模型更换

.gitignore

@@ -16,6 +16,8 @@ web/configs/llm.yaml
 web/configs/db_defaults.yaml
 web/backend/configs/llm.yaml
 workflow/config.yaml
+backend-deploy.tgz
+frontend-deploy.tgz
 
 # ── web 运行时数据 ──
 web/data/

deploy_server.py

 #!/usr/bin/env python3
 """db-tools 发版：上传 → 备份旧版 → 解压 → 重启 → 验证。
 不动 /opt/app/db-tool/web/data/（web.db、backups、backup-config.json、sources）
-不动服务器自己的 configs/llm.yaml（tar 里就没有）"""
-import sys, os, paramiko
+后端发布包包含私有 configs/llm.yaml，部署后无需再配置服务器环境变量。"""
+import os
+import sys
+
+import paramiko
 
 HOST, USER = "192.168.20.175", "root"
 pw = os.environ.get("DBTOOL_PW")
@@ -26,7 +29,7 @@ sftp = c.open_sftp()
 sftp.put("backend-deploy.tgz", "/tmp/dbtool-backend.tgz")
 sftp.put("frontend-deploy.tgz", "/tmp/dbtool-frontend.tgz")
 sftp.close()
-print("uploaded both tarballs\n")
+print("uploaded both deployment packages\n")
 
 # 0) 部署前快照（证明 data/ 没被碰）
 run("md5sum /opt/app/db-tool/web/data/web.db; ls /opt/app/db-tool/web/data/backups | wc -l")
@@ -36,10 +39,13 @@ run("TS=$(date +%Y%m%d-%H%M%S) && mkdir -p /opt/app/db-tool/releases/$TS && "
     "cp -a /opt/app/db-tool/web/backend /opt/app/db-tool/releases/$TS/backend && "
     "cp -a /opt/web/db-tool /opt/app/db-tool/releases/$TS/frontend && echo backup at $TS")
 
-# 2) 解压后端（覆盖 backend/，不动 data/、logs/、服务器 llm.yaml）
+# 2) 解压后端（不动 data/、logs/），并锁定包内私有 LLM 配置权限
 run("tar xzf /tmp/dbtool-backend.tgz -C /opt/app/db-tool/web/ && "
     "find /opt/app/db-tool/web/backend -name __pycache__ -type d -exec rm -rf {} + ; "
-    "ls /opt/app/db-tool/web/backend/configs/")
+    "test -f /opt/app/db-tool/web/backend/configs/llm.yaml && "
+    "chmod 600 /opt/app/db-tool/web/backend/configs/llm.yaml && "
+    "sed -E -e 's/^(api_key:[[:space:]]*).*/\\1[REDACTED]/' "
+    "/opt/app/db-tool/web/backend/configs/llm.yaml")
 
 # 3) 前端：清旧 assets 再解压（避免旧 hash 文件堆积）
 run("rm -rf /opt/web/db-tool/assets && tar xzf /tmp/dbtool-frontend.tgz -C /opt/web/db-tool/ && ls /opt/web/db-tool/ /opt/web/db-tool/assets/")

web/backend/configs/llm.example.yaml

@@ -5,31 +5,13 @@
 # 真实 llm.yaml 已在 .gitignore，不会上传到仓库。
 # ============================================================
 
-# ── 方式 1：MiniMax（推荐本项目用户使用） ──
-provider: minimax
-api_key: sk-请填入你的_MiniMax_API_Key
-base_url: https://api.minimaxi.com/anthropic
-model: MiniMax-Text-01
-
-# ── 方式 2：Anthropic Claude ──
-# provider: anthropic
-# api_key: sk-ant-xxxxx
-# model: claude-sonnet-5
-# （base_url 留空，用 Anthropic 官方）
-
-# ── 方式 3：OpenAI ──
-# provider: openai
-# api_key: sk-xxxxx
-# model: gpt-4o
-# base_url: https://api.openai.com/v1
-
-# ── 方式 4：自部署 / 第三方代理（OpenAI 兼容） ──
-# provider: openai
-# api_key: 自定义
-# base_url: https://your-proxy.com/v1
-# model: your-model-name
+# ── 公司内部 Anthropic 兼容转换服务 ──
+# 推荐在服务环境中设置 ANTHROPIC_AUTH_TOKEN，不要将真实令牌写入仓库。
+# api_key: sk-请填入服务令牌
+base_url: http://192.168.40.199:8080
+model: glm-5.3-flash
 
