docs: 更新README文档和.env示例文件
更新README文档，添加团队成员信息、项目简介、技术栈等内容，并优化.env示例文件的格式
This commit is contained in:
萧
parent
72ffdf1647
commit
73490e6799
@ -1,10 +1,10 @@
|
|||||||
# DeepSeek API Configuration
|
# DeepSeek API Configuration
|
||||||
DEEPSEEK_API_KEY="your-deepseek-api-key-here"
|
DEEPSEEK_API_KEY=your-deepseek-api-key-here
|
||||||
DEEPSEEK_BASE_URL="https://api.deepseek.com"
|
DEEPSEEK_BASE_URL=https://api.deepseek.com
|
||||||
|
|
||||||
# OpenAI Compatibility (for DeepSeek)
|
# OpenAI Compatibility (for DeepSeek)
|
||||||
OPENAI_API_KEY="${DEEPSEEK_API_KEY}"
|
OPENAI_API_KEY=your-deepseek-api-key-here
|
||||||
OPENAI_BASE_URL="${DEEPSEEK_BASE_URL}"
|
OPENAI_BASE_URL=https://api.deepseek.com
|
||||||
|
|
||||||
# Project Configuration
|
# Project Configuration
|
||||||
PROJECT_NAME="spam-classification-system"
|
PROJECT_NAME="spam-classification-system"
|
||||||
|
|||||||
353
README.md
353
README.md
@ -1,11 +1,188 @@
|
|||||||
# 垃圾短信分类系统
|
# 垃圾短信分类系统
|
||||||
|
|
||||||
## 项目概述
|
|
||||||
|
|
||||||
本项目是一个基于**传统机器学习 + LLM + Agent**的垃圾短信分类系统，旨在实现可落地的智能预测与行动建议。系统使用传统机器学习完成可量化的垃圾短信预测任务，再用 LLM + Agent 把预测结果变成可执行的决策/建议，并保证输出结构化、可追溯、可复现。
|
> **机器学习 (Python) 课程设计**
|
||||||
|
|
||||||
|
|
||||||
|
## 👥 团队成员
|
||||||
|
|
||||||
|
|
||||||
|
| 姓名 | 学号 | 贡献 |
|
||||||
|
|------|------|------|
|
||||||
|
| 朱指乐 | 2311020135 | 数据处理、模型训练 |
|
||||||
|
| 肖康 | 2311020125 | Agent 开发、LLM 服务 |
|
||||||
|
| 龙思富 | 2311020114 | 可视化、优化streamlit应用、文档撰写|
|
||||||
|
|
||||||
|
|
||||||
|
## 📝 项目简介
|
||||||
|
|
||||||
|
|
||||||
|
本项目是一个基于**传统机器学习 + LLM + Agent**的垃圾短信分类系统，旨在实现可落地的智能预测与行动建议。系统使用 SMS Spam Collection 数据集，通过传统机器学习完成垃圾短信的量化预测，再利用 LLM 和 Agent 技术将预测结果转化为结构化、可执行的决策建议，确保输出结果可追溯、可复现。
|
||||||
|
|
||||||
|
|
||||||
|
## 🚀 快速开始
|
||||||
|
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 克隆仓库
|
||||||
|
git clone http://hblu.top:3000/MachineLearning2025/CourseDesign.git
|
||||||
|
cd CourseDesign
|
||||||
|
|
||||||
|
# 安装依赖
|
||||||
|
pip install uv -i https://mirrors.aliyun.com/pypi/simple/
|
||||||
|
uv config set index-url https://mirrors.aliyun.com/pypi/simple/
|
||||||
|
uv sync
|
||||||
|
|
||||||
|
# 配置环境变量
|
||||||
|
cp .env.example .env
|
||||||
|
# 编辑 .env 填入 API Key
|
||||||
|
|
||||||
|
# 运行 Demo
|
||||||
|
uv run streamlit run src/streamlit_app.py
|
||||||
|
```
|
||||||
|
|
||||||
|
|
||||||
|
## 1️⃣ 问题定义与数据
|
||||||
|
|
||||||
|
|
||||||
|
### 1.1 任务描述
|
||||||
|
|
||||||
|
|
||||||
|
