布莱迪压力表 - 订单附件识别工具

根据"总排号"从数据库查询"新参数"字段，调用大语言模型判断该订单是否携带 附件，并以 JSON 输出结果。支持粗分类（资料/配件/耗材）和精分类（"大类:细分 类目"，具体到针型阀、说明书等）两种粒度。

数据访问层基于 SQLAlchemy 抽象，支持 SQL Server（mssql+pyodbc） 与 PostgreSQL（postgresql+psycopg2） 两种数据库，通过 config.database.db_type 切换。源表/目标表的标识符引用由 SQLAlchemy 按方言自动处理（PG 用 "名"， MSSQL 用 [名]），无需改代码。

安装

pip install -r requirements.txt

依赖包含 sqlalchemy、psycopg2-binary（PostgreSQL 驱动，已自带 libpq）与 pyodbc（SQL Server 驱动）。使用 PostgreSQL 无需额外系统组件；使用 SQL Server 需要系统已安装对应的 ODBC 驱动，本项目 config.yaml 中使用的版本为 "ODBC Driver 18 for SQL Server"，请按服务器实际安装的驱动版本填写 database.driver。 若服务器上已有 SQL Server 管理工具/客户端环境，通常已包含该驱动；否则需自行 安装 Microsoft 官方 ODBC Driver。

配置

编辑 config.yaml，填入以下三部分（首次使用需替换为真实值，请勿将含真实 数据库密码 / API Key 的配置文件提交到版本库）：

• database：数据库连接信息与源表/字段名。
  • db_type：数据库类型，postgresql 或 mssql（缺省按 driver 是否含 "SQL Server" 推断；PostgreSQL 无需 driver）。
  • server / port / database / username / password：连接信息（两种库通用）。
  • schema / table / id_column / id_field / param_column：源表的 schema、表名与列名（id_column 为总排号列，对应 --sn；id_field 为 数据库真实 ID 列，对应 --id；param_column 为新参数列）。这些名称 按源表实际填写，SQL Server / PostgreSQL 两端保持一致即可。
  • 仅 mssql 需要：driver、trust_server_certificate。
  • 切换到 SQL Server 时可直接用 --config config.mssql.yaml（已内置原 SQL Server 连接信息）。
• llm：OpenAI 兼容接口的 base_url、api_key、model
• business：并发数、日志级别、默认分类模式(default_mode)、日志目录(log_dir)、 是否启用"其他"兜底类目(enable_other_category，默认关闭)

使用

# 指定方式有两种键类型，可混用：
#   --sn  按总排号列查询（如 26B742），即原先 --id 的语义
#   --id  按数据库真实 ID 列查询（如 802）
# 无论用哪种，输出 JSON 的 zong_pai_hao 一律为回查到的总排号

# 单个总排号，默认粗分类
python main.py --sn 26B742

# 批量，逗号分隔
python main.py --sn 26B742,26B743,26B744

# 按数据库真实 ID 指定（单个 / 多个）
python main.py --id 802
python main.py --id 802,803,804

# 批量，文件输入（每行一个总排号）
python main.py --ids-file ids.txt

# 精分类：输出"大类:细分类目"组合
python main.py --sn 26B742 --mode fine

# 指定其他配置文件
python main.py --id 802 --config other_config.yaml

# 临时覆盖日志目录
python main.py --sn 26B742 --log-dir /tmp/debug_logs

# 格式化输出（默认是紧凑的 JSON Lines，每行一条）
python main.py --sn 26B742,26B743 --pretty

# 允许模型使用"其他"兜底类目
python main.py --sn 26B742 --mode fine --enable-other

# 额外在 stderr 打印本批运行汇总（耗时/token/缓存命中率）；stdout 仍只输出干净 JSON Lines
python main.py --sn 26B742,26B743 --summary

分类粒度：coarse / fine

由 --mode 参数或配置文件 business.default_mode 指定，--mode 优先级更高。

• coarse（默认）：只判断三个大类——资料 / 配件 / 耗材
• fine：在同一个 types 字段里直接给出"大类:细分类目"，例如 "配件:针型阀""资料:说明书"

两种模式对应的提示词都定义在 prompts.py 中，修改分类边界或细分类目 枚举，只需要改这一个文件。

分类体系（已与业务方确认边界）

资料类（12 个细分）：出厂检测检验报告、材质证明类、说明书、 检验记录过程性、图纸类、标定校验证书、质量证明书、原产地证明、检验合格证书 综合、其他交工文件、营业执照、型式检验报告