 # 生成参数（通用）
 max_tokens: 1024
 temperature: 0.2
-timeout: 30
+timeout: 30
\ No newline at end of file

web/backend/core/ai_explain.py

@@ -4,7 +4,7 @@
 用自然语言解释「这条数据为什么不合规」，并审查「规则描述与实现代码是否一致」。
 
 设计：
-- 强制 LLM 输出 JSON（用 complete_json），失败兜底走自然语言
+- 强制 LLM 输出 JSON；格式异常时展示模型原文
 - JSON 字段定义：
     violation_reason:    自然语言违规原因
     consistency:         'match' | 'code_bug' | 'rule_ambiguous'
@@ -23,57 +23,20 @@ logger = get_logger("backend.ai_explain")
 
 
 _SYSTEM_PROMPT = (
-    "你是数据质量分析助手。用户的诉求是：当一条数据被判为不合规时，希望从两个角度得到答案——"
-    "1) 这条数据哪里错了（必须对照规则的【自然语言描述】来回答，方便业务人员理解）；"
-    "2) 规则的【自然语言描述】与【实现代码】是否一致——实现代码可能写错。"
-    "请用中文思考与回答。先把分析想清楚，再用严格的 JSON 格式输出最终结论。"
+    "你是数据质量分析助手。直接返回 JSON，不要输出思考过程、Markdown 或额外文字。"
 )
 
 
-_USER_PROMPT_TEMPLATE = """请分析下面这条「被判为不合规」的数据。
+_USER_PROMPT_TEMPLATE = """分析这条被判为不合规的数据，并只返回 JSON。
+字段：{field_key}（{field_comment}）
+原始值：{value_repr}
+规则说明：{rule_desc}
+规则实现：{code_block}
 
-【字段】
-- 列名（数据库列）：{field_key}
-- 字段说明（数据库注释，可空）：{field_comment}
+输出：
+{{"violation_reason":"用中文说明具体不合规点，80字以内","consistency":"match|code_bug|rule_ambiguous","consistency_detail":"说明规则描述与实现是否一致，60字以内"}}
 
-【数据】
-- 原始值（从数据库读出来的，可能是字符串 / 数字 / NULL，请按真实类型理解）：{value_repr}
-
-【规则描述】（自然语言 —— 作者写的约束条件，**业务人员用这个理解规则**）
-{rule_desc}
-
-【规则代码】（实现该规则的代码：regex 字符串 或 Python 函数 —— **可能写错**）
-{code_block}
-
-请做两件事。
-
-═══ 任务 1：违规原因（violation_reason）═══
-- **必须基于「规则描述」（自然语言）回答，不是基于代码** —— 业务人员看不懂代码，要的是用人话讲清楚
-- 指出原始值中具体哪个位置 / 子串 / 数值 / 字段违反了「规则描述」里的哪一条要求
-- 例：「按规则描述要求，身份证号长度应为 18 位；而这条原始值实际为 19 位（多了一个空格），因此被判为不合规」
-- 如果「规则描述」本身写得比较宽松但代码判得很严，那是代码的问题（记到任务 2），这里仍按描述如实回答
-- 如果原始值是 NULL / 空，先说明「该值为空」再继续
-
-═══ 任务 2：描述 vs 代码一致性（consistency）═══
-- "match"：代码严格实现了「规则描述」的全部约束 → 数据违规纯粹是数据本身的问题
-- "code_bug"：「规则描述」清楚明确，但代码有 bug（漏条件 / 判断反了 / 范围不对 /
-  边界写错 / 该用 AND 写成 OR 等）→ 在 consistency_detail 里**明确指出代码哪一行 /
-  哪一段不符合规则描述**，并给出修复建议（最好附修改后的代码片段）
-- "rule_ambiguous"：代码本身没明显 bug，但「规则描述」有歧义 / 缺失 / 前后矛盾 /
-  用语模糊 → 在 consistency_detail 里指出歧义点（用户未必能自己看出来）
-
-═══ 输出格式（严格 JSON）═══
-- 严格按下面的 JSON 结构输出，**不要** Markdown 代码块（不要 ```json 包裹），**不要** 任何额外文字
-- 字符串值里如果需要引号，**必须用中文全角引号「」或转义 \\"，绝不能用裸的 ASCII 双引号**（这是历史上最容易踩的坑）
-- consistency 只能取上面三个值之一；其他值会被前端视为「未明确」
-
-```json
-{{
-  "violation_reason": "用一段中文自然语言回答任务 1",
-  "consistency": "match" | "code_bug" | "rule_ambiguous",
-  "consistency_detail": "针对任务 2 的补充说明（match 时可写"无"）"
-}}
-```"""
+若规则说明不足以判断，consistency 使用 rule_ambiguous。"""
 