本项目是一个二分类任务，目标是自动识别垃圾短信（spam）和正常短信（ham）。业务目标是构建一个高准确率、可解释的垃圾短信分类系统，帮助用户有效过滤垃圾信息，提升信息安全和用户体验。
|
||||||
|
|
||||||
|
|
||||||
|
### 1.2 数据来源
|
||||||
|
|
||||||
|
|
||||||
|
| 项目 | 说明 |
|
||||||
|
|------|------|
|
||||||
|
| 数据集名称 | SMS Spam Collection |
|
||||||
|
| 数据链接 | `https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset` |
|
||||||
|
| 样本量 | 5,572 条 |
|
||||||
|
| 特征数 | 1 个（短信文本） |
|
||||||
|
|
||||||
|
|
||||||
|
### 1.3 数据切分与防泄漏
|
||||||
|
|
||||||
|
|
||||||
|
数据按 8:2 比例分割为训练集和测试集，确保模型在独立的测试集上进行评估。在数据预处理和特征工程阶段，所有操作仅在训练集上进行，避免信息泄漏到测试集。使用 TF-IDF 进行文本向量化时，同样严格遵循先训练后应用的原则。
|
||||||
|
|
||||||
|
|
||||||
|
## 2️⃣ 机器学习流水线
|
||||||
|
|
||||||
|
|
||||||
|
### 2.1 基线模型
|
||||||
|
|
||||||
|
|
||||||
|
| 模型 | 指标 | 结果 |
|
||||||
|
|------|------|------|
|
||||||
|
| Logistic Regression | 准确率 | 0.978 |
|
||||||
|
| Logistic Regression | F1 分数（Macro） | 0.959 |
|
||||||
|
|
||||||
|
|
||||||
|
### 2.2 进阶模型
|
||||||
|
|
||||||
|
|
||||||
|
| 模型 | 指标 | 结果 |
|
||||||
|
|------|------|------|
|
||||||
|
| LightGBM | 准确率 | 0.985 |
|
||||||
|
| LightGBM | F1 分数（Macro） | 0.971 |
|
||||||
|
|
||||||
|
|
||||||
|
### 2.3 误差分析
|
||||||
|
|
||||||
|
|
||||||
|
模型在以下类型的样本上表现相对较差：
|
||||||
|
1. 包含大量特殊字符或缩写的短信
|
||||||
|
2. 内容模糊、边界不清的促销短信
|
||||||
|
3. 混合中英文的短信
|
||||||
|
4. 模仿正常短信格式的垃圾短信
|
||||||
|
|
||||||
|
这主要是因为文本特征提取方法（TF-IDF）对语义理解有限，无法完全捕捉复杂的语言模式和上下文信息。
|
||||||
|
|
||||||
|
|
||||||
|
## 3️⃣ Agent 实现
|
||||||
|
|
||||||
|
|
||||||
|
### 3.1 工具定义
|
||||||
|
|
||||||
|
|
||||||
|
| 工具名 | 功能 | 输入 | 输出 |
|
||||||
|
|--------|------|------|------|
|
||||||
|
| `predict_spam` | 使用机器学习模型预测短信是否为垃圾短信 | 短信文本 | 分类结果（spam/ham）和概率 |
|
||||||
|
| `explain_prediction` | 解释模型预测结果并生成行动建议 | 短信文本、分类结果、概率 | 结构化的解释和建议 |
|
||||||
|
| `translate_text` | 将文本翻译成目标语言 | 文本、目标语言 | 翻译后的文本 |
|
||||||
|
|
||||||
|
|
||||||
|
### 3.2 决策流程
|
||||||
|
|
||||||
|
|
||||||
|
Agent 按照以下流程执行任务：
|
||||||
|
1. 接收用户提供的短信文本
|
||||||
|
2. 使用 `predict_spam` 工具进行分类预测
|
||||||
|
3. 使用 `explain_prediction` 工具解释分类结果并生成行动建议
|
||||||
|
4. 如果短信为英文，可选择使用 `translate_text` 工具翻译成中文
|
||||||
|
5. 向用户提供清晰、完整的分类结果、解释和建议
|
||||||
|
|
||||||
|
|
||||||
|
### 3.3 案例展示
|
||||||
|
|
||||||
|
|
||||||
|
**输入**：
|
||||||
|
```
|
||||||
|
Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. Text FA to 87121 to receive entry question(std txt rate)T&C's apply 08452810075over18's
|
||||||
|
```
|
||||||
|
|
||||||
|
**输出**：
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"classification": {
|
||||||
|
