当前系统采用「原位回填」方案：读入 docx → 逐段分类 → 调 LLM 重写 → 把新文本塞回原段 run。这种做法的核心矛盾是既要保全格式又要降 AIGC 率，两件事冲突严重——run 级格式保留约束了改写的自由度，而且 replace_paragraph_text_preserve_runs 在跨 run 长度变化时经常出毛病。
背景与目标
用户新需求明确：放弃细粒度格式保留，转向「内容优先」模式，只保留结构骨架（标题层级 + 参考文献/致谢/声明），正文做强重写，导出全新 docx。
核心设计原则
| 项目 | 旧方案 | 新方案（内容优先） |
|---|---|---|
| 格式策略 | 保留 run 级字体/样式 | 只保留标题层级 + 结尾区块 |
| 图题/表题/表注 | 强保 | 不再强保，可酌情重写 |
| 段内字体 | 死保每个 run | 不保留，整段纯文本 |
| 输出方式 | 原位修改原 docx | 导出全新 docx |
| System Prompt | 通用型 | 大幅强化 6 条降 AIGC 规则 |
架构总览
┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐│ file_parser │────▶│ doc_analyzer │────▶│ llm_rewriter │────▶│ doc_builder ││ (解析原文件) │ │ (结构识别) │ │ (强重写引擎) │ │ (构建新docx) │└──────────────┘ └──────────────┘ └──────────────┘ └──────────────┘
四大模块职责
1. file_parser.py — 文件解析层（保留+微调）
- 已有 txt/docx/pdf 解析
- 新增：
parse_docx_structured()函数，返回结构化段落列表而非纯文本拼接 - 每个段落对象包含：text,
style_name,heading_level(1/2/3/None),is_list_item
2. doc_analyzer.py — 结构识别器（新建）
- 从 llm_service.py 中剥离段落分类逻辑（classify_paragraph_type, is_heading_like_text, is_trigger_match 等）
- 负责将段落列表标记为以下类型之一：
- heading — 一级/二级/三级标题（保留不改）
reference/acknowledgment/declaration— 结尾区块（保留不改）body— 正文（强重写目标）caption— 图题/表题（按新策略可酌情轻改或跳过）
- 输出一个
AnalyzedDocument对象：有序段落列表 + 各段类型标签
3. llm_rewriter.py — 强重写引擎（从 llm_service.py 重构）
- 全新 System Prompt 融入用户的 6 条核心规则：
- 极高文本波动率：长短句交错，绝不排比
- 提升困惑度：禁用「首先、其次」，替换为「不可否认的是、结合实际情况来看」
- 注入生涩感：学术术语准确，模拟本科生毕设口吻
- 核心语义不变：保留数据+论点
- 精准锚定参考文献标号
[1][2] - 绝对禁止废话（零对话模式）
- 附加改写策略（融入 prompt）：
- 打破句式对称
- 剔除过渡冗余（「众所周知」「值得注意的是」等）
- 动作实体化（减少主谓宾，多用被动/无主语句）
- 提升专业词汇密度
- 保留：分块 smart_chunking、段内拆分 split_paragraph_into_rewrite_units
- 保留：重试/相似度检测/回退机制（needs_retry, is_too_similar, should_fallback_to_source）
- 删除：replace_paragraph_text_preserve_runs（不再需要 run 级回填）
4. doc_builder.py — 新文档构建器（新建）
- 接收
AnalyzedDocument + 重写结果 - 创建全新
python-docx.Document() - 标题段：根据
heading_level用doc.add_heading(text, level=n)添加 - 正文段：
doc.add_paragraph(rewritten_text)添加重写后的纯文本 - 保留区块（参考文献、致谢等）：原样添加
- 可选：设置一个统一的学术论文样式模板（宋体正文 + 黑体标题等）
文件变更清单
[NEW] doc_analyzer.py
- 从 llm_service.py 提取的结构识别逻辑
- 定义