 
 # 重试时附加的「修复 JSON」提示 —— 短而直接，避免 LLM 二次跑飞
@@ -168,11 +131,10 @@ def explain_issue(
         note:                  失败原因 / 解析回退说明 / 重试说明
         attempts:              实际调 LLM 几次（1~3，给前端展示）
 
-    2026-08-24 重试策略：JSON 解析失败 → 附带 _JSON_FIX_PROMPT 再调一次，
-    最多 3 次；超过仍失败 → 降级把原文塞 violation_reason + consistency='unknown'，
-    不抛异常、不阻断弹框。
+    JSON 解析失败时展示模型原文，不进行额外模型请求，避免分析弹窗长时间等待。
     """
-    MAX_RETRIES = 3
+    # 分析弹窗应快速返回。格式异常时回显模型原文，不再发起额外模型请求。
+    MAX_RETRIES = 1
 
     if rule_type not in RULE_TYPES:
         return {
@@ -222,7 +184,9 @@ def explain_issue(
             )
 
         try:
-            text = client.complete(prompt, system=_SYSTEM_PROMPT, json_mode=True)
+            text = client.complete(
+                prompt, system=_SYSTEM_PROMPT, json_mode=True, max_tokens=512
+            )
         except LLMUnavailable as e:
             # 不可用（无 key / 网络挂 / 限流）—— 不再重试，立即降级
             logger.warning(f"[ai_explain] LLM 调用失败（attempt={attempt}）：{e}")
@@ -288,4 +252,4 @@ def _diagnose_json_failure(text: str) -> str:
     bad_quote = re.search(r':\s*"[^"]*"\s*"', s)
     if bad_quote:
         return "疑似 value 里有未转义的 ASCII 双引号"
-    return "JSON 结构不合法（具体行号见日志）"
+    return "JSON 结构不合法（具体行号见日志）"
\ No newline at end of file

web/backend/core/ai_regex.py

@@ -161,7 +161,7 @@ def gen_regex(desc: str) -> tuple[str, str]:
                 prompt = _USER_TEMPLATE_FIX.format(
                     desc=desc, bad_regex=bad_regex, error_msg=error_msg
                 )
-            text = client.complete(prompt, system=_SYSTEM_PROMPT)
+            text = client.complete(prompt, system=_SYSTEM_PROMPT, max_tokens=512)
             last_regex = _extract_regex(text)
             ok, err = _validate_regex(last_regex)
             if ok:
@@ -178,4 +178,4 @@ def gen_regex(desc: str) -> tuple[str, str]:
             logger.warning(f"AI 正则：LLM 第 {attempt} 次调用失败 desc={desc!r} err={e}")
             return "", f"LLM 调用失败：{e}"
 
-    return "", f"LLM 重试 {MAX_TRIES} 次仍未生成合法正则（最后错误：{error_msg}），请补充描述或手动填写"
+    return "", f"LLM 重试 {MAX_TRIES} 次仍未生成合法正则（最后错误：{error_msg}），请补充描述或手动填写"
\ No newline at end of file

web/backend/core/ai_rule.py

@@ -38,23 +38,16 @@ from web.backend.core.ai_regex import gen_regex, test_regex  # noqa: E402,F401
 # ── System Prompt ───────────────────────────────────────
 _SYSTEM_PROMPT = "你是 Python 程序员，擅长写简短的数据校验函数。"
 
-_DESCRIPTION_SYSTEM_PROMPT = "你是数据质量规则专家，擅长将简短的规则名称整理为准确、可执行的校验说明。"
+_DESCRIPTION_SYSTEM_PROMPT = "你是数据质量规则专家，擅长用一句简洁的话说明数据校验规则。"
 