"label": "spam",
|
||||||
|
"probability": {
|
||||||
|
"spam": 0.98,
|
||||||
|
"ham": 0.02
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"explanation": {
|
||||||
|
"content_summary": "这是一条关于免费赢取足总杯决赛门票的竞赛广告短信",
|
||||||
|
"classification_reason": "短信包含'Free entry'、'win'、'comp'等典型的垃圾短信关键词，且提供了需要用户回复的电话号码，符合垃圾短信的特征",
|
||||||
|
"confidence_level": "高",
|
||||||
|
"confidence_explanation": "模型以98%的概率将其分类为垃圾短信，基于文本中的垃圾短信特征词汇和结构",
|
||||||
|
"suggestions": ["不要回复此短信，避免产生额外费用", "将此号码加入黑名单", "删除该短信"]
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
|
||||||
|
## 4️⃣ 开发心得
|
||||||
|
|
||||||
|
|
||||||
|
### 4.1 主要困难与解决方案
|
||||||
|
|
||||||
|
|
||||||
|
1. **文本特征提取**：原始文本数据难以直接用于机器学习模型，解决方案是使用 TF-IDF 进行文本向量化，将文本转化为数值特征。
|
||||||
|
2. **模型可解释性**：传统机器学习模型的预测结果缺乏可解释性，解决方案是集成 LLM 服务，对模型预测结果进行自然语言解释。
|
||||||
|
3. **API 集成与错误处理**：LLM API 调用可能会遇到各种错误，解决方案是实现完善的错误处理机制，确保系统稳定性。
|
||||||
|
|
||||||
|
|
||||||
|
### 4.2 对 AI 辅助编程的感受
|
||||||
|
|
||||||
|
|
||||||
|
AI 辅助编程工具（如 GitHub Copilot）在代码编写和问题解决方面提供了很大帮助，特别是在处理重复性任务和学习新框架时。它可以快速生成代码模板，提供解决方案建议，显著提高开发效率。但同时也需要注意，AI 生成的代码可能存在错误或不符合项目规范，需要人工仔细检查和调试。
|
||||||
|
|
||||||
|
|
||||||
|
### 4.3 局限与未来改进
|
||||||
|
|
||||||
|
|
||||||
|
1. **模型性能**：当前模型在处理复杂语言模式和上下文理解方面仍有提升空间，可以考虑使用更先进的文本表示方法（如 BERT）。
|
||||||
|
2. **多语言支持**：目前系统主要支持中英文短信，未来可以扩展到更多语言。
|
||||||
|
3. **实时性**：可以优化模型推理速度，实现实时分类功能。
|
||||||
|
4. **用户界面**：可以进一步改进 Streamlit 应用的用户体验，增加更多交互功能和可视化效果。
|
||||||
|
|
||||||
|
|
||||||
## 技术栈
|
## 技术栈
|
||||||
|
|
||||||
|
|
||||||
| 组件 | 技术 | 版本要求 |
|
| 组件 | 技术 | 版本要求 |
|
||||||
|------|------|----------|
|
|------|------|----------|
|
||||||
| 项目管理 | uv | 最新版 |
|
| 项目管理 | uv | 最新版 |
|
||||||
@ -13,189 +190,33 @@
|
|||||||
| 数据验证 | pandera | >=0.18.0 |
|
| 数据验证 | pandera | >=0.18.0 |
|
||||||
| 机器学习 | scikit-learn + lightgbm | sklearn>=1.3.0, lightgbm>=4.0.0 |
|
| 机器学习 | scikit-learn + lightgbm | sklearn>=1.3.0, lightgbm>=4.0.0 |
|
||||||
| LLM 框架 | openai | >=1.0.0 |
|
| LLM 框架 | openai | >=1.0.0 |
|
||||||
| Agent 框架 | pydantic + pydantic-ai | pydantic>=2.0.0 |
|
| Agent 框架 | pydantic | pydantic>=2.0.0 |
|
||||||
| 可视化 | streamlit | >=1.20.0 |
|
| 可视化 | streamlit | >=1.20.0 |
|
||||||
| 文本处理 | nltk | >=3.8.0 |
|
| 文本处理 | nltk | >=3.8.0 |
|
||||||
|
|
||||||
## 项目结构
|
|
||||||
|
|
||||||
```
|
|
||||||
├── src/
|
|
||||||
│ ├── data/ # 数据处理模块
|
|
||||||
│ │ ├── __init__.py
|
|
||||||
│ │ ├── preprocess.py # 数据预处理
|
|
||||||
│ │ └── validation.py # 数据验证
|
|
||||||
│ ├── models/ # 机器学习模型
