==================== 【产品目标】

面向 Windows 小白用户：一句话输入
自动判断任务类型：
- chat：普通对话（如“今天天气怎么样”）
- execution：本地执行任务（文件处理）
chat：
- 直接调用 LLM 返回文本
execution：
- 生成执行计划
- 生成 Python 代码
- 安全校验
- 用户确认
- 一次性子进程执行
强制工作区副本目录： workspace/input workspace/output workspace/logs
MVP 明确不做：
- 联网任务（搜索 / 爬取）
- 鼠标 / 键盘自动化
- 后台常驻
- 多任务并行
核心安全原则：
- LLM 可以联网“思考”
- Executor（执行器）禁止联网“动手”

==================== 【项目结构（必须严格按此生成）】

LocalAgent/ main.py requirements.txt .env.example ui/ chat_view.py task_guide_view.py llm/ client.py prompts.py intent/ classifier.py labels.py safety/ rule_checker.py llm_reviewer.py executor/ sandbox_runner.py workspace/ input/ output/ logs/

==================== 【统一 LLM 调用规则（非常重要）】

所有模型（包括 qwen2.5:7b-instruct）都通过同一个 API： https://api.siliconflow.cn/v1/chat/completions
不区分“本地 / 云端”客户端
区分只体现在：
- model name
- prompt
- temperature / max_tokens

.env.example 中必须包含：

LLM_API_URL=https://api.siliconflow.cn/v1/chat/completions LLM_API_KEY=your_api_key_here

用于意图识别的小模型

INTENT_MODEL_NAME=qwen2.5:7b-instruct

用于对话 / 计划 / 代码生成的模型（可先用同一个）

GENERATION_MODEL_NAME=Pro/zai-org/GLM-4.7

==================== 【llm/client.py 要求】

实现统一的 LLMClient：

使用 requests.post
URL / API KEY 从 .env 读取
提供方法： chat( messages: list[dict], model: str, temperature: float, max_tokens: int ) -> str
payload 结构参考： { "model": model, "messages": messages, "stream": false, "temperature": temperature, "max_tokens": max_tokens }
headers: Authorization: Bearer <API_KEY>
对网络异常 / 非 200 状态码做明确异常抛出
不要在 client 中写任何业务逻辑

==================== 【意图识别（核心修改点）】

实现 intent/classifier.py：

使用“小参数 LLM”（INTENT_MODEL_NAME，例如 qwen2.5:7b-instruct）
目标：二分类
- chat
- execution
要求输出结构化结果： { "label": "chat" | "execution", "confidence": 0.0 ~ 1.0, "reason": "中文解释，说明为什么这是执行任务/对话任务" }
Prompt 必须极短、强约束、可解析
Prompt 模板放在 llm/prompts.py
对 LLM 输出：
- 尝试解析 JSON
- 若解析失败 / 字段缺失 → 走兜底逻辑（判为 chat）

intent/labels.py：

定义常量： CHAT EXECUTION
定义阈值： EXECUTION_CONFIDENCE_THRESHOLD = 0.6
低于阈值一律判定为 chat（宁可少执行，不可误执行）

==================== 【Chat Task 流程】

使用 GENERATION_MODEL_NAME
messages = 用户原始输入
返回文本直接展示
不触碰本地、不产出文件

==================== 【Execution Task 流程】

生成执行计划
- 可用 GENERATION_MODEL_NAME
- 输出中文、可读
- 明确：
  - 会做什么
  - 不会动原文件
  - 输入 / 输出目录
  - 可能失败的情况
生成 Python 执行代码
- MVP 先内置“安全示例代码”：
  - 遍历 workspace/input
  - 复制文件到 workspace/output
  - 不依赖第三方库
  - 不修改原文件
- 保存为 workspace/task_.py
safety/rule_checker.py（硬规则）
- 静态扫描执行代码：
  - 禁止 requests / socket / urllib
  - 禁止访问非 workspace 路径
  - 禁止危险操作（os.remove, shutil.rmtree, subprocess 等）
- 若违反，直接 fail
safety/llm_reviewer.py（软规则）
- 使用 GENERATION_MODEL_NAME
- 输入：用户需求 + 执行计划 + 代码
- 输出：pass / fail + 中文原因
UI（小白引导式，方案 C）
- 显示：
  - 判定原因 reason
  - 三步引导：
    1. 把文件复制到 input
    2. 我来处理
    3. 去 output 取
  - 执行计划
  - 风险提示
  - 【开始执行】按钮
executor/sandbox_runner.py
- 使用 subprocess 启动一次性 Python 子进程
- 工作目录限定为 workspace
- 捕获 stdout / stderr
- 写入 workspace/logs/task_.log
- 执行完即退出
- 执行器层不允许任何联网能力（由 rule_checker 保证）

==================== 【UI（Tkinter）最小可跑要求】

main.py 启动 Tkinter 窗口
顶部：输入框 + 发送按钮
中部：输出区
当识别为 execution：
- 切换或弹出 task_guide_view
执行完成后展示：
- success / partial / failed
- 成功 / 失败数量
- 日志路径

==================== 【requirements.txt（最小集）】

python-dotenv
requests

==================== 【最小可跑验收标准】

未配置 LLM_KEY 时给出明确错误提示
输入“今天天气怎么样” → chat
输入“把这个文件夹里的图片复制一份” → execution
execution 能生成 task_.py 并真正执行
output / logs 中有真实文件

==================== 【Plan 模式输出要求】

先输出整体实现计划（步骤、模块职责）
列出所有文件及其责任说明
再按文件路径逐个输出代码内容
确保 main.py 可直接运行
main.py 顶部注释说明：
- 如何配置 .env
- 如何运行
- 如何测试（往 input 放文件）

5.8 KiB Raw Blame History Unescape Escape