-_DESCRIPTION_TEMPLATE = """请为下面的数据校验规则生成一条详细、可执行且便于业务人员阅读的规则说明。
-
-规则名称：「{name}」
-AI 生成提示词（最高优先级）：「{prompt}」
-现有规则说明（可能为空或不完整）：「{desc}」
+_DESCRIPTION_TEMPLATE = """用一句中文生成 30-40 字规则说明，只输出说明本身。
+规则名称：{name}
+优先依据：{prompt}
+现有说明：{desc}
 规则类型：{rule_type}
+仅保留生成规则所需的关键格式或范围，不要补充额外校验细节。"""
 
-要求：
-1. 只输出规则说明本身，不要标题、序号、引号或 Markdown
-2. 优先严格依据 AI 生成提示词，写清楚数据需要满足的格式、长度、字符范围、取值范围、日期范围、枚举值或校验关系
-3. 对身份证、手机号、统一社会信用代码、银行卡号等常见证件/号码，名称或提示词已经明确其类型时必须写出标准的基础结构。例如中国大陆居民身份证至少说明：共 18 位、前 17 位为数字、最后一位为数字或 X/x；手机号至少说明 11 位数字及号码段要求（若提示词指定）。
-4. 行政区划码、出生日期、校验码等额外校验，只有提示词明确要求时才加入；不要编造提示词中没有的业务阈值、枚举值或校验算法。说明中的每一项约束都必须能够由随后生成的规则实现
-5. 使用中文，建议 80 到 250 字；信息较少时可简短，但不能只重复规则名称
-6. 这段说明会直接展示在校验结果列表中，应使业务人员无需查看正则或代码也能判断不合规原因
-"""
+_MAX_AI_DESCRIPTION_LENGTH = 40
 
 
 # ── User Prompt ─────────────────────────────────────────
@@ -227,6 +220,7 @@ def gen_rule_description(name: str, desc: str, rule_type: str, prompt: str = "")
                 rule_type=rule_type,
             ),
             system=_DESCRIPTION_SYSTEM_PROMPT,
+            max_tokens=512,
         )
     except LLMUnavailable as e:
         logger.warning(f"AI 规则说明生成失败 name={name!r} err={e}")
@@ -238,7 +232,9 @@ def gen_rule_description(name: str, desc: str, rule_type: str, prompt: str = "")
     description = description.replace("\n", " ").strip().strip('"')
     if not description:
         return "", "AI 未生成规则说明"
-    return description[:500], "已生成详细规则说明"
+    # 兜底截断，避免模型未遵守长度要求时撑大规则列表。
+    description = description[:_MAX_AI_DESCRIPTION_LENGTH].rstrip("，、；：。 ")
+    return description, "已生成简短规则说明（30-40字）"
 
 
 # ── 主入口 ─────────────────────────────────────────────
@@ -287,7 +283,7 @@ def gen_rule(desc: str, rule_type: str) -> tuple[str, str]:
                 prompt = tpl_fix.format(
                     desc=desc, bad_code=bad_code, error_msg=error_msg
                 )
-            text = client.complete(prompt, system=_SYSTEM_PROMPT)
+            text = client.complete(prompt, system=_SYSTEM_PROMPT, max_tokens=512)
             last_code = _extract_code(text)
             ok, err = validate_user_code(last_code)
             if ok:

web/backend/core/llm.py

-"""LLM 客户端封装（支持 MiniMax / Anthropic / OpenAI）
+"""LLM 客户端封装（公司内部 Anthropic 兼容协议）
 
 直接拷贝自 web/core/llm.py，2026-08-20 接入 web 用作「AI 生成正则」。
 改动点：default_config_path() 改成读 web/backend/configs/llm.yaml，其他不动，
@@ -7,13 +7,9 @@
 所有方法都设计为可降级 — 如果 LLM 不可用（无 API Key / 超时 / 解析失败），返回 None 或 fallback 值，
 不阻断主流程。
 
-支持的 Provider：
-  - minimax:    MiniMax（M2.7 / MiniMax-Text-01 等）— 通过 Anthropic 兼容接口
-  - anthropic:  Claude（官方 Anthropic SDK）
-  - openai:     GPT（OpenAI 兼容协议）
-
 配置优先级（从高到低）：
-  1. 环境变量（最高）：LLM_PROVIDER / LLM_API_KEY / LLM_BASE_URL / LLM_MODEL
+  1. 环境变量（最高）：LLM_API_KEY / LLM_BASE_URL / LLM_MODEL，
+     或 ANTHROPIC_AUTH_TOKEN / ANTHROPIC_BASE_URL / ANTHROPIC_MODEL
   2. 配置文件（中间）：web/backend/configs/llm.yaml
   3. 内置默认值（最低）
 