配件类（25 个细分）：针型阀、球阀、截止阀、旋塞阀、角阀、阀组、冷凝圈、 冷凝管、冷凝弯、虹吸管、表弯管、缓冲管缓冲弯、法兰隔膜、隔离器、过压保护器、 散热器散热片、铅封、转换接头、焊接接头短节短管、卡箍抱箍、紧固件、活接头、 接线盒、电缆插头、变送器

耗材类（1 个细分）：垫片（四氟/紫铜/缠绕/密封圈等各种材质，单列为 第三大类，不算在配件里，避免大量小垫片稀释"配件"标签的信息量）

其他类（可选，默认关闭）：由 --enable-other 或配置文件 business.enable_other_category 开启。开启后新增第四大类"其他"，只有 唯一细分值"其他"，作为兜底——遇到确实是随货附件、但不属于以上任何一个 具体细分类目的情况才使用。关闭时模型和格式校验都不知道这个选项的存在， 行为与不支持"其他"之前完全一致。

明确不算配件：位号牌/铭牌/标牌（标识件）；缓冲钉/阻尼钉/阻尼帽（均为 工艺处理，不算随货实物配件）

明确不算资料：装箱单/送货单/贴箱等物流包装指令；合格证（无论参数文本 是否提到，一律忽略——既不影响"是否携带附件"的判断，也不会出现在细分 类目里）

输出格式

默认逐行输出 JSON（JSON Lines），便于管道处理和逐条消费：

{"zong_pai_hao": "26B742", "status": "ok", "has_attachment": true, "types": ["资料"], "meta": {"elapsed_ms": 1476.6, "attempts": 1, "llm": {"model": "deepseek-v4-flash", "elapsed_ms": 1472.8, "usage": {"prompt_tokens": 1297, "completion_tokens": 15, "total_tokens": 1312, "prompt_cache_hit_tokens": 1280, "prompt_cache_miss_tokens": 17, "cache_hit_rate": 0.9869}}}}
{"zong_pai_hao": "26B744", "status": "ok", "has_attachment": true, "types": ["配件:针型阀", "配件:表弯管"]}
{"zong_pai_hao": "26B999", "status": "not_found", "has_attachment": null, "types": [], "meta": {"elapsed_ms": null, "attempts": 0, "llm": null}}

每条结果都额外带一个 meta 运行统计对象（结构见下方"meta 字段说明"）。加上 --summary 后还会在 stderr 额外打印整批汇总（JSON），而 stdout 仍只输出上述干净的 JSON Lines，便于管道/重定向。

types 是唯一的类型字段，不再有单独的 fine_types：

• coarse 模式下，types 是大类列表，如 ["资料", "配件"]。
• fine 模式下，types 里每一项都是"大类:细分类目"，如 ["资料:说明书", "配件:针型阀"]，同一个订单可能同时出现多个大类、多个细分。
• 若启用了"其他"兜底类目，对应项会体现为 "其他:其他"，格式与其余项保持一致。

status 字段说明

status	含义
ok	识别成功
not_found	数据库中查不到该总排号
empty_param	总排号存在，但"新参数"字段为空，未调用 LLM
llm_call_error	LLM 调用失败（网络/接口错误），重试耗尽
llm_format_error	LLM 输出内容不符合约定格式，重试耗尽
db_error	数据库连接/查询失败，影响整批请求

status 非 ok 时，has_attachment 为 null，types 为空数组， 不会有猜测性的默认值混入结果。

meta 字段说明（运行统计）

每条结果的 meta 提供调用层面的性能与用量统计，便于核算耗时与 token 成本：

• elapsed_ms：本条从进入分类到出结果的总耗时（毫秒，含格式校验重试与解析）。未发起 LLM 的情况（not_found / empty_param / db_error）为 null。
• attempts：实际尝试次数（含格式校验重试）；调用彻底失败时为重试上限。
• llm：本次成功调用 LLM 的统计块；未调用或调用失败（如 not_found、llm_call_error）时为 null。
  • model：实际服务的模型名（来自接口返回）。
  • elapsed_ms：单次 LLM 调用的耗时（毫秒）。
  • usage：token 用量与缓存统计：
    • prompt_tokens：输入 token 总量（= 缓存命中 + 未命中）。
    • completion_tokens / total_tokens：输出 / 总 token。
    • prompt_cache_hit_tokens / prompt_cache_miss_tokens：输入中命中 / 未命中硬盘缓存的 token 数（DeepSeek 上下文缓存特性，相同前缀的后续请求会命中，见下）。
    • cache_hit_rate：缓存命中率 = prompt_cache_hit_tokens / prompt_tokens，取值 0~1；首次冷调用为 0.0，缓存预热后显著升高。

