告警类型: {alert_type}
+API 端点: {endpoint}
+告警消息: {message}
+告警时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
+{details}
+
+
+ """
+ msg.attach(MIMEText(body, 'html'))
+
+ # 发送邮件
+ with smtplib.SMTP(settings.SMTP_HOST, settings.SMTP_PORT) as server:
+ server.starttls()
+ if settings.SMTP_PASSWORD:
+ server.login(settings.SMTP_USERNAME, settings.SMTP_PASSWORD)
+ server.send_message(msg)
+
+ logger.info(f"邮件告警发送成功: {alert_type}")
+
+ except Exception as e:
+ logger.error(f"发送邮件告警失败: {str(e)}")
+
+ def _send_webhook_alert(
+ self,
+ alert_type: str,
+ endpoint: str,
+ message: str,
+ details: Dict[str, Any]
+ ) -> None:
+ """
+ 发送 Webhook 告警
+
+ Args:
+ alert_type: 告警类型
+ endpoint: API 端点
+ message: 告警消息
+ details: 告警详情
+ """
+ try:
+ import httpx
+
+ if not settings.ALERT_WEBHOOK_URL:
+ logger.warning("Webhook URL 未配置，无法发送告警")
+ return
+
+ # 构造告警数据
+ alert_data = {
+ "alert_type": alert_type,
+ "endpoint": endpoint,
+ "message": message,
+ "timestamp": datetime.now().isoformat(),
+ "app_name": settings.APP_NAME,
+ "details": details
+ }
+
+ # 发送 Webhook
+ with httpx.Client(timeout=10) as client:
+ response = client.post(
+ settings.ALERT_WEBHOOK_URL,
+ json=alert_data
+ )
+ response.raise_for_status()
+
+ logger.info(f"Webhook 告警发送成功: {alert_type}")
+
+ except Exception as e:
+ logger.error(f"发送 Webhook 告警失败: {str(e)}")
+
+ def get_stats(self, endpoint: Optional[str] = None) -> Dict[str, Any]:
+ """
+ 获取统计信息
+
+ Args:
+ endpoint: API 端点（可选，不指定则返回所有端点的统计）
+
+ Returns:
+ 统计信息
+ """
+ if endpoint:
+ calls = self.api_calls.get(endpoint, [])
+ else:
+ calls = [call for calls in self.api_calls.values() for call in calls]
+
+ if not calls:
+ return {
+ "total_calls": 0,
+ "error_rate": 0.0,
+ "avg_response_time": 0.0,
+ "max_response_time": 0.0,
+ "min_response_time": 0.0
+ }
+
+ response_times = [call["response_time"] for call in calls]
+ error_count = sum(1 for call in calls if call["status_code"] >= 400)
+
+ return {
+ "total_calls": len(calls),
+ "error_rate": error_count / len(calls),
+ "avg_response_time": sum(response_times) / len(response_times),
+ "max_response_time": max(response_times),
+ "min_response_time": min(response_times)
+ }
+
+
+# 全局监控器实例
+api_monitor = APIMonitor()
+
+
+class APICallTimer:
+ """API 调用计时器上下文管理器"""
+
+ def __init__(self, endpoint: str, method: str):
+ """
+ 初始化计时器
+
+ Args:
+ endpoint: API 端点
+ method: HTTP 方法
+ """
+ self.endpoint = endpoint
+ self.method = method
+ self.start_time = None
+ self.status_code = None
+ self.error = None
+
+ def __enter__(self):
+ """进入上下文"""
+ self.start_time = time.time()
+ return self
+
+ def __exit__(self, exc_type, exc_val, exc_tb):
+ """退出上下文"""
+ if self.start_time is None:
+ return
+
+ response_time = (time.time() - self.start_time) * 1000 # 转换为毫秒
+
+ if exc_type is not None:
+ # 发生了异常
+ self.status_code = 500
+ self.error = str(exc_val)
+ elif self.status_code is None:
+ # 没有设置状态码，默认为 200
+ self.status_code = 200
+
+ # 记录调用
+ api_monitor.record_call(
+ endpoint=self.endpoint,
+ method=self.method,
+ status_code=self.status_code,
+ response_time=response_time,
+ error=self.error
+ )
+
+ def set_status_code(self, status_code: int) -> None:
+ """
+ 设置状态码
+
+ Args:
+ status_code: HTTP 状态码
+ """
+ self.status_code = status_code
diff --git a/check_config.sh b/check_config.sh
new file mode 100755
index 0000000..d09196f
--- /dev/null
+++ b/check_config.sh
@@ -0,0 +1,26 @@
+#!/bin/bash
+echo "========================================="
+echo "检查硅基流动配置"
+echo "========================================="
+
+echo ""
+echo "1. 检查 .env 文件中的配置:"
+grep "^SILICONFLOW" .env | sed 's/\(SILICONFLOW_API_KEY=\)[^ ]*/\1***隐藏***/'
+
+echo ""
+echo "2. 检查配置是否加载:"
+source venv/bin/activate
+python3 -c "
+from app.core.config import settings
+key = settings.SILICONFLOW_API_KEY
+if key and key.strip():
+ print(f'✅ API Key 已配置 (长度: {len(key)})')
+ print(f'✅ Base URL: {settings.SILICONFLOW_BASE_URL}')
+ print(f'✅ 默认模型: {settings.SILICONFLOW_MODEL}')
+else:
+ print('❌ API Key 未配置或为空')
+ print('请编辑 .env 文件，添加您的 SILICONFLOW_API_KEY')
+"
+
+echo ""
+echo "========================================="
diff --git a/configure_siliconflow.sh b/configure_siliconflow.sh
new file mode 100755
index 0000000..5bb0969
--- /dev/null
+++ b/configure_siliconflow.sh
@@ -0,0 +1,74 @@
+#!/bin/bash
+# 硅基流动 API Key 配置辅助脚本
+
+echo "========================================="
+echo "硅基流动 API Key 配置助手"
+echo "========================================="
+echo ""
+
+# 检查当前配置
+CURRENT_KEY=$(grep "^SILICONFLOW_API_KEY=" .env 2>/dev/null | cut -d'=' -f2 | tr -d ' ')
+
+if [ -z "$CURRENT_KEY" ] || [ "$CURRENT_KEY" = "" ]; then
+ echo "❌ 当前状态: API Key 未配置"
+ echo ""
+ echo "请按照以下步骤配置:"
+ echo ""
+ echo "1. 获取 API Key:"
+ echo " 访问 https://siliconflow.cn 获取您的 API Key"
+ echo ""
+ echo "2. 编辑 .env 文件:"
+ echo " nano .env"
+ echo " 或"
+ echo " vim .env"
+ echo ""
+ echo "3. 找到这一行:"
+ echo " SILICONFLOW_API_KEY="
+ echo ""
+ echo "4. 在等号后面添加您的 API Key，例如:"
+ echo " SILICONFLOW_API_KEY=sk-xxxxxxxxxxxxx"
+ echo ""
+ echo "5. 保存文件后，运行以下命令重启服务:"
+ echo " ./restart_service.sh"
+ echo ""
+ read -p "您已经添加了 API Key 吗？(y/n): " confirmed
+
+ if [ "$confirmed" = "y" ] || [ "$confirmed" = "Y" ]; then
+ echo ""
+ echo "正在验证配置..."