@@ -26,29 +22,15 @@ import json
 import logging
 import os
 import re
-from dataclasses import dataclass, field
+from dataclasses import dataclass
 from pathlib import Path
 from typing import Any, Optional
 
 logger = logging.getLogger(__name__)
 
 
-# ── Provider 预设 ────────────────────────────────────────
-# 各 Provider 的默认 base_url 与模型，避免每次都填
-PROVIDER_PRESETS: dict[str, dict] = {
-    "minimax": {
-        "base_url": "https://api.minimaxi.com/anthropic",
-        "model": "MiniMax-Text-01",
-    },
-    "anthropic": {
-        "base_url": "",   # 不填，使用官方默认
-        "model": "claude-sonnet-5",
-    },
-    "openai": {
-        "base_url": "",   # 不填，使用官方默认
-        "model": "gpt-4o",
-    },
-}
+DEFAULT_BASE_URL = "http://192.168.40.199:8080"
+DEFAULT_MODEL = "glm-5.3-flash"
 
 
 # ── 配置文件路径 ─────────────────────────────────────────
@@ -68,21 +50,20 @@ def default_config_path() -> Path:
 # ── 配置 ────────────────────────────────────────────────
 @dataclass
 class LLMConfig:
-    provider: str = "minimax"      # minimax / anthropic / openai
     api_key: Optional[str] = None
-    base_url: Optional[str] = None  # 留空则按 provider 预设
-    model: Optional[str] = None     # 留空则按 provider 预设
-    max_tokens: int = 1024
+    base_url: Optional[str] = None
+    model: Optional[str] = None
+    max_tokens: int = 2048
     temperature: float = 0.2
     timeout: int = 30
 
     @property
     def effective_model(self) -> str:
-        return self.model or PROVIDER_PRESETS.get(self.provider, {}).get("model", "claude-sonnet-5")
+        return self.model or DEFAULT_MODEL
 
     @property
     def effective_base_url(self) -> str:
-        return self.base_url or PROVIDER_PRESETS.get(self.provider, {}).get("base_url", "")
+        return self.base_url or DEFAULT_BASE_URL
 
     @property
     def available(self) -> bool:
@@ -93,7 +74,7 @@ class LLMConfig:
         """三段式加载：默认值 < 配置文件 < 环境变量（环境变量最高优先）
 
         优先级说明：
-          - 文件配置：方便项目级持久化（推荐把 provider / model / base_url 写这里）
+          - 文件配置：方便项目级持久化（推荐把 api_key / model / base_url 写这里）
           - 环境变量：方便临时切换 / 容器化部署 / CI
         """
         path = config_path or default_config_path()
@@ -106,25 +87,22 @@ class LLMConfig:
                 if v is not None and hasattr(cfg, k):
                     setattr(cfg, k, v)
 
-        # 2. 先把 provider 应用（再决定从哪个专用 env 拿 key）
-        env_provider = os.environ.get("LLM_PROVIDER")
-        if env_provider:
-            cfg.provider = env_provider
-
-        # 3. 环境变量（最高）
+        # 2. 环境变量（最高）
         env_overrides: dict[str, Any] = {
             "api_key": os.environ.get("LLM_API_KEY"),
             "base_url": os.environ.get("LLM_BASE_URL"),
             "model": os.environ.get("LLM_MODEL"),
         }
         if env_overrides["api_key"] is None:
-            # 兼容各 provider 的专用 env var（以更新后的 provider 为准）
-            if cfg.provider == "anthropic":
-                env_overrides["api_key"] = os.environ.get("ANTHROPIC_API_KEY")
-            elif cfg.provider == "openai":
-                env_overrides["api_key"] = os.environ.get("OPENAI_API_KEY")
-            elif cfg.provider == "minimax":
-                env_overrides["api_key"] = os.environ.get("MINIMAX_API_KEY")
+            env_overrides["api_key"] = (
+                os.environ.get("ANTHROPIC_API_KEY")
+                or os.environ.get("ANTHROPIC_AUTH_TOKEN")
+            )
+
+        if env_overrides["base_url"] is None:
+            env_overrides["base_url"] = os.environ.get("ANTHROPIC_BASE_URL")
+        if env_overrides["model"] is None:
+            env_overrides["model"] = os.environ.get("ANTHROPIC_MODEL")
 