成功调用示例：

"meta": {"elapsed_ms": 1476.6, "attempts": 1, "llm": {"model": "deepseek-v4-flash", "elapsed_ms": 1472.8, "usage": {"prompt_tokens": 1297, "completion_tokens": 15, "total_tokens": 1312, "prompt_cache_hit_tokens": 1280, "prompt_cache_miss_tokens": 17, "cache_hit_rate": 0.9869}}}

--summary 打印的整批汇总字段与 meta.llm.usage 对应：count / wall_clock_ms / total_elapsed_ms / llm_calls / 各类 total_*_tokens / total_cache_hit_tokens / total_cache_miss_tokens / avg_cache_hit_rate（按 token 加权的整体命中率）。

两个耗时字段的区别（classify_batch 是并发执行的）：

• wall_clock_ms：整批分类的真实墙钟耗时（在 classify_batch 外层用 perf_counter 计时），即你实际等的时间。
• total_elapsed_ms：各结果自身耗时 elapsed_ms 的累加（相当于把这些任务串行跑的总时长），并发下会明显大于墙钟；二者之比 ≈ 并发增益（≈ max_workers）。

对话日志

每个实际发起 LLM 调用的总排号，都会在日志目录（默认 logs/，可用 --log-dir 或配置文件 business.log_dir 指定）下生成一个独立的日志文件：

logs/26B742_20260723_153012_123456.log

日志内容为纯文本，完整记录：

• 发给模型的完整对话（system prompt + few-shot 示例 + 实际用户消息）
• 模型的每一次原始回复——包括被格式校验判定无效、触发重试的那些
• 每次尝试的格式校验结果（通过/失败及原因）
• 每次尝试的 [调用统计]：实际模型名、单次调用耗时、token 用量（prompt/completion/total）与缓存命中情况（hit/miss/命中率），调用失败时相应字段显示"无"
• 最终的解析结果和 status

同一总排号被重复处理不会覆盖旧日志（文件名带精确到微秒的时间戳），方便对比 "调整提示词前后，同一条记录的判断有没有变化"。

not_found（查不到）和 empty_param（参数为空）的总排号不会生成日志文件， 因为它们本就没有与 LLM 的对话内容可记。

故障排查：模型回复为空（推理型模型特有）

如果日志里出现"[调用结果] 已收到模型回复"但"[模型原始回复]"下面是空的（或 status 为 llm_call_error，错误信息提到"推理耗尽了max_tokens预算"），这是 带思维链（thinking/reasoning）能力的模型的已知行为——像 DeepSeek-V4 系列， 默认会先打一段思考草稿再给正文，而 max_tokens 限制的是"思考+正文"的总量。 如果思考阶段把预算用完，正文就会被截断成空字符串。

本工具通过两处配置应对：

• llm.max_tokens：控制单次回复长度上限。本项目已开启 llm.disable_thinking: true （关闭推理链），因此 max_tokens 设为 200 即可覆盖"大类+细分"的短输出；若把 disable_thinking 改回 false 启用思考，则需调大到能覆盖"思考+正文"的总量（如 1024），否则思考阶段可能耗尽预算、正文被截断成空。
• llm.disable_thinking：设为 true 时会通过 extra_body={"thinking": {"type": "disabled"}} 关闭推理链——分类任务规则清晰、不需要模型思考，关闭 后响应更快、更省 token，也从根源上避免"思考耗尽预算"的问题。仅 DeepSeek-V4 系列等支持该参数的模型有效；换用其他不支持该参数的模型时改回 false （多数接口对不认识的字段会直接忽略，但不保证所有厂商都是如此）。

