diff --git a/backend/app/api/endpoints/ai_analyze.py b/backend/app/api/endpoints/ai_analyze.py index 49ab0cd..9ecf26e 100644 --- a/backend/app/api/endpoints/ai_analyze.py +++ b/backend/app/api/endpoints/ai_analyze.py @@ -10,6 +10,7 @@ import os from app.services.excel_ai_service import excel_ai_service from app.services.markdown_ai_service import markdown_ai_service +from app.services.template_fill_service import template_fill_service logger = logging.getLogger(__name__) @@ -329,3 +330,74 @@ async def get_markdown_outline( except Exception as e: logger.error(f"获取 Markdown 大纲失败: {str(e)}") raise HTTPException(status_code=500, detail=f"获取大纲失败: {str(e)}") + + +@router.post("/analyze/txt") +async def analyze_txt( + file: UploadFile = File(...), +): + """ + 上传并使用 AI 分析 TXT 文本文件，提取结构化数据 + + 将非结构化文本转换为结构化表格数据，便于后续填表使用 + + Args: + file: 上传的 TXT 文件 + + Returns: + dict: 分析结果，包含结构化表格数据 + """ + if not file.filename: + raise HTTPException(status_code=400, detail="文件名为空") + + file_ext = file.filename.split('.')[-1].lower() + if file_ext not in ['txt', 'text']: + raise HTTPException( + status_code=400, + detail=f"不支持的文件类型: {file_ext}，仅支持 .txt" + ) + + try: + # 读取文件内容 + content = await file.read() + + # 保存到临时文件 + with tempfile.NamedTemporaryFile(mode='wb', suffix='.txt', delete=False) as tmp: + tmp.write(content) + tmp_path = tmp.name + + try: + logger.info(f"开始 AI 分析 TXT 文件: {file.filename}") + + # 使用 template_fill_service 的 AI 分析方法 + result = await template_fill_service.analyze_txt_with_ai( + content=content.decode('utf-8', errors='replace'), + filename=file.filename + ) + + if result: + logger.info(f"TXT AI 分析成功: {file.filename}") + return { + "success": True, + "filename": file.filename, + "structured_data": result + } + else: + logger.warning(f"TXT AI 分析返回空结果: {file.filename}") + return { + "success": False, + "filename": file.filename, + "error": "AI 分析未能提取到结构化数据", + "structured_data": None + } + + finally: + # 清理临时文件 + if os.path.exists(tmp_path): + os.unlink(tmp_path) + + except HTTPException: + raise + except Exception as e: + logger.error(f"TXT AI 分析过程中出错: {str(e)}") + raise HTTPException(status_code=500, detail=f"分析失败: {str(e)}") diff --git a/backend/app/services/llm_service.py b/backend/app/services/llm_service.py index 8878deb..53f42c2 100644 --- a/backend/app/services/llm_service.py +++ b/backend/app/services/llm_service.py @@ -55,12 +55,20 @@ class LLMService: payload.update(kwargs) try: + logger.info(f"LLM API 请求: model={self.model_name}, temperature={temperature}, max_tokens={max_tokens}") + logger.info(f"消息数量: {len(messages)}") + for i, msg in enumerate(messages): + logger.info(f"消息[{i}]: role={msg.get('role')}, content长度={len(msg.get('content', ''))}") + async with httpx.AsyncClient(timeout=60.0) as client: response = await client.post( f"{self.base_url}/chat/completions", headers=headers, json=payload ) + logger.info(f"LLM API 响应状态: {response.status_code}") + if response.status_code != 200: + logger.error(f"LLM API 响应内容: {response.text}") response.raise_for_status() return response.json() diff --git a/backend/app/services/template_fill_service.py b/backend/app/services/template_fill_service.py index 71976a6..c10f4bb 100644 --- a/backend/app/services/template_fill_service.py +++ b/backend/app/services/template_fill_service.py @@ -5,6 +5,7 @@ """ import logging from dataclasses import dataclass, field +from pathlib import Path from typing import Any, Dict, List, Optional from app.core.database import mongodb @@ -32,6 +33,7 @@ class SourceDocument: doc_type: str content: str = "" structured_data: Dict[str, Any] = field(default_factory=dict) + ai_structured_data: Optional[Dict[str, Any]] = None # AI 结构化分析结果缓存 @dataclass @@ -76,12 +78,14 @@ class TemplateFillService: filled_data = {} fill_details = [] - logger.info(f"开始填表: {len(template_fields)} 个字段, {len(source_doc_ids or [])} 个源文档") + logger.info(f"开始填表: {len(template_fields)} 个字段, {len(source_doc_ids or [])} 个源文档, {len(source_file_paths or [])} 个文件路径") # 1. 