使用说明
多通道处理应用（MCP）
项目概述
MCP（多通道处理） 这是一个用于自动化文本分析的网络应用程序。用户通过简单的界面提交文本，后端会对文本进行处理并提供：
- 总结 – 对文本的简洁总结。
- 情感分析 – 确定情感（正面、中性、负面）。
- 关键词提取 – 从文本中识别出关键主题。
后端使用 Flask（一个轻量级的Web应用框架）， LangChain，以及 OpenAI GPT-3.5，而前端则是用（某种技术或语言）构建的 React结果存储在 SQLite 用于持久化和追踪。
特性/功能
- 直观的React前端，用于文本提交和结果显示。
- 带REST API的Flask后端用于处理文本。
- 使用模块化LLM（大型语言模型）流水线 LangChain（朗链）。
- 在 SQLite 中持久存储消息和分析结果。
- 自动化测试套件，配备有 pytest 并对大型语言模型（LLM）的调用进行了嘲讽。
技术栈
- 前端： React（Vite）、JavaScript、Axios
- 后端： Flask、SQLAlchemy、Flask-CORS
- 数据库： SQLite
- 大型语言模型/人工智能： LangChain v0.2+，OpenAI GPT-3.5
- 测试： Pytest，Flask 测试客户端，Monkeypatch
它是如何工作的
- 用户输入： 在前端输入文本。
- API调用： 前端发送一个POST请求到
/api/analyze。 - 文本处理： 后端使用
run_chain生成：- 摘要
- 情感
- 关键词
- 数据库存储： 结果保存在 SQLite 数据库中。
- 显示结果： 返回的JSON数据在前端显示。
结构：
- 后端/：存储消息并调用LangChain链的Flask API
- 前端：使用Vite + React构建的前端，调用API
运行后端：
- 进入后端目录
- `python -m venv .venv` 翻译成中文是：使用 Python 的 venv 模块创建一个名为 .venv 的虚拟环境
- `.venv\Scripts\activate.ps1` 翻译成中文是：“虚拟环境脚本目录下的激活.ps1文件”。不过，通常我们不会直接这样翻译文件名，而是根据上下文解释其用途，比如可以说：“这是用于激活虚拟环境的PowerShell脚本文件（位于.venv\Scripts目录下）”
- 使用 pip 安装 requirements.txt 文件中列出的包
- 根据上面的信息，执行如下指令：
- 运行 python app.py
后端单元测试：
- pytest -v 翻译为中文是：“使用详细模式运行 pytest”
注意：此测试会启动一个内存中的 SQLite 数据库（因此您的实际 messages.db 文件将保持不变）。使用 monkeypatch 模拟 LangChain 的 LLM 以跳过 API 调用并返回模拟结果。向 /api/analyze 发送带有测试文本的 POST 请求。验证：响应是有效的 JSON，包含摘要、情感、关键词，并且数据库中插入了一条消息。
运行前端：
- cd frontend（在命令行中，这表示切换到名为“frontend”的目录）
- npm install（安装npm包）
- `npm run dev` 翻译成中文是：“运行 npm 脚本中的 dev 任务”
注：对于生产环境，请添加认证机制，并将大型语言模型（LLM）的调用移至后台工作进程。
提示技巧：
- 总结：要求设定字数或句数限制；指明格式要求（使用项目符号还是整段落）。
- 偏好：倾向于使用JSON输出或固定枚举值（正面/中性/负面）以简化解析。
- 关键词：要求恰好N个关键词或短语；如果您想要多词短语，请指示模型：“偏好1–3词的短语”。
- 温度：使用低温（0 — 0.3）以获得确定性输出。
- 令牌限制：对于非常长的文本，应在总结前进行分块处理，或使用思维链式总结模式（分块→中间总结→最终总结）。
未来的改进方向
针对大型文本输入的异步后台处理（使用Celery/RQ）。
专家仪表盘，用于查看或修正结果。
前端和后端的Docker化部署。
身份验证与多用户支持。