+ source venv/bin/activate
+ python3 -c "
+from app.core.config import settings
+key = settings.SILICONFLOW_API_KEY
+if key and key.strip():
+ print(f'✅ API Key 已配置 (长度: {len(key)})')
+ print(f'✅ 配置验证成功！')
+else:
+ print('❌ API Key 仍然未配置')
+ print('请确认:')
+ print(' 1. 已编辑 .env 文件（不是 .env.example）')
+ print(' 2. API Key 已正确填写在等号后面')
+ print(' 3. 已保存文件')
+" 2>&1
+ else
+ echo ""
+ echo "请先添加 API Key 后再运行此脚本"
+ fi
+else
+ echo "✅ 当前状态: API Key 已配置"
+ echo ""
+ echo "验证配置加载..."
+ source venv/bin/activate
+ python3 -c "
+from app.core.config import settings
+key = settings.SILICONFLOW_API_KEY
+print(f'✅ API Key 长度: {len(key)}')
+print(f'✅ Base URL: {settings.SILICONFLOW_BASE_URL}')
+print(f'✅ 默认模型: {settings.SILICONFLOW_MODEL}')
+print('')
+print('配置验证成功！可以重启服务进行测试。')
+" 2>&1
+fi
+
+echo ""
+echo "========================================="
diff --git a/docs/数据资产盘点报告-大模型接口设计文档.md b/docs/数据资产盘点报告-大模型接口设计文档.md
new file mode 100644
index 0000000..2bfa975
--- /dev/null
+++ b/docs/数据资产盘点报告-大模型接口设计文档.md
@@ -0,0 +1,1020 @@
+# 数据资产盘点工作总结报告 - 大模型接口设计文档
+
+## 📋 文档说明
+
+本文档详细说明如何通过大模型对话接口生成数据资产盘点工作总结报告页面的内容数据，包括接口数据格式设计、提示词工程方案以及可行性评估。
+
+---
+
+## 🎯 页面概述
+
+**页面路径**: `src/pages/engagement/DeliveryStep.vue`
+
+**页面功能**: 展示数据资产盘点工作的完整总结报告，包含企业数字化情况、数据资源统计、数据资产盘点结果以及专家建议。
+
+**页面复杂度**: ⭐⭐⭐⭐ (较高)
+
+---
+
+## 📊 页面数据结构分析
+
+### 1. 报告头部信息
+
+```typescript
+interface ReportHeader {
+ reportDate: string // 报告生成时间，格式：YYYY年MM月DD日 HH:mm
+ projectName: string // 项目名称
+}
+```
+
+**数据来源**:
+- `reportDate`: 前端自动生成（当前时间）
+- `projectName`: 需要从项目配置或大模型返回
+
+### 2. 章节导航
+
+```typescript
+interface Section {
+ id: number
+ title: string
+}
+
+const sections: Section[] = [
+ { id: 1, title: '企业数字化情况简介' },
+ { id: 2, title: '数据资源统计' },
+ { id: 3, title: '数据资产情况盘点' },
+ { id: 4, title: '专家建议与下一步计划' }
+]
+```
+
+**数据来源**: 固定结构，无需大模型生成
+
+### 3. 章节一：企业数字化情况简介
+
+```typescript
+interface Section1 {
+ enterpriseBackground: {
+ description: string // 企业背景描述（1-2段文字）
+ }
+ informatizationStatus: {
+ overview: string // 信息化建设现状概述
+ privateCloud: {
+ title: string
+ description: string
+ }
+ publicCloud: {
+ title: string
+ description: string
+ }
+ }
+ businessDataFlow: {
+ overview: string // 业务流与数据流概述
+ manufacturing: {
+ title: string
+ description: string
+ }
+ logistics: {
+ title: string
+ description: string
+ }
+ retail: {
+ title: string
+ description: string
+ }
+ dataAggregation: {
+ title: string
+ description: string
+ }
+ }
+}
+```
+
+**复杂度**: ⭐⭐⭐ (中等)
+- 需要生成3个主要部分的描述性文本
+- 文本需要专业、准确、符合企业实际情况
+
+### 4. 章节二：数据资源统计
+
+```typescript
+interface Section2 {
+ summary: {
+ totalDataVolume: string // 数据总量，如 "58 PB"
+ totalDataObjects: {
+ tables: string // 数据表数量，如 "14,582 张表"
+ fields: string // 字段数量，如 "24.5万+ 字段"
+ }
+ }
+ storageDistribution: Array<{
+ category: string // 分类名称，如 "供应链物流"
+ volume: string // 数据量，如 "25.4 PB"
+ storageType: string // 存储类型描述，如 "主要存储于 HDFS / NoSQL"
+ color: 'blue' | 'purple' | 'amber' | 'gray' // 用于UI显示的颜色标识
+ }>
+ dataSourceStructure: {
+ structured: {
+ percentage: number // 百分比，如 35
+ description: string // 描述文本
+ }
+ semiStructured: {
+ percentage: number // 百分比，如 65
+ description: string // 描述文本
+ }
+ }
+}
+```
+
+**复杂度**: ⭐⭐⭐⭐ (较高)
+- 需要生成准确的统计数据（数据量、百分比）
+- 数据需要符合逻辑（百分比总和应为100%）
+- 需要生成多个分类的存储分布数据
+
+### 5. 章节三：数据资产情况盘点
+
+```typescript
+interface DataAsset {
+ id: string // 资产ID，如 "customer360", "inventory"
+ title: string // 资产名称，如 "消费者全景画像"
+ subtitle: string // 副标题，如 "Customer 360"
+ composition: {
+ description: string // 资产构成描述
+ coreTables: string[] // 核心表名列表
+ }
+ applicationScenarios: {
+ description: string // 应用场景描述
+ }
+ complianceRisks: {
+ warnings: Array<{
+ type: string // 风险类型，如 "个人信息预警"
+ content: string // 风险描述
+ highlights?: string[] // 需要高亮的关键信息
+ }>
+ }
+}
+
+interface Section3 {
+ overview: {
+ assetCount: number // 识别出的数据资产数量
+ highValueAssets: string[] // 高价值资产名称列表
+ description: string // 概述描述
+ }
+ assets: DataAsset[] // 数据资产列表（通常2-3个）
+}
+```
+
+**复杂度**: ⭐⭐⭐⭐⭐ (很高)
+- 需要识别和描述具体的数据资产
+- 需要生成详细的合规风险分析
+- 需要引用具体的表名和字段
+- 需要符合数据合规法规要求
+
+### 6. 章节四：专家建议与下一步计划
+
+```typescript
+interface Section4 {
+ complianceRemediation: {
+ title: string // "合规整改"
+ items: Array<{
+ order: number // 序号
+ category: string // 分类，如 "跨境传输"
+ description: string // 详细建议