设计说明

为什么 LLM 不直接输出 JSON？ JSON 的括号、引号、转义更容易被模型写错。约定 LLM 只输出"标签: 值"格式的 纯文本（coarse 模式 2 行，fine 模式 3 行），程序侧用严格的正则做格式校验—— 校验通过才提取字段、组装成本工具自己定义的 JSON 结构；校验失败会触发重试 （次数由配置文件 business.format_retry 控制，与 LLM 网络层重试 llm.max_retry 分开计数），重试仍失败则标记 llm_format_error，绝不把不确定的内容硬凑进 最终结果。

fine 模式的交叉自洽校验： 第三行（细分类目）和第二行（大类）必须自洽——比如模型选了"针型阀"，第二行 就必须包含"配件"，否则视为模型输出自相矛盾，同样触发格式校验失败重试。 校验通过后，parser.py 会把每个细分类目和它所属的大类拼接成"大类:细分类目" （如"配件:针型阀"），作为最终对外的 types；程序内部不再单独保留"大类列表" 和"细分类目列表"两份数据。

"其他"兜底类目是怎么接入这套校验体系的： "其他"被当成第四个大类，且细分类目固定只有"其他"自身一个值（其他:其他）， 不允许模型编造具体名称——这样既给了"枚举之外的附件"一个去处，又不破坏 "细分类目必须严格匹配枚举"这条不信任 LLM 输出的核心原则。是否启用由 enable_other 参数控制（对应 --enable-other 或配置文件 business.enable_other_category），并且同一次调用里，提示词（prompts.py） 和格式校验（parser.py）用的 enable_other 必须一致，否则会出现"提示词 允许但校验拒绝"的不一致——这层一致性由 classifier.py 统一负责传递。

写入落库（落库到 Common.Attachment）

分类结果除在控制台以 JSON Lines 输出外，还可通过写入入口落库到生产库的 Common.Attachment 表，供下游系统按总排号查询该订单的附件类目。

# 全量写入（按真实 ID 升序遍历源表全部记录）
python write_attachments.py

# 仅前 N 个（按真实 ID 升序，测试用，避免一次性消耗大量 LLM 额度）
python write_attachments.py --limit 10

# 降序取前 N 个
python write_attachments.py --limit 10 --order desc

# 按真实 ID 闭区间过滤：仅处理 ID 在 [800,805] 的记录
python write_attachments.py --range 800,805

# 组合：区间内降序、再取前 3 个
python write_attachments.py --range 800,805 --order desc --limit 3

# 追加模式：仅补写源表中存在、但 Common.Attachment 还没有的总排号
# --limit 此时是"本次最多追加多少个 SN"的上限；--order 决定从哪一端补起
python write_attachments.py --append --limit 10
python write_attachments.py --append --order desc --limit 10

# 指定总排号文件（每行一个，键类型 sn）
python write_attachments.py --ids-file ids.txt

# 按总排号指定（键类型 sn，即原先 --id 的语义）：单个或逗号分隔多个
python write_attachments.py --sn 26B742
python write_attachments.py --sn 26B742,26B743,26B744

# 按数据库真实 ID 指定（键类型 id）：单个或逗号分隔多个
python write_attachments.py --id 802
python write_attachments.py --id 802,803

# --id / --sn / --ids-file 可混用；提供任一后不再全表扫描（--limit/--order/--range 此时无效）

# 粗分类写入（小类统一填占位值）；不指定 --mode 则用配置文件 business.default_mode
python write_attachments.py --mode coarse

# 先预览将写入/跳过的行，不真正落库
python write_attachments.py --dry-run

# 首次在目标库建表（幂等：仅创建 Common schema 与 Attachment 表，已存在则跳过；
# 切换数据库或新环境首次部署前先执行一次）
python write_attachments.py --init-db

# 允许"其他"兜底类目
python write_attachments.py --mode fine --enable-other

运行结束后，除上面的 ok/empty_param/not_found/error 与"将写入行数/跳过数"统计外，还会打印一行 [汇总]：本批总耗时（整批分类的真实墙钟）、LLM 累计（各任务自身耗时的累加，并发下大于墙钟， 括号标注并发数 max_workers）、LLM 调用次数、token 总量（prompt/completion/total）与加权缓存命中率， 便于核算成本与并发效率。