         env_max_tokens = os.environ.get("LLM_MAX_TOKENS")
         if env_max_tokens:
@@ -170,94 +148,88 @@ class LLMClient:
         self._provider = None
         if self.cfg.available:
             try:
-                self._provider = self._init_provider()
+                self._provider = self._init_client()
                 logger.info(
-                    f"LLM 客户端就绪: provider={self.cfg.provider}, "
-                    f"model={self.cfg.effective_model}, "
+                    f"LLM 客户端就绪: model={self.cfg.effective_model}, "
                     f"base_url={self.cfg.effective_base_url or '默认'}"
                 )
             except Exception as e:
                 logger.warning(f"LLM 初始化失败: {e}")
         else:
             logger.info(
-                f"LLM 未配置 API Key（provider={self.cfg.provider}），"
-                f"如需启用请在 web/backend/configs/llm.yaml 设置 api_key 或配置环境变量"
+                "LLM 未配置 API Key，"
+                "如需启用请在 web/backend/configs/llm.yaml 设置 api_key 或配置环境变量"
             )
 
-    def _init_provider(self):
-        """根据 provider 创建对应 SDK 客户端"""
-        provider = self.cfg.provider
+    def _init_client(self):
+        """创建 Anthropic 兼容协议客户端。"""
         api_key = self.cfg.api_key
         base_url = self.cfg.effective_base_url or None
 
-        if provider in ("anthropic", "minimax"):
-            # MiniMax 用 Anthropic SDK + 自定义 base_url
-            import anthropic
-            kwargs: dict[str, Any] = {
-                "api_key": api_key,
-                "timeout": self.cfg.timeout,
-            }
-            if base_url:
-                kwargs["base_url"] = base_url
-            return anthropic.Anthropic(**kwargs)
-        elif provider == "openai":
-            import openai
-            kwargs = {"api_key": api_key, "timeout": self.cfg.timeout}
-            if base_url:
-                kwargs["base_url"] = base_url
-            return openai.OpenAI(**kwargs)
-        raise ValueError(
-            f"不支持的 LLM provider: {provider!r}（目前支持 minimax / anthropic / openai）"
-        )
+        import anthropic
+        kwargs: dict[str, Any] = {
+            "api_key": api_key,
+            "timeout": self.cfg.timeout,
+            # 请求失败由业务接口直接反馈，避免 SDK 在后台重试导致页面长时间无响应。
+            "max_retries": 0,
+        }
+        if base_url:
+            kwargs["base_url"] = base_url
+        return anthropic.Anthropic(**kwargs)
 
     @property
     def available(self) -> bool:
         return self._provider is not None
 
     # ── 核心调用 ──
-    def complete(self, prompt: str, system: str = "", json_mode: bool = False) -> str:
+    def complete(
+        self,
+        prompt: str,
+        system: str = "",
+        json_mode: bool = False,
+        max_tokens: int | None = None,
+    ) -> str:
         """调用 LLM，返回纯文本。失败抛 LLMUnavailable（携带可读的错误信息）。"""
         if not self.available:
             raise LLMUnavailable("LLM 客户端未配置 API Key")
 