StructuredParagraph和AnalyzedDocument数据类 analyze_document(paragraphs) → AnalyzedDocument
[NEW] doc_builder.py
build_document(analyzed_doc, rewrite_results, output_path)→ 生成新 docx
[NEW] llm_rewriter.py
- 全新 System Prompt + 重写策略
rewrite_body_paragraphs(analyzed_doc, client, model, reference_list) → AsyncGenerator流式重写
[MODIFY] llm_service.py
- 大幅瘦身：移除段落分类逻辑（→
doc_analyzer.py）、移除 run 替换逻辑 - process_paper_stream() 重构为编排层，调用上述三个模块
- 保留 API key 工具函数 + generate_paper_stream()
[MODIFY] file_parser.py
- 新增
parse_docx_structured()返回结构化段落对象列表
[MODIFY] main.py
- API 不变，内部调用链路更新
用户审阅事项
IMPORTANT
导出新 docx 意味着原文件的所有图片、嵌入式表格、SmartArt 等非文本元素将不会携带到新文档中。 如果你的论文含有重要的图片/表格，需要在重写完成后手动从原文件复制过来。后续迭代可以考虑自动搬运图片，但本次重构先聚焦文本重写核心。
NOTE
图题和表题（如「图 1 系统架构图」）在新方案中默认跳过不重写、原样保留到新文档。如果你希望对它们也做轻改，可以告诉我。
数据流详解
是否用户上传 docx/txt/pdffile_parser: 解析docx?parse_docx_structured提取段落 + style + heading_levelparse_txt / parse_pdf提取纯文本doc_analyzer: 分类标注AnalyzedDocument每段带类型标签llm_rewriter: 逐段强重写仅处理 body 类型段落流式输出到前端doc_builder: 构建新 docx保存到 outputs/用户下载
System Prompt 设计（核心）
text你是核心学术期刊的特约文字校对专家，执行"学术语域重构与信息密度提升"任务。【绝对规则】1. 极高文本波动率：交替使用极短句（5-10字）和长复句（50字以上）， 绝不使用排比结构，刻意打破句式对称。适当增加长句的从句嵌套深度， 模拟人类学者的复杂思考路径。2. 提升困惑度：禁用"首先、其次、再次、最后、一方面/另一方面"等连接词， 替换为"不可否认的是、结合实际情况来看、从另一维度审视、就学理而言"等 低频学术表达。逻辑连贯性应通过上下文语义自然衔接。3. 注入生涩感：术语必须准确，但行文应模仿真实本科生毕设的主观推导口吻， 带有轻微的"正在探索"感。将口语化表达转为规范学术概念 （例：把它分成几块 → 进行模块化解耦；效果更好 → 显著优化了某某指标）。4. 核心语义不变：保留所有关键数据、论点、实验结果。不得新增观点。5. 精准锚定参考文献：原文标号（[1],[2]等）必须精准转移到重写后 对应论点的末尾，不得遗漏、不得错位。6. 零废话输出模式：直接输出重写后的正文。绝不允许包含任何解释性、 确认性或过渡性文字。【附加策略】- 剔除过渡冗余：删除"众所周知""在此大环境下""值得注意的是"等无意义连词。- 动作实体化：减少"我们设计了…"主谓宾结构，多用无主语句或被动语态 （例：我们使用了Jieba分词 → 研究引入Jieba分词引擎）。- 提升专业词汇密度：确保每段至少有2-3个精确的专业术语或方法名。【边界意识】标题、目录、文献引用项、致谢、声明类文本，不改写，原样返回。
验证计划
自动化测试
- 现有测试：
python -m pytest tests/test_llm_service.py -v（验证 split_paragraph_into_rewrite_units 回归） - 新增单测：
tests/test_doc_analyzer.py— 测试段落分类准确性（标题/正文/参考文献/图题）tests/test_doc_builder.py— 测试从 AnalyzedDocument 构建 docx 的结构正确性
手动验证
- 启动服务
bash start.sh - 在浏览器中上传一个包含标题、正文、参考文献的
.docx测试文件 - 点击重写，观察：
- 流式输出是否正常
- 标题是否被跳过（不被重写）
- 参考文献区块是否被保留
- 下载的新 docx 是否包含正确的标题层级
- 打开下载的 docx 检查格式结构
發佈留言