+ codeReferences?: string[] // 涉及的表名或代码引用
+ }>
+ }
+ technicalEvolution: {
+ title: string // "技术演进"
+ description: string // 技术建议描述
+ technologies?: string[] // 推荐的技术栈
+ }
+ valueDeepening: {
+ title: string // "价值深化"
+ items: Array<{
+ description: string // 建议描述
+ scenarios?: string[] // 相关场景
+ }>
+ }
+}
+```
+
+**复杂度**: ⭐⭐⭐⭐ (较高)
+- 需要生成专业的建议和计划
+- 建议需要具有可操作性
+- 需要引用前面章节提到的资产和问题
+
+---
+
+## 🔌 大模型接口数据格式设计
+
+### 接口请求格式
+
+```typescript
+interface GenerateReportRequest {
+ // 项目基础信息
+ projectInfo: {
+ projectName: string
+ industry: string // 行业类型
+ companyName?: string // 企业名称（可选）
+ }
+
+ // 数据盘点结果（从盘点步骤获取）
+ inventoryData: {
+ totalTables: number // 总表数
+ totalFields: number // 总字段数
+ totalDataVolume: string // 总数据量
+ storageDistribution: Array<{
+ category: string
+ volume: string
+ storageType: string
+ }>
+ dataSourceStructure: {
+ structured: number
+ semiStructured: number
+ }
+ identifiedAssets: Array<{
+ name: string
+ coreTables: string[]
+ description: string
+ }>
+ }
+
+ // 背景调研信息（从背景调研步骤获取）
+ contextData: {
+ enterpriseBackground: string
+ informatizationStatus: string
+ businessFlow: string
+ }
+
+ // 价值挖掘结果（从价值挖掘步骤获取）
+ valueData: {
+ selectedScenarios: Array<{
+ name: string
+ description: string
+ }>
+ }
+
+ // 可选配置
+ options?: {
+ language?: 'zh-CN' | 'en-US' // 语言，默认 zh-CN
+ detailLevel?: 'brief' | 'standard' | 'detailed' // 详细程度
+ focusAreas?: string[] // 重点关注领域
+ }
+}
+```
+
+### 接口返回格式
+
+```typescript
+interface GenerateReportResponse {
+ success: boolean
+ data?: {
+ // 报告头部
+ header: {
+ projectName: string
+ // reportDate 由前端生成，不需要返回
+ }
+
+ // 章节一：企业数字化情况简介
+ section1: {
+ enterpriseBackground: {
+ description: string
+ }
+ informatizationStatus: {
+ overview: string
+ privateCloud: {
+ title: string
+ description: string
+ }
+ publicCloud: {
+ title: string
+ description: string
+ }
+ }
+ businessDataFlow: {
+ overview: string
+ manufacturing: {
+ title: string
+ description: string
+ }
+ logistics: {
+ title: string
+ description: string
+ }
+ retail: {
+ title: string
+ description: string
+ }
+ dataAggregation: {
+ title: string
+ description: string
+ }
+ }
+ }
+
+ // 章节二：数据资源统计
+ section2: {
+ summary: {
+ totalDataVolume: string
+ totalDataObjects: {
+ tables: string
+ fields: string
+ }
+ }
+ storageDistribution: Array<{
+ category: string
+ volume: string
+ storageType: string
+ color: 'blue' | 'purple' | 'amber' | 'gray'
+ }>
+ dataSourceStructure: {
+ structured: {
+ percentage: number
+ description: string
+ }
+ semiStructured: {
+ percentage: number
+ description: string
+ }
+ }
+ }
+
+ // 章节三：数据资产情况盘点
+ section3: {
+ overview: {
+ assetCount: number
+ highValueAssets: string[]
+ description: string
+ }
+ assets: Array<{
+ id: string
+ title: string
+ subtitle: string
+ composition: {
+ description: string
+ coreTables: string[]
+ }
+ applicationScenarios: {
+ description: string
+ }
+ complianceRisks: {
+ warnings: Array<{
+ type: string
+ content: string
+ highlights?: string[]
+ }>
+ }
+ }>
+ }
+
+ // 章节四：专家建议与下一步计划
+ section4: {
+ complianceRemediation: {
+ title: string
+ items: Array<{
+ order: number
+ category: string
+ description: string
+ codeReferences?: string[]
+ }>
+ }
+ technicalEvolution: {
+ title: string
+ description: string
+ technologies?: string[]
+ }
+ valueDeepening: {
+ title: string
+ items: Array<{
+ description: string
+ scenarios?: string[]
+ }>
+ }
+ }
+ }
+ error?: {
+ code: string
+ message: string
+ }
+}
+```
+
+### JSON Schema 示例
+
+```json
+{
+ "type": "object",
+ "required": ["success", "data"],
+ "properties": {
+ "success": {
+ "type": "boolean"
+ },
+ "data": {
+ "type": "object",
+ "required": ["header", "section1", "section2", "section3", "section4"],
+ "properties": {
+ "header": {
+ "type": "object",
+ "properties": {
+ "projectName": {
+ "type": "string"
+ }
+ }
+ },
+ "section1": {
+ "type": "object",
+ "properties": {
+ "enterpriseBackground": {
+ "type": "object",
+ "properties": {
+ "description": {
+ "type": "string",
+ "minLength": 100
+ }
+ }
+ }
+ // ... 其他属性
+ }
+ }
+ // ... 其他章节
+ }
+ }
+ }
+}
+```
+
+---
+
+## 💬 提示词工程设计方案
+
+### 1. 系统提示词（System Prompt）
+
+```
+你是一位专业的数据资产管理咨询专家，擅长撰写数据资产盘点工作总结报告。你的任务是基于提供的数据盘点结果、企业背景信息和价值挖掘场景，生成一份专业、准确、符合数据合规要求的工作总结报告。
+
+## 你的专业能力