         try:
-            if self.cfg.provider in ("anthropic", "minimax"):
-                kwargs: dict[str, Any] = {
-                    "model": self.cfg.model,
-                    "max_tokens": self.cfg.max_tokens,
-                    "messages": [{"role": "user", "content": prompt}],
-                }
-                # 当前 Anthropic SDK 1.x 的 Messages API 已不接收 temperature。
-                # MiniMax 走同一兼容接口，传入会在本地 SDK 参数校验阶段失败。
-                if system:
-                    kwargs["system"] = system
-                msg = self._provider.messages.create(**kwargs)
-                return msg.content[0].text
-
-            # openai
-            kwargs = {
-                "model": self.cfg.model,
-                "max_tokens": self.cfg.max_tokens,
-                "temperature": self.cfg.temperature,
-                "messages": [{"role": "system", "content": system},
-                             {"role": "user", "content": prompt}],
+            base_kwargs: dict[str, Any] = {
+                "model": self.cfg.effective_model,
+                "messages": [{"role": "user", "content": prompt}],
             }
-            if json_mode:
-                kwargs["response_format"] = {"type": "json_object"}
-            resp = self._provider.chat.completions.create(**kwargs)
-            return resp.choices[0].message.content
-
-            # 未支持的 provider——按理 _init_provider 已拦过，这里再防一次
-            raise LLMUnavailable(
-                f"complete() 未实现 provider={self.cfg.provider!r} 的调用分支"
+            # 当前 Anthropic SDK 1.x 的 Messages API 已不接收 temperature。
+            if system:
+                base_kwargs["system"] = system
+
+            # 部分兼容服务会先输出 thinking 块。第一次额度不够时，继续请求一次，
+            # 让模型有足够预算输出最终文本，而不是把 thinking 当作最终结果返回。
+            initial_budget = max_tokens or self.cfg.max_tokens
+            retry_budget = min(initial_budget * 2, self.cfg.max_tokens)
+            token_budgets = (
+                (initial_budget, retry_budget)
+                if retry_budget > initial_budget
+                else (initial_budget,)
             )
+            for attempt, max_tokens in enumerate(token_budgets, start=1):
+                kwargs = {**base_kwargs, "max_tokens": max_tokens}
+                msg = self._provider.messages.create(**kwargs)
+                for block in msg.content:
+                    text = getattr(block, "text", None)
+                    if isinstance(text, str):
+                        return text
+                if attempt == 1 and len(token_budgets) > 1:
+                    logger.info(
+                        "LLM 仅返回思考块，使用更高输出额度重试 "
+                        f"(max_tokens={token_budgets[1]})"
+                    )
+            raise LLMUnavailable("LLM 响应中没有可用的文本内容")
         except LLMUnavailable:
             raise
         except Exception as e:
-            detail = _format_api_error(e, self.cfg.provider)
+            detail = _format_api_error(e)
             logger.warning(
-                f"LLM 调用失败 (provider={self.cfg.provider}, "
-                f"model={self.cfg.effective_model}): {detail}"
+                f"LLM 调用失败 (model={self.cfg.effective_model}): {detail}"
             )
             raise LLMUnavailable(detail)
 
@@ -272,16 +244,16 @@ class LLMClient:
 
 
 # ── API 错误信息提取 ──────────────────────────────────────
-def _format_api_error(exc: Exception, provider: str) -> str:
+def _format_api_error(exc: Exception) -> str:
     """从 SDK 异常中提取可读的错误信息，供前端实时日志展示。
 
-    优先处理 Anthropic/OpenAI SDK 的结构化异常，
+    优先处理 Anthropic SDK 的结构化异常，
     兜底处理网络/超时等通用异常。
     """
     exc_type = type(exc).__name__
     exc_msg = str(exc)
 
-    # ── Anthropic SDK 异常（MiniMax 兼容接口也走这里） ──
+    # ── Anthropic SDK 异常 ─────────────────────────────────
     try:
         from anthropic import (
             APIStatusError,
@@ -329,33 +301,6 @@ def _format_api_error(exc: Exception, provider: str) -> str:
     except ImportError:
         pass
 
-    # ── OpenAI SDK 异常 ──
-    try:
-        from openai import (
-            APIStatusError as OAIStatusError,
-            RateLimitError as OAIRateLimitError,
-            AuthenticationError as OAIAuthError,
-            APIConnectionError as OAIConnectionError,
-            APITimeoutError as OAITimeoutError,
-        )
-        if isinstance(exc, OAIRateLimitError):
-            return (
-                f"API Error: 请求被限流 (429) · {exc_msg}"
-            )
-        if isinstance(exc, OAIAuthError):
-            return (
-                f"API Error: 认证失败 (401) · 请检查 API Key 是否正确或已过期"
-            )
-        if isinstance(exc, OAIStatusError):
-            status = getattr(exc, "status_code", "?")
-            return f"API Error: 请求失败 ({status}) · {exc_msg}"
-        if isinstance(exc, OAIConnectionError):
-            return f"API Error: 网络连接失败 · {exc_msg}"
-        if isinstance(exc, OAITimeoutError):
-            return f"API Error: 请求超时 · {exc_msg}"
-    except ImportError:
-        pass
-
     # ── 通用网络/超时异常 ──
     import builtins
     if isinstance(exc, builtins.ConnectionError):