|
|
||||||
│ │ ├── __init__.py
|
|
||||||
│ │ ├── train.py # 模型训练
|
|
||||||
│ │ ├── evaluate.py # 模型评估
|
|
||||||
│ │ └── predict.py # 模型预测
|
|
||||||
│ ├── agent/ # Agent 模块
|
|
||||||
│ │ ├── __init__.py
|
|
||||||
│ │ ├── agent.py # Agent 核心逻辑
|
|
||||||
│ │ └── tools.py # Agent 工具定义
|
|
||||||
│ ├── llm/ # LLM 服务
|
|
||||||
│ │ ├── __init__.py
|
|
||||||
│ │ └── llm_service.py # DeepSeek API 集成
|
|
||||||
│ ├── main.py # 主程序入口
|
|
||||||
│ └── streamlit_app.py # Streamlit 可视化应用
|
|
||||||
├── data/ # 数据集目录
|
|
||||||
│ └── spam.csv # 垃圾短信数据集
|
|
||||||
├── models/ # 模型保存目录
|
|
||||||
├── .env.example # 环境变量示例
|
|
||||||
├── .gitignore # Git 忽略文件
|
|
||||||
├── pyproject.toml # 项目配置
|
|
||||||
└── README.md # 项目说明文档
|
|
||||||
```
|
|
||||||
|
|
||||||
## 快速开始
|
|
||||||
|
|
||||||
### 1. 安装依赖
|
|
||||||
|
|
||||||
```bash
|
|
||||||
# 安装 uv（如果尚未安装）
|
|
||||||
pip install uv -i https://mirrors.aliyun.com/pypi/simple/
|
|
||||||
|
|
||||||
# 配置 PyPI 镜像
|
|
||||||
uv config set index-url https://mirrors.aliyun.com/pypi/simple/
|
|
||||||
|
|
||||||
# 同步依赖
|
|
||||||
uv sync
|
|
||||||
```
|
|
||||||
|
|
||||||
### 2. 配置 API 密钥
|
|
||||||
|
|
||||||
```bash
|
|
||||||
# 复制环境变量示例文件
|
|
||||||
cp .env.example .env
|
|
||||||
|
|
||||||
# 编辑 .env 文件，填入你的 DeepSeek API Key
|
|
||||||
# DEEPSEEK_API_KEY="your-key-here"
|
|
||||||
```
|
|
||||||
|
|
||||||
### 3. 运行应用
|
|
||||||
|
|
||||||
#### 方式 A：Streamlit 可视化应用（推荐）
|
|
||||||
|
|
||||||
```bash
|
|
||||||
uv run streamlit run src/streamlit_app.py
|
|
||||||
```
|
|
||||||
|
|
||||||
#### 方式 B：命令行 Agent Demo
|
|
||||||
|
|
||||||
```bash
|
|
||||||
uv run python src/agent_app.py
|
|
||||||
```
|
|
||||||
|
|
||||||
#### 方式 C：运行模型训练
|
|
||||||
|
|
||||||
```bash
|
|
||||||
uv run python src/models/train.py
|
|
||||||
```
|
|
||||||
|
|
||||||
## 使用说明
|
|
||||||
|
|
||||||
### 1. Streamlit 应用
|
|
||||||
|
|
||||||
启动 Streamlit 应用后，你可以：
|
|
||||||
|
|
||||||
- **单条短信分类**：在左侧输入框中输入短信内容，点击「开始分类」按钮，系统将返回分类结果、解释和建议
|
|
||||||
- **批量分类**：上传包含 `text` 列的 CSV 文件，系统将自动对所有短信进行分类
|
|
||||||
- **模型选择**：在侧边栏选择使用 LightGBM 或 Logistic Regression 模型
|
|
||||||
- **语言选择**：在侧边栏选择输出结果的语言（中文/英文）
|
|
||||||
- **重新训练模型**：在「模型训练」展开栏中点击「重新训练模型」按钮
|
|
||||||
|
|
||||||
### 2. 命令行使用
|
|
||||||
|
|
||||||
```python
|
|
||||||
from src.agent import agent
|
|
||||||
|
|
||||||
# 分类并解释短信
|
|
||||||
result = agent.classify_and_explain("Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005.")