+- 深入理解数据资产管理、数据合规（PIPL、数据安全法）等法规要求
+- 熟悉企业数字化转型、数据架构设计、数据治理最佳实践
+- 能够识别数据资产价值、合规风险，并提供专业建议
+- 具备优秀的报告撰写能力，能够生成结构清晰、逻辑严谨的专业报告
+
+## 输出要求
+1. **准确性**：所有统计数据必须基于输入数据，不得虚构
+2. **专业性**：使用专业术语，符合行业标准
+3. **合规性**：合规风险分析必须符合中国数据保护法规要求
+4. **可操作性**：专家建议必须具体、可执行
+5. **结构化**：严格按照JSON格式输出，确保数据结构完整
+
+## 输出格式
+请严格按照提供的JSON Schema格式输出，确保：
+- 所有必需字段都存在
+- 字符串长度符合要求（描述性文本不少于100字）
+- 数字和百分比符合逻辑（百分比总和为100%）
+- 数组元素数量合理（数据资产通常2-4个）
+```
+
+### 2. 用户提示词模板（User Prompt Template）
+
+```
+请基于以下信息生成数据资产盘点工作总结报告：
+
+## 项目信息
+- 项目名称：{projectName}
+- 行业类型：{industry}
+- 企业名称：{companyName}
+
+## 数据盘点结果
+### 数据规模
+- 总数据量：{totalDataVolume}
+- 数据表数量：{totalTables} 张
+- 字段数量：{totalFields} 个
+
+### 存储分布
+{storageDistribution}
+
+### 数据来源结构
+- 结构化数据：{structuredPercentage}%
+- 半结构化与非结构化数据：{semiStructuredPercentage}%
+
+### 识别的数据资产
+{identifiedAssets}
+
+## 企业背景信息
+{enterpriseBackground}
+
+## 信息化建设现状
+{informatizationStatus}
+
+## 业务流与数据流
+{businessFlow}
+
+## 价值挖掘场景
+{selectedScenarios}
+
+## 输出要求
+1. 生成完整的报告内容，包含四个主要章节
+2. 对于数据资产，需要详细分析其构成、应用场景和合规风险
+3. 合规风险分析必须识别：
+ - 个人信息（SPI）风险
+ - 重要数据风险
+ - 数据出境风险
+ - 数据安全风险
+4. 专家建议需要针对识别出的问题提供具体、可操作的解决方案
+5. 所有描述性文本需要专业、准确，符合企业实际情况
+
+请以JSON格式输出，严格按照以下结构：
+{jsonSchema}
+```
+
+### 3. 提示词优化策略
+
+#### 3.1 分阶段生成策略
+
+由于报告内容复杂，建议采用**分阶段生成**策略：
+
+**阶段一：生成章节一和章节二**
+```
+请基于企业背景和数据盘点结果，生成报告的前两个章节：
+1. 企业数字化情况简介
+2. 数据资源统计
+
+重点关注：
+- 企业背景描述要准确反映实际情况
+- 数据统计要基于输入数据，确保准确性
+```
+
+**阶段二：生成章节三**
+```
+基于已识别的数据资产，生成详细的资产盘点分析。
+
+对于每个数据资产，需要：
+1. 详细描述资产构成（核心表、字段、数据来源）
+2. 说明应用场景和价值
+3. 识别合规风险（必须符合PIPL、数据安全法等要求）
+4. 提供风险等级评估
+```
+
+**阶段三：生成章节四**
+```
+基于前面章节的分析结果，生成专家建议和下一步计划。
+
+建议需要：
+1. 针对识别出的合规风险提供整改方案
+2. 提供技术演进建议（架构优化、技术选型）
+3. 提供价值深化建议（场景优化、数据应用）
+```
+
+#### 3.2 少样本学习（Few-Shot Learning）
+
+在提示词中提供示例，帮助模型理解输出格式：
+
+```
+## 输出示例
+
+### 数据资产示例
+{
+ "id": "customer360",
+ "title": "消费者全景画像",
+ "subtitle": "Customer 360",
+ "composition": {
+ "description": "核心依赖 Dim_Customer（客户维度表）与 Fact_Sales（销售事实表），并整合了线上电商ID、线下门店会员卡号及社交媒体账号。",
+ "coreTables": ["Dim_Customer", "Fact_Sales"]
+ },
+ "applicationScenarios": {
+ "description": "旨在构建OneID体系，支持计算客户生命周期价值（CLV），进行精准营销（如针对流失风险自动触发挽留策略），提升复购率。"
+ },
+ "complianceRisks": {
+ "warnings": [
+ {
+ "type": "个人信息预警",
+ "content": "共识别出 12 项敏感个人信息（SPI），包含生物识别信息（人脸）、医疗健康（体检报告）、金融账户及行踪轨迹。",
+ "highlights": ["12 项", "敏感个人信息", "SPI"]
+ }
+ ]
+ }
+}
+```
+
+#### 3.3 约束条件明确化
+
+在提示词中明确约束条件：
+
+```
+## 重要约束
+1. **数据准确性**：
+ - 所有统计数据必须基于输入数据
+ - 不得虚构或夸大数据
+ - 百分比总和必须为100%
+
+2. **合规性要求**：
+ - 必须识别所有涉及个人信息的场景
+ - 必须识别重要数据（涉及国家安全、公共利益）
+ - 必须识别数据出境风险
+ - 风险描述必须符合PIPL、数据安全法等法规
+
+3. **专业性要求**：
+ - 使用专业术语（如：数据湖、数据仓库、星型架构等）
+ - 技术建议需要具体（如：Iceberg、Hudi等具体技术）
+ - 避免使用模糊表述
+
+4. **可操作性要求**：
+ - 专家建议必须具体、可执行
+ - 需要提供实施步骤或技术方案
+ - 需要引用具体的表名、字段名
+```
+
+### 4. 提示词变量替换
+
+在实际调用时，需要将模板中的变量替换为实际值：
+
+```typescript
+function buildPrompt(request: GenerateReportRequest): string {
+ const template = `
+请基于以下信息生成数据资产盘点工作总结报告：
+
+## 项目信息
+- 项目名称：${request.projectInfo.projectName}
+- 行业类型：${request.projectInfo.industry}
+${request.projectInfo.companyName ? `- 企业名称：${request.projectInfo.companyName}` : ''}
+
+## 数据盘点结果
+### 数据规模
+- 总数据量：${request.inventoryData.totalDataVolume}
+- 数据表数量：${request.inventoryData.totalTables} 张
+- 字段数量：${request.inventoryData.totalFields} 个
+
+### 存储分布
+${request.inventoryData.storageDistribution.map(item =>
+ `- ${item.category}：${item.volume}（${item.storageType}）`
+).join('\n')}
+
+### 数据来源结构
+- 结构化数据：${request.inventoryData.dataSourceStructure.structured}%
+- 半结构化与非结构化数据：${request.inventoryData.dataSourceStructure.semiStructured}%
+
+### 识别的数据资产
+${request.inventoryData.identifiedAssets.map(asset =>
+ `- ${asset.name}：${asset.description}\n 核心表：${asset.coreTables.join('、')}`
+).join('\n')}
+
+## 企业背景信息
+${request.contextData.enterpriseBackground}
+
+## 信息化建设现状
+${request.contextData.informatizationStatus}
+
+## 业务流与数据流
+${request.contextData.businessFlow}
+
+## 价值挖掘场景
+${request.valueData.selectedScenarios.map(scenario =>
+ `- ${scenario.name}：${scenario.description}`
+).join('\n')}
+
+## 输出要求
+1. 生成完整的报告内容，包含四个主要章节
+2. 对于数据资产，需要详细分析其构成、应用场景和合规风险
+3. 合规风险分析必须识别个人信息、重要数据、数据出境等风险
+4. 专家建议需要针对识别出的问题提供具体、可操作的解决方案
+5. 所有描述性文本需要专业、准确，符合企业实际情况
+
+请以JSON格式输出，严格按照提供的JSON Schema结构。
+ `
+
+ return template
+}
+```
+
+---
+
+## ✅ 可行性评估
+
+### 1. 复杂度分析