落库约定（与 db.py 常量、write_attachments.py 的转换逻辑保持一致）：

• 有附件（has_attachment=true，status=ok）：每个 type 写一行。
  • fine 模式：type 形如 大类:细分，按首个冒号拆分为 (SN, 大类, 细分)。
  • coarse 模式：type 是大类，小类统一填占位值 无 → (SN, 大类, '无')。
• 无附件（has_attachment=false，含 empty_param 与模型判无附件）：写哨兵行 (SN, '无附件', '无')，下游用 WHERE MajorCategory <> '无附件' 取真实附件。
• 无法确定/失败（has_attachment=null，含 not_found / llm_*_error / db_error）：一律不写，既不当作无附件，也不留脏数据。
• 幂等：写入时对同一总排号先删除旧行再插入本次结果（依赖 (SN, MajorCategory, MinorCategory) 复合主键保证唯一），重跑安全。

目标表 Common.Attachment 字段（三列复合主键、均 NOT NULL；列类型由 ORM 模型 String(30) / String(40) 按方言统一生成：PostgreSQL 端为 varchar，SQL Server 端为 nvarchar）：

• SN：总排号/关联键
• MajorCategory：附件大类
• MinorCategory：附件小类

数据库抽象层（多库支持）

数据访问层已重构为 SQLAlchemy，由两层组成，业务代码（classifier.py / write_attachments.py）只调用 db.py 的 4 个函数，无需感知底层方言：

• orm.py：方言无关的底层。
  • build_engine / get_engine：按 config.database.db_type 生成 SQLAlchemy Engine （postgresql+psycopg2 或 mssql+pyodbc），含连接池复用（pool_pre_ping）与 登录/语句超时；get_engine 按连接信息缓存 Engine，避免重复建池。
  • Attachment：目标表 Common.Attachment 的声明式 ORM 模型（三列复合主键， quote=True 保留大小写），跨库统一的建表/读写入口。
  • init_schema：方言感知地 CREATE SCHEMA IF NOT EXISTS "Common" + create_all， 供 --init-db 幂等建表。
• db.py：基于 SQLAlchemy Core 的查询/落库实现。
  • 源表（表名/列名含中文、由配置驱动）用动态 Table(..., quote=True, quote_schema=True) 构造，标识符引用由 SQLAlchemy 按方言生成（PG 用 "名"、 MSSQL 用 [名]），彻底摆脱手写引号拼接。
  • 对外 4 个函数签名与旧版完全一致：fetch_params_by_ids（支持 --id 整型真实 ID 与 --sn 总排号双键，并回查总排号）、fetch_param_by_id、fetch_all_ids （distinct() + order_by() + limit()/offset(0)，分页语法跨库自动适配）、 upsert_attachments（先删后插，依赖复合主键幂等）。

切换数据库：默认 config.yaml 指向 PostgreSQL；切回 SQL Server 只需 python write_attachments.py --config config.mssql.yaml（或 main.py --config ...）。 两库源表 schema/表名/列名一致，仅需改连接信息与 db_type，无需改代码。

项目结构

├── config.yaml              # 配置文件（默认 PostgreSQL；含 db_type 切换）
├── config.mssql.yaml        # SQL Server 版配置（数据库不可达时切换用，--config 指定）
├── main.py                  # 命令行入口：分类并输出 JSON Lines（支持 --summary 在 stderr 打印批汇总；直接 import 同目录各模块）
├── write_attachments.py     # 写入入口：分类结果落库到 Common.Attachment（全表扫描支持 --limit/--order/--range 按真实 ID 排序与范围过滤；--id/--sn/--ids-file/--mode/--dry-run/--enable-other/--init-db/--config；运行后打印 token/缓存汇总）
├── requirements.txt
├── config_loader.py         # YAML 配置读取与校验
├── orm.py                   # 数据库抽象层：SQLAlchemy 引擎构建（mssql/postgresql）、Attachment ORM 模型、init_schema 建表
├── db.py                    # 基于 SQLAlchemy 的查询与落库（fetch_params_by_ids 支持按 id/sn 双键查询、fetch_all_ids / upsert_attachments，跨库无关）
├── prompts.py               # 提示词与细分类目枚举（唯一需要改分类边界时编辑的文件）
├── llm_client.py            # LLM 调用 (OpenAI 兼容接口)
├── parser.py                # LLM 输出格式校验与清洗 → 结构化数据
├── order_logger.py          # 每个总排号一份的完整对话日志
├── classifier.py            # 编排：查库 -> 调LLM -> 校验解析 -> 记日志 -> 组装结果
├── attachment_classifier.py # 历史版本（旧 Excel 版，已弃用，保留仅供参考）
└── docs/                    # 补充文档