XunLong

简体中文

English

简体中文

English

主题

工作流程 ​

理解XunLong的工作流程有助于您优化内容生成过程并有效排查问题。

高层级工作流 ​

详细工作流程阶段 ​

阶段 1: 需求分析 🔍 ​

目标： 理解用户意图并准备执行。

活动：

  1. 解析命令行参数
  2. 识别内容类型（报告/小说/PPT）
  3. 提取参数（风格、深度、章节数等）
  4. 验证配置
  5. 初始化项目结构

输出：

python
{
    "content_type": "report",
    "query": "2025年AI行业趋势",
    "style": "business",
    "depth": "comprehensive",
    "project_id": "20251005_143022"
}

耗时： 约1秒

阶段 2: 任务分解 📋 ​

目标： 将复杂请求分解为可管理的子任务。

过程：

分解示例：

::: tabs

== 报告

json
{
  "tasks": [
    {
      "type": "search",
      "queries": [
        "AI行业市场规模2025",
        "最新AI技术趋势",
        "各行业AI应用"
      ]
    },
    {
      "type": "outline",
      "sections": [
        "执行摘要",
        "市场概览",
        "技术趋势",
        "应用案例",
        "未来展望"
      ]
    }
  ]
}

== 小说

json
{
  "tasks": [
    {
      "type": "plot",
      "structure": "three_act"
    },
    {
      "type": "characters",
      "count": 5,
      "depth": "detailed"
    },
    {
      "type": "chapters",
      "count": 12,
      "style": "mystery"
    }
  ]
}

== PPT

json
{
  "tasks": [
    {
      "type": "outline",
      "slides": 15
    },
    {
      "type": "design",
      "style": "business",
      "colors": "professional"
    },
    {
      "type": "content",
      "distribution": "balanced"
    }
  ]
}

:::

耗时： 约2-3秒

阶段 3: 并行搜索 🌐 ​

目标： 从网络收集相关信息。

执行流程：

搜索过程：

  1. 执行查询 - 使用Perplexity或Playwright
  2. 提取内容 - 解析HTML并提取文本
  3. 过滤结果 - 移除不相关内容
  4. 摘要总结 - 创建简洁摘要
  5. 引用来源 - 追踪URL和日期

耗时： 约5-15秒（取决于查询数量）

阶段 4: 内容整合 📦 ​

目标： 组织和结构化收集到的信息。

活动：

  1. 去重信息
  2. 按主题分类
  3. 按相关性排序
  4. 创建知识图谱
  5. 为生成准备上下文

数据结构：

python
{
    "topic": "AI行业趋势",
    "sources": [
        {
            "url": "https://...",
            "date": "2025-09-15",
            "relevance": 0.95,
            "summary": "...",
            "key_points": [...]
        }
    ],
    "knowledge_graph": {
        "entities": [...],
        "relationships": [...]
    }
}

耗时： 约2-3秒

阶段 5: 智能生成 ✨ ​

目标： 基于收集的材料创建高质量内容。

生成策略：

LLM使用模式：

python
# 带上下文的顺序生成
for section in outline:
    prompt = build_prompt(
        section=section,
        context=search_results,
        previous_sections=generated_content
    )
    content = await llm.generate(prompt)
    generated_content.append(content)

质量指标：

  • 连贯性得分
  • 事实准确性
  • 引用覆盖率
  • 可读性指数

耗时： 约30-120秒（根据长度变化）

阶段 6: 质量审核 ✅ ​

目标： 确保内容符合质量标准。

审核清单：

类别检查项自动修复
结构标题层级、章节平衡✅
内容事实核查、完整性⚠️ 人工
风格语调一致性、语法✅
格式Markdown语法、引用✅
逻辑流畅性、过渡、连贯性⚠️ 人工

审核流程：

  1. 自动检查 - 运行语法和格式验证器
  2. LLM审核 - 审核智能体进行质量评估
  3. 分数计算 - 计算总体质量分数
  4. 反馈生成 - 创建改进建议
  5. 修订（如需要）- 重新生成低质量章节

阈值：

  • 分数 ≥ 0.85: 批准
  • 分数 < 0.85: 请求修订

耗时： 约5-10秒

阶段 7: 格式转换 🔄 ​

目标： 将Markdown转换为所需的输出格式。

转换管道：

HTML转换：

python
import markdown2

html = markdown2.markdown(
    content,
    extras=[
        'tables',
        'fenced-code-blocks',
        'header-ids',
        'toc',
        'metadata'
    ]
)