+
+| 章节 | 复杂度 | 大模型生成难度 | 可行性 |
+|------|--------|----------------|--------|
+| 章节一：企业数字化情况简介 | ⭐⭐⭐ | 中等 | ✅ 可行 |
+| 章节二：数据资源统计 | ⭐⭐⭐⭐ | 较高 | ✅ 可行（需验证数据准确性） |
+| 章节三：数据资产情况盘点 | ⭐⭐⭐⭐⭐ | 很高 | ⚠️ 需要高质量输入数据 |
+| 章节四：专家建议与下一步计划 | ⭐⭐⭐⭐ | 较高 | ✅ 可行 |
+
+### 2. 技术可行性
+
+#### ✅ 可行的部分
+
+1. **文本生成**（章节一、部分章节四）
+ - 大模型擅长生成描述性文本
+ - 可以基于企业背景信息生成专业描述
+ - 难度：低
+
+2. **结构化数据生成**（章节二）
+ - 可以基于输入数据生成统计数据
+ - 需要确保数据逻辑正确性
+ - 难度：中
+
+3. **专业建议生成**（章节四）
+ - 大模型具备专业知识，可以生成专业建议
+ - 需要结合前面章节的分析结果
+ - 难度：中
+
+#### ⚠️ 需要特别注意的部分
+
+1. **数据资产合规风险分析**（章节三）
+ - **挑战**：
+ - 需要准确识别合规风险（PIPL、数据安全法）
+ - 需要引用具体的表名、字段名
+ - 风险描述必须准确、专业
+ - **解决方案**：
+ - 在提示词中明确合规要求
+ - 提供合规风险检查清单
+ - 使用少样本学习提供示例
+ - 考虑使用专门的合规分析模型或规则引擎
+
+2. **数据准确性验证**（章节二）
+ - **挑战**：
+ - 统计数据必须准确
+ - 百分比总和必须为100%
+ - 数据量单位必须一致
+ - **解决方案**：
+ - 在提示词中明确约束条件
+ - 后端验证数据逻辑
+ - 使用JSON Schema验证
+
+### 3. 实施建议
+
+#### 方案一：全量生成（推荐用于MVP）
+
+**优点**：
+- 实现简单，一次调用生成完整报告
+- 用户体验好，等待时间短
+
+**缺点**：
+- 如果某个章节生成质量不佳，需要重新生成整个报告
+- Token消耗较大
+
+**适用场景**：
+- 报告内容相对简单
+- 对生成速度要求高
+- 可以接受一定的质量波动
+
+#### 方案二：分阶段生成（推荐用于生产环境）
+
+**优点**：
+- 可以针对每个章节优化提示词
+- 如果某个章节生成失败，只需重新生成该章节
+- 可以逐步展示内容，提升用户体验
+- 便于质量控制和人工审核
+
+**缺点**：
+- 需要多次API调用
+- 实现复杂度较高
+- 需要考虑章节间的依赖关系
+
+**实施步骤**：
+1. 生成章节一和章节二（基于盘点数据）
+2. 生成章节三（基于识别的数据资产）
+3. 生成章节四（基于前面章节的分析结果）
+
+#### 方案三：混合生成（推荐）
+
+**策略**：
+- 章节一、二、四：大模型生成
+- 章节三：大模型生成 + 规则引擎验证
+
+**实施**：
+1. 使用大模型生成章节三的初稿
+2. 使用规则引擎验证合规风险分析的准确性
+3. 如果验证失败，调整提示词重新生成
+
+### 4. 质量保证措施
+
+#### 4.1 输入数据验证
+
+```typescript
+function validateInputData(request: GenerateReportRequest): ValidationResult {
+ const errors: string[] = []
+
+ // 验证数据盘点结果
+ if (!request.inventoryData.totalTables || request.inventoryData.totalTables <= 0) {
+ errors.push('数据表数量必须大于0')
+ }
+
+ // 验证百分比总和
+ const { structured, semiStructured } = request.inventoryData.dataSourceStructure
+ if (structured + semiStructured !== 100) {
+ errors.push('数据来源结构百分比总和必须为100%')
+ }
+
+ // 验证数据资产
+ if (!request.inventoryData.identifiedAssets || request.inventoryData.identifiedAssets.length === 0) {
+ errors.push('必须至少识别一个数据资产')
+ }
+
+ return {
+ valid: errors.length === 0,
+ errors
+ }
+}
+```
+
+#### 4.2 输出数据验证
+
+```typescript
+function validateOutputData(response: GenerateReportResponse): ValidationResult {
+ const errors: string[] = []
+
+ if (!response.data) {
+ return { valid: false, errors: ['响应数据为空'] }
+ }
+
+ // 验证章节二：百分比总和
+ const { structured, semiStructured } = response.data.section2.dataSourceStructure
+ if (structured.percentage + semiStructured.percentage !== 100) {
+ errors.push('数据来源结构百分比总和必须为100%')
+ }
+
+ // 验证章节三：数据资产数量
+ if (!response.data.section3.assets || response.data.section3.assets.length === 0) {
+ errors.push('必须至少包含一个数据资产')
+ }
+
+ // 验证文本长度
+ if (response.data.section1.enterpriseBackground.description.length < 100) {
+ errors.push('企业背景描述长度不足')
+ }
+
+ return {
+ valid: errors.length === 0,
+ errors
+ }
+}
+```
+
+#### 4.3 合规风险验证
+
+```typescript
+interface ComplianceRisk {
+ type: 'personalInfo' | 'importantData' | 'crossBorder' | 'dataSecurity'
+ severity: 'high' | 'medium' | 'low'
+ description: string
+}
+
+function validateComplianceRisks(assets: DataAsset[]): ComplianceValidationResult {
+ const issues: string[] = []
+
+ for (const asset of assets) {
+ // 检查是否包含个人信息风险分析
+ const hasPersonalInfoRisk = asset.complianceRisks.warnings.some(
+ w => w.type.includes('个人信息') || w.type.includes('SPI')
+ )
+
+ if (!hasPersonalInfoRisk && asset.title.includes('客户') || asset.title.includes('用户')) {
+ issues.push(`${asset.title} 可能涉及个人信息，但未识别相关风险`)
+ }
+
+ // 检查风险描述是否具体
+ for (const warning of asset.complianceRisks.warnings) {
+ if (warning.content.length < 50) {
+ issues.push(`${asset.title} 的风险描述过于简单`)
+ }
+ }
+ }
+
+ return {
+ valid: issues.length === 0,
+ issues
+ }
+}
+```
+
+### 5. 错误处理策略
+
+```typescript
+interface ErrorHandlingStrategy {
+ // 重试策略
+ retry: {
+ maxAttempts: number // 最大重试次数，默认3次
+ backoff: 'exponential' // 退避策略：指数退避
+ retryableErrors: string[] // 可重试的错误类型
+ }
+
+ // 降级策略
+ fallback: {
+ useTemplate: boolean // 是否使用模板作为降级方案
+ templatePath: string // 模板文件路径
+ partialGeneration: boolean // 是否允许部分生成（生成部分章节）
+ }
+
+ // 人工审核
+ review: {
+ requireReview: boolean // 是否需要人工审核
+ reviewThreshold: number // 审核阈值（置信度低于此值需要审核）
+ }
+}
+```
+
+---
+
+## 🚀 实施路线图
