
||
|
||
```
|
||
story-extractor/
|
||
├── frontend/ # Vue 3 前端
|
||
│ ├── src/
|
||
│ │ ├── views/ # 页面：文件管理、故事提取、匹配确认、导出
|
||
│ │ ├── components/ # 通用组件
|
||
│ │ └── api/ # 后端 API 调用
|
||
│ └── ...
|
||
├── backend/ # FastAPI 后端
|
||
│ ├── app/
|
||
│ │ ├── api/ # API 路由
|
||
│ │ ├── services/ # 业务逻辑
|
||
│ │ │ ├── extractor.py # 故事提取核心
|
||
│ │ │ ├── llm.py # LLM 抽象层
|
||
│ │ │ ├── docx_parser.py # DOCX 解析
|
||
│ │ │ └── docx_generator.py # DOCX 生成
|
||
│ │ ├── models/ # 数据模型
|
||
│ │ └── main.py
|
||
│ └── ...
|
||
├── docker-compose.yml
|
||
└── README.md
|
||
```
|
||
|
||
---
|
||
|
||
## 八、待确认事项
|
||
|
||
- [ ] LLM API 选型（OpenAI / 国产模型 / 本地模型）
|
||
- [ ] 技术栈最终确认
|
||
- [ ] 开发节奏（先跑通核心流程 vs 逐步完善）
|
||
- [ ] 讲述者信息 DOCX 的具体字段结构（需看样例）
|
||
- [ ] 文字稿样例（需看实际内容以优化切分和提取策略）
|