模板应用：

html
<!DOCTYPE html>
<html>
<head>
    <style>
        /* 专业外观的自定义样式 */
    </style>
</head>
<body>
    {{ content }}
</body>
</html>

耗时： 每种格式约2-5秒

阶段 8: 导出输出 📤 ​

目标： 保存并交付最终输出给用户。

导出结构：

storage/20251005_143022_AI行业趋势/
├── metadata.json
├── intermediate/
│   ├── 01_task_decomposition.json
│   ├── 02_search_results.json
│   └── 03_content_outline.json
├── reports/
│   ├── FINAL_REPORT.md
│   └── FINAL_REPORT.html
└── exports/
    ├── report.pdf
    └── report.docx

完成摘要：

✅ 生成完成！

📊 统计信息：
   - 耗时: 2分34秒
   - 搜索: 8个查询
   - 内容: 5,432字
   - 引用: 15个来源
   - 质量分数: 0.92

📁 输出文件：
   - Markdown: storage/.../FINAL_REPORT.md
   - HTML: storage/.../FINAL_REPORT.html
   - PDF: storage/.../exports/report.pdf

🔗 项目ID: 20251005_143022

耗时： 约1-2秒

总时间线 ​

阶段耗时占比
需求分析1秒1%
任务分解3秒2%
并行搜索10秒7%
内容整合3秒2%
智能生成90秒60%
质量审核8秒5%
格式转换4秒3%
导出输出1秒<1%
总计约120秒100%

性能提示

大部分时间花在内容生成（LLM调用）上。使用更快的模型如GPT-3.5进行草稿，然后用GPT-4迭代以提升质量。

迭代工作流 ​

当您请求修改时：

与初始生成的关键区别：

  • ✅ 保留上下文
  • ✅ 定向特定章节
  • ✅ 维护版本历史
  • ✅ 更快执行（约30-60秒）

监控与可观测性 ​

实时进度 ​

执行期间，XunLong显示：

🐉 XunLong - 内容生成

📋 任务分析
✅ 已识别: 报告生成
✅ 风格: 商务
✅ 深度: 全面

🔍 搜索信息
[████████████████████████████████] 100% (8/8个查询)
✅ 发现42个相关来源

✨ 生成内容
[████████████████░░░░░░░░░░░░░░░░] 60% (3/5章节)
⏱️  已用: 1分24秒 | 预计剩余: 48秒

LangFuse追踪 ​

所有操作都记录到LangFuse：

追踪视图：

Trace: report_generation_20251005_143022
├─ analyze_requirement (1.2s)
├─ decompose_tasks (2.8s)
├─ parallel_search (9.4s)
│  ├─ search_query_1 (3.2s)
│  ├─ search_query_2 (4.1s)
│  └─ search_query_3 (5.3s)
├─ generate_content (89.3s)
│  ├─ section_1 (15.2s, 1,234 tokens)
│  ├─ section_2 (18.7s, 1,567 tokens)
│  ├─ section_3 (22.1s, 1,892 tokens)
│  ├─ section_4 (16.8s, 1,345 tokens)
│  └─ section_5 (14.2s, 1,123 tokens)
├─ review_quality (7.9s)
└─ export_formats (3.4s)

错误恢复 ​

自动重试 ​

失败的步骤会自动重试：

python
@retry(max_attempts=3, backoff=exponential)
async def execute_search(query):
    try:
        return await search_engine.search(query)
    except NetworkError:
        # 将使用退避策略重试
        raise

检查点 ​

每个阶段都会保存进度检查点：

intermediate/
├── 01_task_decomposition.json  ✅ 已保存
├── 02_search_results.json      ✅ 已保存
├── 03_content_outline.json     ✅ 已保存
└── 04_generated_sections.json  ⏸️  进行中

如果生成失败，您可以恢复：

bash
python xunlong.py resume 20251005_143022

最佳实践 ​

1. 优化搜索查询 ​

  • 在请求中明确具体
  • 包含相关关键词
  • 如需要指定时间范围

2. 选择适当深度 ​

  • 概览: 快速5分钟生成
  • 标准: 平衡的10分钟生成
  • 全面: 详细的20分钟生成

3. 监控Token使用 ​

bash
# 检查token消耗
python xunlong.py stats 20251005_143022

4. 增量迭代 ​

  • 从标准深度开始
  • 审核输出
  • 请求定向改进

下一步 ​

基于MIT许可证发布

Copyright © 2025-present XunLong Team