+
+### 阶段一：MVP实现（2-3周）
+
+**目标**：实现基本的报告生成功能
+
+**任务**：
+1. ✅ 设计接口数据格式
+2. ✅ 设计提示词模板
+3. ✅ 实现基础的大模型调用
+4. ✅ 实现数据验证
+5. ✅ 前端集成
+
+**验收标准**：
+- 能够生成完整的报告内容
+- 数据格式正确
+- 基本的数据验证通过
+
+### 阶段二：质量优化（2-3周）
+
+**目标**：提升生成质量和准确性
+
+**任务**：
+1. ✅ 优化提示词（少样本学习、约束条件）
+2. ✅ 实现分阶段生成
+3. ✅ 实现合规风险验证
+4. ✅ 实现错误处理和重试机制
+5. ✅ 添加人工审核流程
+
+**验收标准**：
+- 生成内容专业、准确
+- 合规风险分析准确
+- 统计数据逻辑正确
+
+### 阶段三：性能优化（1-2周）
+
+**目标**：优化生成速度和用户体验
+
+**任务**：
+1. ✅ 实现流式输出（逐步展示内容）
+2. ✅ 优化Token使用（减少不必要的上下文）
+3. ✅ 实现缓存机制（相同输入复用结果）
+4. ✅ 优化错误提示和用户反馈
+
+**验收标准**：
+- 生成时间 < 30秒
+- 用户体验流畅
+- 错误提示清晰
+
+---
+
+## 📝 注意事项
+
+### 1. 数据隐私和安全
+
+- **敏感信息处理**：确保输入数据中的敏感信息（如企业名称、具体数据）不会泄露
+- **数据脱敏**：在调用大模型API前，对敏感数据进行脱敏处理
+- **API安全**：使用安全的API调用方式，避免API密钥泄露
+
+### 2. 成本控制
+
+- **Token优化**：优化提示词，减少不必要的Token消耗
+- **缓存策略**：对相同输入进行缓存，避免重复调用
+- **模型选择**：根据需求选择合适的模型（平衡成本和质量）
+
+### 3. 可维护性
+
+- **提示词版本管理**：使用版本控制管理提示词
+- **配置化**：将提示词模板配置化，便于调整
+- **监控和日志**：记录API调用日志，便于问题排查
+
+### 4. 用户体验
+
+- **加载状态**：显示生成进度和预计时间
+- **错误提示**：提供清晰的错误信息和解决建议
+- **预览功能**：允许用户预览生成内容后再确认
+
+---
+
+## 📚 参考资源
+
+### 大模型API文档
+- OpenAI API: https://platform.openai.com/docs
+- 文心一言 API: https://cloud.baidu.com/product/wenxinworkshop
+- 通义千问 API: https://help.aliyun.com/zh/model-studio/
+
+### 数据合规法规
+- 《个人信息保护法》(PIPL)
+- 《数据安全法》
+- 《网络安全法》
+
+### 提示词工程
+- OpenAI Prompt Engineering Guide: https://platform.openai.com/docs/guides/prompt-engineering
+- LangChain Prompt Templates: https://python.langchain.com/docs/modules/model_io/prompts/
+
+---
+
+## 📅 更新记录
+
+- **2025-01-XX**: 初始版本创建
+
+---
+
+## 👥 贡献者
+
+- Finyx AI Team
diff --git a/llm-export.yaml b/llm-export.yaml
new file mode 100644
index 0000000..8e88f90
--- /dev/null
+++ b/llm-export.yaml
@@ -0,0 +1,75 @@
+customModes:
+ - slug: llm
+ name: LLM 后端架构师
+ roleDefinition: You are a Senior Backend Architect specializing in Large
+ Language Model (LLM) applications. You possess deep expertise in building
+ scalable API services that orchestrate AI models. Your strengths include
+ designing RAG (Retrieval-Augmented Generation) pipelines, managing vector
+ databases, optimizing prompt engineering within code, and handling
+ streaming responses (SSE/WebSocket). You prioritize low latency, cost
+ management (token usage), and robust error handling for non-deterministic
+ model outputs.
+ description: 专注于开发大模型应用接口服务。擅长处理 RAG 流程、Prompt 管理、流式输出 (Streaming) 及向量数据库集成。
+ customInstructions: >-
+ # Role & Objective
+
+ You are an expert in developing backend services for LLM applications.
+ Your goal is to create robust, scalable, and secure APIs that interact
+ with LLMs (OpenAI, Anthropic, Local Models).
+
+
+ # Tech Stack Standards (Adjust based on user's actual stack)
+
+ - **Language:** Python (Preferred for AI) or TypeScript.
+
+ - **Framework:** FastAPI (Python) or NestJS/Express (Node).
+
+ - **Orchestration:** LangChain, LlamaIndex, or raw API SDKs.
+
+ - **Vector DB:** Pinecone, Milvus, Qdrant, or Pgvector.
+
+
+ # Coding Guidelines for LLM Apps
+
+ 1. **Streaming First:** Always design APIs to support Server-Sent Events
+ (SSE) or streaming responses for LLM outputs to reduce perceived latency.
+
+ 2. **Configuration Management:** NEVER hardcode API keys. Use strict
+ environment variable management (.env).
+
+ 3. **Prompt Governance:** Separate prompt templates from business logic.
+ Treat prompts as code.
+
+ 4. **Data Handling:** Use Pydantic models (Python) or Zod schemas (TS) to
+ enforce strict structure on LLM inputs and outputs.
+
+ 5. **Asynchronous:** Use `async/await` for all I/O bound operations (LLM
+ API calls, DB queries).
+
+
+ # Architectural Rules
+
+ - **RAG Implementation:** When implementing RAG, ensure clear separation
+ between Retrieval (fetching docs) and Generation (synthesizing answer).
+
+ - **Error Handling:** Implement retry mechanisms (with exponential
+ backoff) for API rate limits and timeouts. Handle hallucinated or
+ malformed JSON outputs gracefully.
+
+ - **Context Management:** Be mindful of token limits. Implement strategy
+ to truncate or summarize history when exceeding context windows.
+
+
+ # Security
+
+ - Prevent Prompt Injection vulnerabilities where possible.
+
+ - Ensure user data privacy; do not log sensitive PII sent to LLMs unless
+ necessary for debugging.