|
|
||||||
|
|
||||||
print(f"分类结果: {result['classification']['label']}")
|
|
||||||
print(f"分类概率: {result['classification']['probability']}")
|
|
||||||
print(f"解释: {result['explanation']['classification_reason']}")
|
|
||||||
print(f"建议: {result['explanation']['suggestions']}")
|
|
||||||
```
|
|
||||||
|
|
||||||
## 模型训练
|
|
||||||
|
|
||||||
### 训练流程
|
|
||||||
|
|
||||||
1. **数据加载**：使用 Polars 加载 `data/spam.csv` 数据集
|
|
||||||
2. **数据预处理**：
|
|
||||||
- 清洗文本（去除 HTML 实体、特殊字符、多余空格）
|
|
||||||
- 转换标签（spam → 1，ham → 0）
|
|
||||||
- 数据验证（使用 Pandera 验证数据质量）
|
|
||||||
3. **数据分割**：按 8:2 比例分割训练集和测试集
|
|
||||||
4. **特征工程**：使用 TF-IDF 进行文本向量化
|
|
||||||
5. **模型训练**：
|
|
||||||
- 基线模型：Logistic Regression
|
|
||||||
- 强模型：LightGBM
|
|
||||||
6. **模型评估**：计算准确率、精确率、召回率、F1 分数
|
|
||||||
7. **模型保存**：将训练好的模型保存到 `models/` 目录
|
|
||||||
|
|
||||||
### 评估结果
|
|
||||||
|
|
||||||
| 模型 | 准确率 | 精确率（Macro） | 召回率（Macro） | F1 分数（Macro） |
|
|
||||||
|------|--------|----------------|----------------|------------------|
|
|
||||||
| Logistic Regression | 0.978 | 0.964 | 0.954 | 0.959 |
|
|
||||||
| LightGBM | 0.985 | 0.974 | 0.968 | 0.971 |
|
|
||||||
|
|
||||||
## 系统架构
|
|
||||||
|
|
||||||
### 1. 数据层
|
|
||||||
|
|
||||||
- **数据加载**：使用 Polars 高效加载和处理大规模数据
|
|
||||||
- **数据清洗**：实现可复现的数据清洗流水线
|
|
||||||
- **数据验证**：使用 Pandera 定义数据 Schema，确保数据质量
|
|
||||||
|
|
||||||
### 2. 模型层
|
|
||||||
|
|
||||||
- **特征工程**：TF-IDF 文本向量化
|
|
||||||
- **模型训练**：支持多种模型（LightGBM、Logistic Regression）
|
|
||||||
- **模型评估**：全面的评估指标和可视化
|
|
||||||
- **模型管理**：模型保存、加载和版本控制
|
|
||||||
|
|
||||||
### 3. LLM 层
|
|
||||||
|
|
||||||
- **文本翻译**：将英文短信翻译成中文
|
|
||||||
- **结果解释**：解释模型分类结果的原因
|
|
||||||
- **行动建议**：根据分类结果生成可执行的建议
|
|
||||||
- **模式分析**：分析垃圾短信的常见模式
|
|
||||||
|
|
||||||
### 4. Agent 层
|
|
||||||
|
|
||||||
- **工具定义**：
|
|
||||||
- `predict_spam`：使用机器学习模型预测短信是否为垃圾短信
|
|
||||||
- `explain_prediction`：使用 LLM 解释分类结果并生成行动建议
|
|
||||||
- `translate_text`：将文本翻译成目标语言
|
|
||||||
- **Agent 逻辑**：实现工具调用、结果整合和自然语言生成
|
|
||||||
- **结构化输出**：确保输出结果可追溯、可复现
|
|
||||||
|
|
||||||
## 贡献指南
|
|
||||||
|
|
||||||
1. 朱指乐-仓库创建-项目初始化-数据获取-数据预处理-模型训练-模型评估-模型保存
|
|
||||||
2. 肖康-LLM服务-实现文本解释和建议生成功能-agent实现-工具调用-结构化输出
|
|
||||||
3. 龙思富-可视化-交互式可视化应用-文档编写
|
|
||||||
|
|
||||||
## 许可证
|
## 许可证
|
||||||
|
|
||||||
|
|
||||||
MIT License
|
MIT License
|
||||||
|
|
||||||
|
|
||||||
## 致谢
|
## 致谢
|
||||||
|
|
||||||
|
|
||||||
- 感谢 [DeepSeek](https://www.deepseek.com/) 提供的 LLM API
|
- 感谢 [DeepSeek](https://www.deepseek.com/) 提供的 LLM API
|
||||||
- 感谢 Kaggle 提供的 [SMS Spam Collection](https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset) 数据集
|
- 感谢 Kaggle 提供的 [SMS Spam Collection](https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset) 数据集
|
||||||
- 感谢所有开源库的贡献者
|
- 感谢所有开源库的贡献者
|
||||||
|
|
||||||
|
|
||||||
## 联系方式
|
## 联系方式
|
||||||
|
|
||||||
|
|
||||||
如有问题或建议，欢迎通过以下方式联系：
|
如有问题或建议，欢迎通过以下方式联系：
|
||||||
|
|
||||||
- 项目地址：[http://hblu.top:3000/MachineLearning2025/CourseDesign](http://hblu.top:3000/MachineLearning2025/CourseDesign)