加载源文档内容 source_docs = await self._load_source_documents(source_doc_ids, source_file_paths) logger.info(f"加载了 {len(source_docs)} 个源文档") + for doc in source_docs: + logger.info(f" - 文档: {doc.filename}, 类型: {doc.doc_type}, 内容长度: {len(doc.content)}, AI分析: {bool(doc.ai_structured_data)}") if not source_docs: logger.warning("没有找到源文档，填表结果将全部为空") @@ -140,7 +144,7 @@ class TemplateFillService: source_file_paths: Optional[List[str]] = None ) -> List[SourceDocument]: """ - 加载源文档内容 + 加载源文档内容，并对 TXT 文件进行 AI 结构化分析 Args: source_doc_ids: MongoDB 文档 ID 列表 @@ -157,12 +161,23 @@ class TemplateFillService: try: doc = await mongodb.get_document(doc_id) if doc: + doc_type = doc.get("doc_type", "unknown") + content = doc.get("content", "") + + # 对 TXT 文档进行 AI 结构化分析 + ai_structured = None + if doc_type == "txt" and content: + logger.info(f"MongoDB TXT 文档需要 AI 分析: {doc_id}, 内容长度: {len(content)}") + ai_structured = await self._analyze_txt_once(content, doc.get("metadata", {}).get("original_filename", "unknown")) + logger.info(f"AI 分析结果: has_data={ai_structured is not None}") + source_docs.append(SourceDocument( doc_id=doc_id, filename=doc.get("metadata", {}).get("original_filename", "unknown"), - doc_type=doc.get("doc_type", "unknown"), - content=doc.get("content", ""), - structured_data=doc.get("structured_data", {}) + doc_type=doc_type, + content=content, + structured_data=doc.get("structured_data", {}), + ai_structured_data=ai_structured )) logger.info(f"从MongoDB加载文档: {doc_id}") except Exception as e: @@ -170,10 +185,13 @@ class TemplateFillService: # 2. 从文件路径加载文档 if source_file_paths: + logger.info(f"开始从文件路径加载 {len(source_file_paths)} 个文档") for file_path in source_file_paths: try: + logger.info(f" 加载文件: {file_path}") parser = ParserFactory.get_parser(file_path) result = parser.parse(file_path) + logger.info(f" 解析结果: success={result.success}, error={result.error}") if result.success: # result.data 的结构取决于解析器类型: # - Excel 单 sheet: {columns: [...], rows: [...], row_count, column_count} @@ -182,20 +200,149 @@ class TemplateFillService: doc_data = result.data if result.data else {} doc_content = doc_data.get("content", "") if isinstance(doc_data, dict) else "" doc_structured = doc_data if isinstance(doc_data, dict) and "rows" in doc_data or isinstance(doc_data, dict) and "sheets" in doc_data else {} + doc_type = result.metadata.get("extension", "unknown").replace(".", "").lower() + logger.info(f" 文件类型: {doc_type}, 内容长度: {len(doc_content)}") + + # 对 TXT 文件进行 AI 结构化分析 + ai_structured = None + if doc_type == "txt" and doc_content: + logger.info(f" 检测到 TXT 文件，内容前100字: {doc_content[:100]}") + ai_structured = await self._analyze_txt_once(doc_content, result.metadata.get("filename", Path(file_path).name)) + logger.info(f" AI 分析完成: has_result={ai_structured is not None}") + if ai_structured: + logger.info(f" AI 结果 keys: {list(ai_structured.keys())}") + if "table" in ai_structured: + table = ai_structured.get("table", {}) + logger.info(f" AI 表格: {len(table.get('columns', []))} 列, {len(table.get('rows', []))} 行") source_docs.append(SourceDocument( doc_id=file_path, - filename=result.metadata.get("filename", file_path.split("/")[-1]), - doc_type=result.metadata.get("extension", "unknown").replace(".", ""), + filename=result.metadata.get("filename", Path(file_path).name), + doc_type=doc_type, content=doc_content, - structured_data=doc_structured + structured_data=doc_structured, + ai_structured_data=ai_structured )) - logger.info(f"从文件加载文档: {file_path}, content长度: {len(doc_content)}, structured数据: {bool(doc_structured)}") + else: + logger.warning(f"文档解析失败 {file_path}: {result.error}") except Exception as e: - logger.error(f"从文件加载文档失败 {file_path}: {str(e)}") + logger.error(f"从文件加载文档失败 {file_path}: {str(e)}", exc_info=True) return source_docs + async def _analyze_txt_once(self, content: str, filename: str) -> Optional[Dict[str, Any]]: + """ + 对 TXT 内容进行一次性 AI 分析，提取保持行结构的表格数据 + + Args: + content: 原始文本内容 + filename: 文件名 + + Returns: + 分析结果字典，包含表格数据 + """ + # 确保 content 是字符串 + if isinstance(content, bytes): + try: + content = content.decode('utf-8') + except: + content = content.decode('gbk', errors='replace') + + if not content or len(str(content).strip()) < 10: + logger.warning(f"TXT 内容过短或为空: {filename}, 类型: {type(content)}") + return None + + content = str(content) + + # 限制内容长度，避免 token 超限 + max_chars = 8000 + truncated_content = content[:max_chars] if len(content) > max_chars else content + + prompt = f"""你是一个专业的数据提取助手。请从以下文本内容中提取表格数据。 + +文件名：{filename} + +文本内容： +{truncated_content} + +请仔细分析文本中的表格数据，提取所有行。每行是一个完整的数据记录。 + +请严格按以下 JSON 格式输出，不要添加任何解释： +{{ + "table": {{ + "columns": ["列1", "列2", "列3", ...], + "rows": [ + ["值1", "值2", "值3", ...], + ["值1", "值2", "值3", ...] + ] + }}, + "summary": "简要说明数据内容" +}}""" + + messages = [ + {"role": "system", "content": "你是一个专业的数据提取助手。请严格按JSON格式输出，只输出纯JSON。"}, + {"role": "user", "content": prompt} + ] + + try: + logger.info(f"开始 AI 分析 TXT 文件: {filename}, 内容长度: {len(truncated_content)}") + response = await self.llm.chat( + messages=messages, + temperature=0.1, + max_tokens=2000 + ) + + ai_content = self.llm.extract_message_content(response) + logger.info(f"LLM 返回内容长度: {len(ai_content)}, 内容前200字: {ai_content[:200]}") + + # 解析 JSON + import json + import re + + cleaned = ai_content.strip() + cleaned = re.sub(r'^```json\s*', '', cleaned, flags=re.MULTILINE) + cleaned = re.sub(r'^```\s*', '', cleaned, flags=re.MULTILINE) + cleaned = cleaned.strip() + + logger.info(f"清理后内容前200字: {cleaned[:200]}") + + # 查找 JSON + json_start = cleaned.find('{') + json_end = cleaned.rfind('}') + 1 + + if json_start >= 0 and json_end > json_start: + json_str = cleaned[json_start:json_end] + logger.info(f"提取的JSON字符串: {json_str[:200]}") + try: + result = json.loads(json_str) + # 兼容不同格式的返回 + if "table" in result: + table = result["table"] + elif "data" in result: + table = result["data"] + elif "rows" in result: + table = {"columns": result.get("columns", []), "rows": result.get("rows", [])} + else: + # 尝试直接使用根级别的数据 + table = result + + if isinstance(table, dict) and ("columns" in table or "rows" in table): + columns = table.get("columns", []) + rows = table.get("rows", []) + logger.info(f"TXT AI 分析成功: {filename}, 列数: {len(columns)}, 行数: {len(rows)}") + return {"table": {"columns": columns, "rows": rows}, "summary": result.get("summary", "")} + else: + logger.warning(f"JSON 中没有找到有效的表格数据: {filename}, result keys: {list(result.keys())}") + except json.JSONDecodeError as e: + logger.warning(f"JSON 解析失败: {e}, json_str: {json_str[:200]}") + + logger.warning(f"无法解析 AI 返回的 JSON: {filename}, ai_content: {ai_content[:500]}") + return None + + except Exception as e: + logger.error(f"AI 分析 TXT 失败: {str(e)}, 文件: {filename}", exc_info=True) + return None + async def _extract_field_value( self, field: TemplateField, @@ -237,27 +384,25 @@ class TemplateFillService: logger.info(f"字段 {field.name} 无法直接从结构化数据提取，使用 LLM...") # 构建上下文文本 - 传入字段名，只提取该列数据 - context_text = self._build_context_text(source_docs, field_name=field.name, max_length=200000) + context_text = await self._build_context_text(source_docs, field_name=field.name, max_length=6000) # 构建提示词 hint_text = field.hint if field.hint else f"请提取{field.name}的信息" if user_hint: hint_text = f"{user_hint}。{hint_text}" - prompt = f"""你是一个专业的数据提取专家。请从以下文档内容中提取"{field.name}"字段的所有行数据。 + prompt = f"""你是一个专业的数据提取专家。请从以下文档内容中提取"{field.name}"字段的值。 -参考文档内容（已提取" {field.name}"列的数据）： +参考文档内容： {context_text} -请提取上述所有行的" {field.name}"值，存入数组。每一行对应数组中的一个元素。 -如果某行该字段为空，请用空字符串""占位。 +请仔细阅读上述内容，找到所有与"{field.name}"相关的值。 +如果内容是表格格式，请找到对应的列，提取该列所有行的值。 +每一行对应数组中的一个元素，保持行与行的对应关系。 +如果找不到对应的值，返回空数组。 -请严格按照以下 JSON 格式输出，不要添加任何解释： -{{ - "values": ["第1行的值", "第2行的值", "第3行的值", ...], - "source": "数据来源的文档描述", - "confidence": 0.0到1.0之间的置信度 -}} +请严格按以下JSON格式输出（只输出纯JSON，不要任何解释）： +{{"values": ["值1", "值2", "值3", ...], "source": "来源说明", "confidence": 0.9}} """ # 调用 LLM @@ -270,7 +415,7 @@ class TemplateFillService: response = await self.llm.chat( messages=messages, temperature=0.1, - max_tokens=50000 + max_tokens=2000 ) content = self.llm.extract_message_content(response) @@ -280,7 +425,6 @@ class TemplateFillService: import re extracted_values = [] - extracted_value = "" extracted_source = "LLM生成" confidence = 0.5 @@ -368,7 +512,7 @@ class TemplateFillService: confidence=0.0 ) - def _build_context_text(self, source_docs: List[SourceDocument], field_name: str = None, max_length: int = 8000) -> str: + async def _build_context_text(self, source_docs: List[SourceDocument], field_name: str = None, max_length: int = 8000) -> str: """ 构建上下文文本 @@ -474,7 +618,54 @@ class TemplateFillService: doc_content += " | ".join(str(cell) for cell in row) + "\n" row_count += 1 elif doc.content: - doc_content = doc.content[:5000] + # TXT 文件优先使用 AI 分析后的结构化数据 + if doc.doc_type == "txt" and doc.ai_structured_data: + # 使用 AI 结构化分析结果 + ai_table = doc.ai_structured_data.get("table", {}) + columns = ai_table.get("columns", []) + rows = ai_table.get("rows", []) + + logger.info(f"TXT AI 结构化数据: doc_type={doc.doc_type}, has_ai_data={doc.ai_structured_data is not None}, columns={columns}, rows={len(rows) if rows else 0}") + + if columns and rows: + doc_content += f"\n【文档: {doc.filename} - AI 结构化表格，共 {len(rows)} 行】\n" + if field_name: + # 查找匹配的列 + target_col = None + for col in columns: + if field_name.lower() in str(col).lower() or str(col).lower() in field_name.lower(): + target_col = col + break + if target_col: + doc_content += f"列名: {target_col}\n" + for row_idx, row in enumerate(rows): + if isinstance(row, list) and target_col in columns: + val = row[columns.index(target_col)] + else: + val = str(row.get(target_col, "")) if isinstance(row, dict) else "" + doc_content += f"行{row_idx+1}: {val}\n" + row_count += 1 + else: + # 输出表格 + doc_content += " | ".join(str(col) for col in columns) + "\n" + for row in rows: + if isinstance(row, list): + doc_content += " | ".join(str(cell) for cell in row) + "\n" + else: + doc_content += " | ".join(str(row.get(col, "")) for col in columns) + "\n" + row_count += 1 + logger.info(f"使用 TXT AI 结构化表格: {doc.filename}, {len(columns)} 列, {len(rows)} 行") + else: + # AI 结果无表格，回退到原始内容 + doc_content = doc.content[:8000] + logger.warning(f"TXT AI 结果无表格: {doc.filename}, 使用原始内容") + elif doc.doc_type == "txt" and doc.content: + # 没有 AI 分析结果，直接使用原始内容 + doc_content = doc.content[:8000] + logger.info(f"使用 TXT 原始内容: {doc.filename}, 长度: {len(doc_content)}") + else: + # 其他文档类型直接使用内容 + doc_content = doc.content[:5000] if doc_content: doc_context = f"【文档: {doc.filename} ({doc.doc_type})】\n{doc_content}" @@ -494,6 +685,182 @@ class TemplateFillService: logger.info(f"最终上下文长度: {len(result)}") return result + async def analyze_txt_with_ai(self, content: str, filename: str = "") -> Dict[str, Any]: + """ + 使用 AI 分析 TXT 文本内容，提取结构化数据 + + Args: + content: 原始文本内容 + filename: 文件名（用于日志） + + Returns: + 结构化数据，包含: + - key_value_pairs: 键值对列表 + - tables: 表格数据列表 + - numeric_data: 数值数据列表 + - text_summary: 文本摘要 + """ + if not content or len(content.strip()) < 10: + logger.warning(f"TXT 内容过短或为空，跳过 AI 分析: {filename}") + return {} + + # 截断过长的文本，避免 token 超限 + max_chars = 15000 + truncated_content = content[:max_chars] if len(content) > max_chars else content + + system_prompt = """你是一个专业的数据提取专家。请分析提供的文本内容，提取其中包含的结构化信息。 + +请提取以下类型的数据： + +1. **键值对信息**：从文本中提取的名词-值对，如"姓名: 张三"、"年龄: 25"等 +2. **表格数据**：如果文本中包含表格或列表形式的数据，提取出来 +3. **数值数据**：包含数值、金额、百分比、统计数字等 +4. **关键描述**：文本的核心内容摘要 + +请严格按照以下 JSON 格式输出，不要添加任何 Markdown 标记或解释： +{ + "key_value_pairs": [ + {"key": "键名1", "value": "值1"}, + {"key": "键名2", "value": "值2"} + ], + "tables": [ + { + "description": "表格描述", + "columns": ["列1", "列2"], + "rows": [["值1", "值2"], ["值3", "值4"]] + } + ], + "numeric_data": [ + {"name": "数据项名称", "value": 123.45, "unit": "单位"} + ], + "text_summary": "一段简洁的文本摘要，不超过200字" +}""" + + user_message = f"""请分析以下文本内容，提取结构化数据： + +文件名：{filename} + +文本内容： +{truncated_content} + +请严格按 JSON 格式输出。""" + + messages = [ + {"role": "system", "content": system_prompt}, + {"role": "user", "content": user_message} + ] + + try: + logger.info(f"开始 AI 分析 TXT 文件: {filename}, 内容长度: {len(truncated_content)}") + response = await self.llm.chat( + messages=messages, + temperature=0.1, + max_tokens=2000 + ) + + ai_content = self.llm.extract_message_content(response) + logger.info(f"AI 返回内容长度: {len(ai_content)}") + + # 解析 JSON + import json + import re + + # 清理 markdown 格式 + cleaned = ai_content.strip() + cleaned = re.sub(r'^```json\s*', '', cleaned, flags=re.MULTILINE) + cleaned = re.sub(r'^```\s*', '', cleaned, flags=re.MULTILINE) + cleaned = cleaned.strip() + + # 提取 JSON + json_start = -1 + for i, c in enumerate(cleaned): + if c == '{': + json_start = i + break + + if json_start >= 0: + brace_count = 0 + json_end = -1 + for i in range(json_start, len(cleaned)): + if cleaned[i] == '{': + brace_count += 1 + elif cleaned[i] == '}': + brace_count -= 1 + if brace_count == 0: + json_end = i + 1 + break + + if json_end > json_start: + json_str = cleaned[json_start:json_end] + result = json.loads(json_str) + logger.info(f"TXT AI 分析成功: {filename}, 提取到 {len(result.get('key_value_pairs', []))} 个键值对") + return result + + logger.warning(f"无法从 AI 返回中解析 JSON: {filename}") + return {} + + except json.JSONDecodeError as e: + logger.error(f"JSON 解析失败: {str(e)}, 文件: {filename}") + return {} + except Exception as e: + logger.error(f"AI 分析 TXT 失败: {str(e)}, 文件: {filename}", exc_info=True) + return {} + + def _format_structured_for_context(self, structured_data: Dict[str, Any], filename: str) -> str: + """ + 将结构化数据格式化为上下文文本 + + Args: + structured_data: AI 分析返回的结构化数据 + filename: 文件名 + + Returns: + 格式化的文本上下文 + """ + parts = [] + + # 添加标题 + parts.append(f"【文档: {filename} - AI 结构化分析结果】") + + # 格式化键值对 + key_value_pairs = structured_data.get("key_value_pairs", []) + if key_value_pairs: + parts.append("\n## 关键信息：") + for kv in key_value_pairs[:20]: # 最多 20 个 + parts.append(f"- {kv.get('key', '')}: {kv.get('value', '')}") + + # 格式化表格数据 + tables = structured_data.get("tables", []) + if tables: + parts.append("\n## 表格数据：") + for i, table in enumerate(tables[:5]): # 最多 5 个表格 + desc = table.get("description", f"表格{i+1}") + columns = table.get("columns", []) + rows = table.get("rows", []) + if columns and rows: + parts.append(f"\n### {desc}") + parts.append("| " + " | ".join(str(c) for c in columns) + " |") + parts.append("| " + " | ".join(["---"] * len(columns)) + " |") + for row in rows[:10]: # 每个表格最多 10 行 + parts.append("| " + " | ".join(str(cell) for cell in row) + " |") + + # 格式化数值数据 + numeric_data = structured_data.get("numeric_data", []) + if numeric_data: + parts.append("\n## 数值数据：") + for num in numeric_data[:15]: # 最多 15 个 + name = num.get("name", "") + value = num.get("value", "") + unit = num.get("unit", "") + parts.append(f"- {name}: {value} {unit}") + + # 添加文本摘要 + text_summary = structured_data.get("text_summary", "") + if text_summary: + parts.append(f"\n## 内容摘要：\n{text_summary}") + + return "\n".join(parts) + async def get_template_fields_from_file( self, file_path: str, @@ -675,7 +1042,7 @@ class TemplateFillService: def _extract_values_from_structured_data(self, source_docs: List[SourceDocument], field_name: str) -> List[str]: """ - 从结构化数据（Excel rows）中直接提取指定列的值 + 从结构化数据（Excel rows）或 AI 结构化分析结果中直接提取指定列的值 适用于有 rows 结构的文档数据，无需 LLM 即可提取 @@ -689,6 +1056,18 @@ class TemplateFillService: all_values = [] for doc in source_docs: + # 优先从 AI 结构化数据中提取（适用于 TXT 文件） + if doc.ai_structured_data: + ai_table = doc.ai_structured_data.get("table", {}) + columns = ai_table.get("columns", []) + rows = ai_table.get("rows", []) + if columns and rows: + values = self._extract_column_values(rows, columns, field_name) + if values: + all_values.extend(values) + logger.info(f"从 TXT AI 结构化数据提取到 {len(values)} 个值: {doc.filename}") + break + # 尝试从 structured_data 中提取 structured = doc.structured_data diff --git a/frontend/src/db/backend-api.ts b/frontend/src/db/backend-api.ts index d26e1a8..7c7591d 100644 --- a/frontend/src/db/backend-api.ts +++ b/frontend/src/db/backend-api.ts @@ -1161,6 +1161,48 @@ export const aiApi = { } }, + /** + * 上传并使用 AI 分析 TXT 文本文件，提取结构化数据 + */ + async analyzeTxt( + file: File + ): Promise<{ + success: boolean; + filename?: string; + structured_data?: { + table?: { + columns?: string[]; + rows?: string[][]; + }; + summary?: string; + key_value_pairs?: Array<{ key: string; value: string }>; + numeric_data?: Array<{ name: string; value: number; unit?: string }>; + }; + error?: string; + }> { + const formData = new FormData(); + formData.append('file', file); + + const url = `${BACKEND_BASE_URL}/ai/analyze/txt`; + + try { + const response = await fetch(url, { + method: 'POST', + body: formData, + }); + + if (!response.ok) { + const error = await response.json(); + throw new Error(error.detail || 'TXT AI 分析失败'); + } + + return await response.json(); + } catch (error) { + console.error('TXT AI 分析失败:', error); + throw error; + } + }, + /** * 生成统计信息和图表 */