+ groups:
+ - read
+ - edit
+ - browser
+ - command
+ - mcp
+ source: project
diff --git a/requirements.txt b/requirements.txt
new file mode 100644
index 0000000..ae6c852
--- /dev/null
+++ b/requirements.txt
@@ -0,0 +1,33 @@
+# FastAPI 核心依赖
+fastapi>=0.104.0
+uvicorn[standard]>=0.24.0
+python-multipart>=0.0.6
+pydantic>=2.0.0
+pydantic-settings>=2.0.0
+
+# HTTP 客户端
+httpx>=0.24.0
+
+# 文档处理
+pandas>=2.0.0
+openpyxl>=3.1.0
+python-docx>=1.1.0
+pdfplumber>=0.10.0
+
+# 大模型 SDK
+openai>=1.0.0
+dashscope>=1.14.0
+
+# 日志
+loguru>=0.7.0
+
+# 环境变量
+python-dotenv>=1.0.0
+
+# Redis (可选，用于缓存)
+redis>=5.0.0
+
+# 测试工具（开发依赖）
+pytest>=7.4.0
+pytest-asyncio>=0.21.0
+httpx>=0.24.0
diff --git a/restart_service.sh b/restart_service.sh
new file mode 100755
index 0000000..91677b1
--- /dev/null
+++ b/restart_service.sh
@@ -0,0 +1,26 @@
+#!/bin/bash
+# 重启服务脚本
+
+echo "正在重启服务..."
+
+# 停止旧服务
+pkill -f "uvicorn app.main:app" 2>/dev/null
+sleep 2
+
+# 启动新服务
+cd /home/ubuntu/dev/finyx_data_ai
+source venv/bin/activate
+nohup uvicorn app.main:app --host 0.0.0.0 --port 8000 > server.log 2>&1 &
+
+echo "服务启动中..."
+sleep 3
+
+# 检查服务状态
+if curl -s http://localhost:8000/api/v1/common/health > /dev/null 2>&1; then
+ echo "✅ 服务启动成功！"
+ echo " 健康检查: http://localhost:8000/api/v1/common/health"
+ echo " API 文档: http://localhost:8000/docs"
+else
+ echo "❌ 服务启动可能失败，请检查日志:"
+ echo " tail -f server.log"
+fi
diff --git a/test_ai_analyze.sh b/test_ai_analyze.sh
new file mode 100755
index 0000000..790a10f
--- /dev/null
+++ b/test_ai_analyze.sh
@@ -0,0 +1,63 @@
+#!/bin/bash
+# 测试 AI 分析接口
+
+echo "========================================="
+echo "测试 AI 分析接口"
+echo "========================================="
+
+# 测试 1: 请求验证（缺少必需字段）
+echo ""
+echo "测试 1: 请求验证（缺少必需字段）"
+echo "----------------------------------------"
+curl -X POST "http://localhost:8000/api/v1/inventory/ai-analyze" \
+ -H "Content-Type: application/json" \
+ -d '{
+ "tables": [],
+ "project_id": "test_project"
+ }' | python3 -m json.tool
+
+# 测试 2: 完整的请求（会因为没有 API Key 而失败，但可以测试接口处理）
+echo ""
+echo ""
+echo "测试 2: 完整的请求（测试接口处理）"
+echo "----------------------------------------"
+curl -X POST "http://localhost:8000/api/v1/inventory/ai-analyze" \
+ -H "Content-Type: application/json" \
+ -d '{
+ "tables": [
+ {
+ "raw_name": "t_user_base_01",
+ "fields": [
+ {
+ "raw_name": "user_id",
+ "type": "varchar(64)",
+ "comment": "用户ID"
+ },
+ {
+ "raw_name": "phone",
+ "type": "varchar(11)",
+ "comment": "手机号"
+ },
+ {
+ "raw_name": "id_card",
+ "type": "varchar(18)",
+ "comment": "身份证号"
+ }
+ ]
+ }
+ ],
+ "project_id": "project_001",
+ "industry": "retail-fresh",
+ "context": "某连锁生鲜零售企业，主营水果、蔬菜等生鲜产品",
+ "options": {
+ "model": "qwen-max",
+ "temperature": 0.3,
+ "enable_pii_detection": true,
+ "enable_important_data_detection": true
+ }
+ }' | python3 -m json.tool
+
+echo ""
+echo "========================================="
+echo "测试完成"
+echo "========================================="
diff --git a/test_siliconflow.sh b/test_siliconflow.sh
new file mode 100755
index 0000000..bfc8d76
--- /dev/null
+++ b/test_siliconflow.sh
@@ -0,0 +1,52 @@
+#!/bin/bash
+# 测试硅基流动 AI 分析接口
+
+echo "========================================="
+echo "测试硅基流动 AI 分析接口"
+echo "========================================="
+
+# 测试 1: 使用 deepseek-chat 模型
+echo ""
+echo "测试 1: 使用 deepseek-chat 模型（硅基流动）"
+echo "----------------------------------------"
+curl -X POST "http://localhost:8000/api/v1/inventory/ai-analyze" \
+ -H "Content-Type: application/json" \
+ -d '{
+ "tables": [
+ {
+ "raw_name": "t_user_base_01",
+ "fields": [
+ {
+ "raw_name": "user_id",
+ "type": "varchar(64)",
+ "comment": "用户ID"
+ },
+ {
+ "raw_name": "phone",
+ "type": "varchar(11)",
+ "comment": "手机号"
+ },
+ {
+ "raw_name": "id_card",
+ "type": "varchar(18)",
+ "comment": "身份证号"
+ }
+ ]
+ }
+ ],
+ "project_id": "project_001",
+ "industry": "retail-fresh",
+ "context": "某连锁生鲜零售企业，主营水果、蔬菜等生鲜产品",
+ "options": {
+ "model": "default",
+ "temperature": 0.3,
+ "enable_pii_detection": true,
+ "enable_important_data_detection": true
+ }