|
- 项目地址：[http://hblu.top:3000/MachineLearning2025/CourseDesign](http://hblu.top:3000/MachineLearning2025/CourseDesign)
|
||||||
- 邮箱：your-email@example.com
|
- 邮箱：xxxxxxxxxx@gmail.com
|
||||||
|
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@ -50,8 +50,18 @@ class SpamClassificationAgent:
|
|||||||
self.api_key = env_vars.get("DEEPSEEK_API_KEY") or os.getenv("DEEPSEEK_API_KEY")
|
self.api_key = env_vars.get("DEEPSEEK_API_KEY") or os.getenv("DEEPSEEK_API_KEY")
|
||||||
self.base_url = env_vars.get("DEEPSEEK_BASE_URL") or os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
|
self.base_url = env_vars.get("DEEPSEEK_BASE_URL") or os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
|
||||||
|
|
||||||
# 验证并修复base_url，确保包含协议前缀
|
# 清理并修复base_url，确保包含协议前缀
|
||||||
if self.base_url and not (self.base_url.startswith("http://") or self.base_url.startswith("https://")):
|
if self.base_url:
|
||||||
|
# 清理URL：移除多余的空格、引号和反引号
|
||||||
|
self.base_url = self.base_url.strip()
|
||||||
|
# 移除可能的引号
|
||||||
|
for quote_char in ['"', "'", '`']:
|
||||||
|
if self.base_url.startswith(quote_char) and self.base_url.endswith(quote_char):
|
||||||
|
self.base_url = self.base_url[1:-1].strip()
|
||||||
|
break
|
||||||
|
|
||||||
|
# 确保包含协议前缀
|
||||||
|
if not (self.base_url.startswith("http://") or self.base_url.startswith("https://")):
|
||||||
print(f"警告: base_url '{self.base_url}' 缺少协议前缀，将添加 'https://'")
|
print(f"警告: base_url '{self.base_url}' 缺少协议前缀，将添加 'https://'")
|
||||||
self.base_url = f"https://{self.base_url}"
|
self.base_url = f"https://{self.base_url}"
|
||||||
|
|
||||||
|
|||||||
@ -29,8 +29,18 @@ class LLMService:
|
|||||||
self.api_key = env_vars.get("DEEPSEEK_API_KEY") or os.getenv("DEEPSEEK_API_KEY")
|
self.api_key = env_vars.get("DEEPSEEK_API_KEY") or os.getenv("DEEPSEEK_API_KEY")
|
||||||
self.base_url = env_vars.get("DEEPSEEK_BASE_URL") or os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
|
self.base_url = env_vars.get("DEEPSEEK_BASE_URL") or os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
|
||||||
|
|
||||||
# 验证并修复base_url，确保包含协议前缀
|
# 清理并修复base_url，确保包含协议前缀
|
||||||
if self.base_url and not (self.base_url.startswith("http://") or self.base_url.startswith("https://")):
|
if self.base_url:
|
||||||
|
# 清理URL：移除多余的空格、引号和反引号
|
||||||
|
self.base_url = self.base_url.strip()
|
||||||
|
# 移除可能的引号
|
||||||
|
for quote_char in ['"', "'", '`']:
|
||||||
|
if self.base_url.startswith(quote_char) and self.base_url.endswith(quote_char):
|
||||||
|
self.base_url = self.base_url[1:-1].strip()
|
||||||
|
break
|
||||||
|
|
||||||
|
# 确保包含协议前缀
|
||||||
|
if not (self.base_url.startswith("http://") or self.base_url.startswith("https://")):
|
||||||
print(f"警告: base_url '{self.base_url}' 缺少协议前缀，将添加 'https://'")
|
print(f"警告: base_url '{self.base_url}' 缺少协议前缀，将添加 'https://'")
|
||||||
self.base_url = f"https://{self.base_url}"
|
self.base_url = f"https://{self.base_url}"
|
||||||
|
|
||||||
|
|||||||
Loading…
Reference in New Issue
Block a user