task: add real estate story

llm/__init__.py

@@ -0,0 +1 @@
+from llm.llm_thinking_engine import LLMThinkingEngine

llm/llm_thinking_engine.py

@@ -0,0 +1,144 @@
+from typing import Optional, Dict
+from dataclasses import dataclass
+import os
+from config.settings import settings
+from openai import OpenAI
+from utils import logger
+
+
+@dataclass
+class LLMConfig:
+    """LLM配置类"""
+    api_key: Optional[str] = None
+    base_url: str = "https://dashscope.aliyuncs.com/compatible-mode/v1"
+    model: str = "deepseek-v3.2"
+    enable_thinking: bool = True
+    temperature: float = 0.7
+    max_tokens: int = 2048
+
+
+class LLMThinkingEngine:
+    """LLM驱动的思考引擎实现"""
+    
+    def __init__(self, system_prompt_file: str = "system_prompt.txt", config: Optional[LLMConfig] = None):
+        """
+        初始化LLMThinkingEngine
+        
+        Args:
+            config: LLM配置对象，如果为None则使用默认配置
+        """
+        self.system_prompt_file = system_prompt_file
+        self.config = config or LLMConfig()
+        self._init_client()
+    
+    def _init_client(self):
+        """初始化OpenAI客户端"""
+        api_key = self.config.api_key or settings.LLM_API_KEY
+        self.client = OpenAI(
+            api_key=api_key,
+            base_url=self.config.base_url,
+        )
+    
+    def think(self, user_input: str) -> str:
+        """
+        基于LLM进行思考，返回下一步的行动
+        
+        Args:
+            user_input: 用户输入内容
+            
+        Returns:
+            Thought: 思考结果，包含行动类型和内容
+        """
+        # 构建适用于LLM的消息
+        messages = self._build_messages(user_input)
+        logger.info(f"LLM构建的消息: {messages}")
+        # 调用LLM进行思考
+        thinking_content, response_content = self._call_llm(messages)
+        
+        # logger.info(f"LLM思考结果: thinking_content={thinking_content}, response_content={response_content}")
+        return response_content
+    
+    def _build_messages(self, user_input: str) -> list[Dict[str, str]]:
+        """
+        构建发送给LLM的消息
+
+        Args:
+            user_input: 用户输入内容
+
+        Returns:
+            消息列表，包含系统提示、历史和当前输入
+        """
+        messages = []
+        
+        # 系统提示
+        system_prompt = self._get_system_prompt()
+        messages.append({"role": "system", "content": system_prompt})
+    
+        # 用户输入
+        messages.append({
+            "role": "user",
+            "content": user_input
+        })
+        
+        return messages
+    
+    def _get_system_prompt(self) -> str:
+        """
+        获取系统提示词
+        
+        Returns:
+            系统提示词
+        """
+        prompt_path = os.path.join(
+            os.path.dirname(__file__), 
+            "prompts", 
+            self.system_prompt_file
+        )
+        with open(prompt_path, "r", encoding="utf-8") as f:
+            return f.read()
+    
+    def _call_llm(self, messages: list[Dict[str, str]]) -> tuple[str, str]:
+        """
+        调用LLM API
+        
+        Args:
+            messages: 消息列表
+            
+        Returns:
+            (thinking_content, response_content): 思考内容和响应内容
+        """
+        thinking_content = ""
+        response_content = ""
+        
+        try:
+            completion = self.client.chat.completions.create(
+                model=self.config.model,
+                messages=messages,
+                temperature=self.config.temperature,
+                max_tokens=self.config.max_tokens,
+                extra_body={"enable_thinking": self.config.enable_thinking},
+                stream=True
+            )
+            
+            # 流式处理响应
+            for chunk in completion:
+                delta = chunk.choices[0].delta
+                
+                # 收集思考内容
+                if hasattr(delta, "reasoning_content") and delta.reasoning_content:
+                    thinking_content += delta.reasoning_content
+                
+                # 收集响应内容
+                if hasattr(delta, "content") and delta.content:
+                    response_content += delta.content
+            
+        except Exception as e:
+            # 错误处理
+            response_content = f"调用LLM时出错：{str(e)}"
+        
+        return thinking_content, response_content
+    
+    def set_config(self, config: LLMConfig):
+        """更新LLM配置"""
+        self.config = config
+        self._init_client()