web/backend/requirements.txt

@@ -7,9 +7,8 @@ pymysql>=1.1
 oracledb>=1.4
 dmPython>=2.5
 # LLM（web/backend/core/ai_regex.py → core/llm.py 用）
-# anthropic 走 Anthropic SDK（MiniMax 也走这个，兼容接口）；openai 走 OpenAI SDK
+# anthropic 走 Anthropic SDK（公司内部服务兼容该接口）
 # pyyaml 读 web/backend/configs/llm.yaml
 anthropic>=0.30
-openai>=1.30
 pyyaml>=6.0
 cryptography>=42.0

web/backend/routers/ai.py

@@ -20,6 +20,7 @@
 
 from __future__ import annotations
 
+import asyncio
 import time
 import re
 from typing import Any, Optional
@@ -66,10 +67,17 @@ async def ai_gen_rule(req: GenRuleRequest):
     logger.info(f"POST /api/ai/rule  rule_type={req.rule_type!r} desc={req.desc!r}")
     started = time.monotonic()
     try:
-        description, desc_note = gen_rule_description(req.name, req.desc, req.rule_type, req.prompt)
+        # 两项输出都只依赖用户的原始需求，可以并行请求，避免用户等待两次模型响应。
+        source_desc = (req.prompt or req.desc or req.name).strip()
+        description_task = asyncio.to_thread(
+            gen_rule_description, req.name, req.desc, req.rule_type, req.prompt
+        )
+        code_task = asyncio.to_thread(gen_rule, source_desc, req.rule_type)
+        (description, desc_note), (code, note) = await asyncio.gather(
+            description_task, code_task
+        )
         if not description:
             return GenRuleResponse(ok=False, code="", desc="", note=desc_note)
-        code, note = gen_rule(description, req.rule_type)
     except Exception as e:
         elapsed_ms = (time.monotonic() - started) * 1000
         logger.exception(f"❌ AI 规则服务抛出异常（耗时 {elapsed_ms:.0f}ms）")

web/src/views/RuleLibraryView.vue

@@ -41,7 +41,7 @@
             <el-form-item label="规则名称" required><el-input v-model="form.name" placeholder="例如：身份证格式校验" /></el-form-item>
             <el-form-item label="规则类型"><el-radio-group v-model="form.rule_type"><el-radio-button label="regex">正则</el-radio-button><el-radio-button label="number">数值</el-radio-button><el-radio-button label="date">日期</el-radio-button><el-radio-button label="string">字符串</el-radio-button></el-radio-group></el-form-item>
             <el-form-item label="AI生成提示词"><el-input v-model="form.ai_prompt" type="textarea" :rows="3" maxlength="2000" show-word-limit placeholder="例如：校验中国大陆居民身份证。要求为 18 位，前 17 位为数字，末位为数字或 X；同时校验行政区划码、出生日期和校验码。" /></el-form-item>
-            <el-form-item label="规则说明" required><el-input v-model="form.description" type="textarea" :rows="4" maxlength="500" show-word-limit placeholder="AI 将根据提示词生成详细说明；也可以手动补充或修改" /></el-form-item>
+            <el-form-item label="规则说明" required><el-input v-model="form.description" type="textarea" :rows="4" maxlength="500" show-word-limit placeholder="AI 将生成 30-40 字简短说明；也可以手动补充或修改" /></el-form-item>
             <el-form-item :label="form.rule_type === 'regex' ? '正则表达式' : '校验代码'" required>
               <el-input v-model="ruleContent" type="textarea" :rows="form.rule_type === 'regex' ? 2 : 8" :placeholder="form.rule_type === 'regex' ? '^.+$' : 'def check(value):\n    return True'" />
               <div class="expression-actions">
@@ -98,8 +98,8 @@ async function generateByAI() {
     if (!result.desc || !result.desc.trim()) throw new Error('AI 未返回规则说明，请确认后端已更新并重试')
     ruleContent.value = result.code
     form.description = result.desc
-    aiNote.value = result.note || 'AI 已根据提示词生成详细规则说明和表达式'
-    ElMessage.success('AI 已生成详细规则说明和表达式')
+    aiNote.value = result.note || 'AI 已生成简短规则说明和表达式'
+    ElMessage.success('AI 已生成简短规则说明和表达式')
   } catch (e) { aiNote.value = e.message; ElMessage.error(`AI 生成失败：${e.message}`) } finally { aiLoading.value = false }
 }
 async function validateExpression() {