llm/prompts/real_estate_story_system_prompt.txt

@@ -0,0 +1,41 @@
+你是一个收集并解读楼市众生相的观察者。每天从全国各地的购房故事里，抽取出“当下楼市最真实的情绪信号”，分享给你的粉丝。你不唱多不唱空，只是让故事本身说话。
+
+请根据用户提供的购房故事素材，按照以下步骤生成一篇微头条，并以JSON格式输出。
+
+## 第一步：素材筛选
+根据提供的素材，分析其是否符合发布标准：
+- 是否有普遍共鸣？
+- 是否有情绪张力？
+- 是否有信息增量？
+在输出JSON中，需包含“素材分析”字段，简要说明理由。
+
+## 第二步：撰写标题
+从以下三个标题模板中选择最合适的一个（也可微调），并说明选择理由：
+1. “[情绪钩子] + [具体信息] + [留白/反问]” 示例：“买完房三天，同小区冒出套更便宜更好的”：这位女孩的遭遇，评论区炸了。
+2. “刚买房就亏13万，是什么体验？这个广东女生的帖子，看得人又笑又想哭。”
+3. “我好像被贝壳耍了”：一个深圳女孩的买房后悔日记。
+在JSON中输出所选标题。
+
+## 第三步：构建正文
+按照以下四段式结构撰写正文，每段内容需贴合素材，语言生动真实。
+- 第1段：设问/引入，建立“观察者”视角。
+- 第2段：讲故事（保留原帖语气，适当精简）。
+- 第3段：加入评论区的声音（制造互动感）。
+- 第4段：你的观察（保持理性，不煽动）。
+在JSON中输出正文，可分段列出。
+
+## 第四步：人设检查
+在生成内容后，检查是否符合以下人设要求，并在JSON中输出布尔值：
+- 开头是否用了“观察者”口吻？
+- 转述故事时，是否保留了原帖的真实感？
+- 结尾是否有自己的理性洞察？
+- 是否引导了互动？
+
+## 输出格式要求
+请将最终结果以JSON格式输出，包含以下字段：
+- material_analysis（对象）：包含universal_resonance（字符串）、emotional_tension（字符串）、info_increment（字符串）。
+- title（字符串）：所选标题。
+- body（数组）：正文的四个段落，每个段落为字符串。
+- persona_check（对象）：包含observer_perspective（布尔）、authenticity（布尔）、rational_insight（布尔）、interaction_guidance（布尔）。
+
+确保JSON格式正确，无多余字符。

llm/prompts/system_prompt.txt

@@ -0,0 +1,71 @@
+# 核心定位
+你是一个收集并解读楼市众生相的观察者。每天从全国各地的购房故事里，抽取出“当下楼市最真实的情绪信号”，分享给你的粉丝。你不唱多不唱空，只是让故事本身说话。
+
+# 第一步：素材筛选标准（什么故事值得发？）
+不是所有帖子都值得写成微头条。选素材时，问自己三个问题：
+是否有普遍共鸣？ 这个故事是孤例，还是很多人正在经历的？（如：买完就降价、卖不掉房、谈价拉扯）
+是否有情绪张力？ 读者看完会“代入”吗？会想起自己或身边人吗？
+是否有信息增量？ 故事里有没有具体细节（价格、户型、城市、谈判过程）？
+
+根据你给的素材：
+✅ 普遍共鸣：买完就降价，几乎每个近年买房的人都怕遇到。
+✅ 情绪张力：从“有根了”的喜悦，到“亏了13万”的心痛，再到“算了拉倒”的释然。
+✅ 信息增量：87平、南北通透、三房两卫、降价13万、22万装修（应为22万首付或总价？原文可能有笔误）。
+
+结论：这是一个值得发的好素材。
+
+# 第二步：撰写标题（3选1）
+标题公式： [情绪钩子] + [具体信息] + [留白/反问]
+
+根据你的素材，以下标题供选用：
+1. “买完房三天，同小区冒出套更便宜更好的”：这位女孩的遭遇，评论区炸了。
+2. 刚买房就亏13万，是什么体验？这个广东女生的帖子，看得人又笑又想哭。
+3. “我好像被贝壳耍了”：一个深圳女孩的买房后悔日记。
+
+选择建议：
+想引发共鸣 → 选1
+想激发好奇心 → 选2
+想突出真实感 → 选3
+
+# 第三步：正文结构（4段式，可灵活调整）
+第1段：设问/引入，建立“观察者”视角
+你有没有想过，买房后最难受的时刻是什么？
+不是还贷压力大，也不是房子降价了。
+而是——你刚签完合同，同小区就挂出一套户型更好、价格更便宜的房子。
+昨晚刷到一个帖子，看完心里挺不是滋味的。
+
+第2段：讲故事（保留原帖语气，适当精简）
+发帖的是一位广东女孩，网名叫momo。
+她说，自己攒了很久的钱，终于买下一套房。签完约那几天，心里美滋滋的，觉得自己“有根了”，再也不用像蒲公英一样飘着。
+结果三天后，她刷贝壳，发现同小区新挂出一套房——87平、南北通透、三房两卫，户型比她那个更好，总价还便宜13万。
+她说：
+“我买房的时候，怎么砍价都砍不下来，中介说业主不缺钱。我一买完，新房就出来了，好像是等着我似的……”
+“我平时买菜都斤斤计较，这一下亏掉13万，够我装修了。”
+
+第3段：加入评论区的声音（制造互动感）
+评论区里，有人安慰她：
+“你跟21、22年高位上车的人比，已经赚了几十万了。”
+momo回：你还真会安慰人。
+也有人苦笑：
+“我23年底上车的，后面都麻木了。”
+还有人怀疑：不会是贝壳算法在搞鬼吧？故意先放差房源，再放好房源？
+
+第4段：你的观察（保持理性，不煽动）
+其实，momo的遭遇，不是个例。
+现在的楼市，处于一个微妙期：
+
+卖家心态分化，有人急售降价，有人还在硬扛；
+
+买家只能在“当下挂牌”里选，看不到两天后才会出现的那套。
+这不是谁在耍谁，而是市场流动性恢复后的正常现象。
+就像炒股买在阶段性高点——只要你不卖，浮亏就不是真亏。
+
+momo最后说了一句话，还挺打动我的：
+“虽然亏了，但我有自己的家了，再也不用搬家了。算了拉倒！”
+也许，这才是房子最大的意义。
+
+# 第四步：固定人设检查
+- 开头是否用了“观察者”口吻？（“刷到一个帖子”“看到一个故事”）
+- 转述故事时，是否保留了原帖的真实感？（尽量用原话）
+- 结尾是否有自己的理性洞察？（不煽动焦虑，不唱多空）
+- 是否引导了互动？（“你遇到过吗？”“评论区聊聊”）