+ }' | python3 -m json.tool
+
+echo ""
+echo ""
+echo "========================================="
+echo "测试完成"
+echo "========================================="
diff --git a/tests/README.md b/tests/README.md
new file mode 100644
index 0000000..b7dbf93
--- /dev/null
+++ b/tests/README.md
@@ -0,0 +1,437 @@
+# Finyx Data AI - 接口可视化测试页面
+
+## 📋 文档说明
+
+本目录包含数据资产盘点系统各接口的可视化测试页面，提供完整的虚拟数据和交互测试功能，帮助开发人员和测试人员快速验证接口功能。
+
+---
+
+## 🚀 快速开始
+
+### 1. 启动后端服务
+
+```bash
+cd /home/ubuntu/dev/finyx_data_ai
+python -m app.main
+```
+
+服务将在 `http://localhost:8000` 启动。
+
+### 2. 打开测试页面
+
+直接在浏览器中打开以下 HTML 文件：
+
+- **数据资产智能识别接口**: `test_ai_analyze.html`
+- **文档解析接口**: `test_parse_document.html`
+- **潜在场景推荐接口**: `test_scenario_recommendation.html`
+- **完整报告生成接口**: `test_generate_report.html`
+
+---
+
+## 📊 测试页面列表
+
+### 1. 数据资产智能识别接口测试 🔍
+
+**文件名**: `test_ai_analyze.html`
+**接口路径**: `POST /api/v1/inventory/ai-analyze`
+**功能说明**: 使用大模型识别数据资产的中文名称、业务含义、PII敏感信息和重要数据特征
+
+#### 功能特性
+
+- ✅ 多行业虚拟数据支持（零售、金融、用户中心）
+- ✅ 实时 PII 敏感信息识别
+- ✅ 重要数据类型识别
+- ✅ 置信度评分展示
+- ✅ 可视化图表展示（PII分布、重要数据、置信度）
+- ✅ 表结构折叠展示
+- ✅ 字段详细信息卡片
+
+#### 虚拟数据场景
+
+| 场景 | 说明 | 核心数据 |
+|------|------|----------|
+| 零售场景 | 生鲜零售企业 | 用户信息、订单信息、会员信息 |
+| 金融场景 | 银行机构 | 账户信息、交易记录 |
+| 用户中心 | 用户管理系统 | 用户档案、登录日志、支付信息 |
+
+#### 可视化图表
+
+- **PII 敏感信息分布**: 柱状图展示各类敏感信息数量
+- **重要数据类型分布**: 柱状图展示重要数据分类
+- **置信度分布**: 柱状图展示识别置信度分布（高/中/低）
+
+#### 统计卡片
+
+- 总表数
+- 总字段数
+- PII 字段数
+- 重要数据字段数
+- 平均置信度
+
+---
+
+### 2. 文档解析接口测试 📄
+
+**文件名**: `test_parse_document.html`
+**接口路径**: `POST /api/v1/inventory/parse-document`
+**功能说明**: 解析上传的数据字典文档（Excel/Word/PDF），提取表结构信息
+
+#### 功能特性
+
+- ✅ 支持文件拖拽上传
+- ✅ 支持多文件上传
+- ✅ 虚拟文件测试（Excel/Word/PDF）
+- ✅ 文件类型识别
+- ✅ 表结构提取展示
+- ✅ 字段详细信息（类型、注释、主键、可为空）
+- ✅ 文件大小格式化
+- ✅ 解析耗时统计
+
+#### 虚拟文件类型
+
+| 文件类型 | 扩展名 | 虚拟数据 |
+|---------|---------|----------|
+| Excel | .xlsx, .xls | 用户信息表、订单信息表、商品信息表 |
+| Word | .doc, .docx | 会员信息表 |
+| PDF | .pdf | 交易流水表 |
+
+#### 可视化图表
+
+- **文件类型分布**: 柱状图展示不同文件类型数量
+- **字段类型分布**: 柱状图展示字段类型分布（VARCHAR、INT、DECIMAL等）
+
+#### 统计卡片
+
+- 文件数
+- 总表数
+- 总字段数
+- 解析耗时
+
+---
+
+### 3. 潜在场景推荐接口测试 💡
+
+**文件名**: `test_scenario_recommendation.html`
+**接口路径**: `POST /api/v1/value/scenario-recommendation`
+**功能说明**: 基于企业背景、数据资产清单和存量场景，使用 AI 推荐潜在的数据应用场景
+
+#### 功能特性
+
+- ✅ 多行业场景支持（零售、金融、用户中心）
+- ✅ 数据资产配置
+- ✅ 存量场景管理（添加/删除）
+- ✅ 推荐场景卡片展示
+- ✅ 推荐指数星级评分
+- ✅ 预估 ROI 标识
+- ✅ 实施难度分级
+- ✅ 依赖数据资产展示
+- ✅ 技术要求清单
+
+#### 虚拟场景数据
+
+| 行业 | 推荐场景数 | 示例场景 |
+|------|------------|----------|
+| 零售 | 10个 | 精准会员营销、智能库存补货、价格弹性分析 |
+| 金融 | 3个 | 智能风控、理财产品推荐、客户分群画像 |
+| 用户中心 | 3个 | 用户行为分析、个性化推荐、用户增长预测 |
+
+#### 场景类型
+
+- **营销增长**: 精准营销、推荐、增长分析
+- **降本增效**: 库存优化、损耗控制、智能客服
+- **风险管理**: 风控、反欺诈
+- **数据分析**: 行为分析、增长预测
+
+#### 可视化图表
+
+- **场景类型分布**: 柱状图展示不同类型场景数量
+- **预估 ROI 分布**: 柱状图展示高/中/低 ROI 分布
+
+#### 统计卡片
+
+- 推荐场景数
+- 高推荐指数（5星）
+- 中等推荐指数（3-4星）
+- 低推荐指数（1-2星）
+- 生成耗时
+
+---
+
+### 4. 完整报告生成接口测试 📊
+
+**文件名**: `test_generate_report.html`
+**接口路径**: `POST /api/v1/delivery/generate-report`
+**功能说明**: 基于数据盘点结果、背景调研信息和价值挖掘场景，生成完整的数据资产盘点工作总结报告
+
+#### 功能特性
+
+- ✅ 多行业报告模板（零售、金融、医疗）
+- ✅ 四章节完整报告生成
+- ✅ 报告导航快速定位
+- ✅ 数据可视化展示
+- ✅ 合规风险提示
+- ✅ 专家建议列表
+- ✅ 响应式报告布局
+
+#### 报告章节
+
+| 章节 | 内容 |
+|------|------|
+| 章节一 | 企业数字化情况简介（企业背景、信息化建设现状、业务流与数据流） |
+| 章节二 | 数据资源统计（数据总量概览、存储分布、数据来源结构） |
+| 章节三 | 数据资产情况盘点（资产概览、资产构成、合规风险提示） |
+| 章节四 | 专家建议与下一步计划（合规整改建议、技术演进建议、价值深化建议） |
+
+#### 虚拟报告数据
+
+| 行业 | 数据量 | 核心资产数 | 合规风险数 |
+|------|--------|------------|------------|
+| 零售 | 58 PB | 2个 | 2个 |
+| 金融 | 63 PB | 1个 | 1个 |
+| 医疗 | 62 PB | 1个 | 1个 |
+
+#### 可视化组件
+
+- **存储分布**: 彩色条形图展示不同业务域的数据量和存储类型
+- **数据来源结构**: 结构化数据 vs 半结构化数据比例
+- **风险警告框**: 橙色警告框展示合规风险
+- **建议列表**: 带序号的建议列表
+
+---
+
+## 🎨 通用功能
+
+所有测试页面都包含以下通用功能：
+
+### API 调用信息展示
+
+- ✅ 请求端点显示
+- ✅ 请求数据 JSON 格式化展示
+- ✅ 响应数据 JSON 格式化展示
+- ✅ 代码语法高亮
+
+### 数据可视化
+
+- ✅ 柱状图（Bar Chart）
+- ✅ 饼图（Pie Chart）
+- ✅ 卡片列表（Card List）
+- ✅ 表格展示（Table）
+- ✅ 统计卡片（Stat Cards）
+- ✅ 标签展示（Tags）
+
+### UI/UX 特性
+
+- ✅ 加载状态展示（动画 Spinner）
+- ✅ 成功/错误消息提示
+- ✅ Toast 消息通知
+- ✅ 表单验证
+- ✅ 响应式布局（支持桌面/平板/手机）
+- ✅ 深色/浅色配色方案
+- ✅ 平滑动画过渡
+
+### 虚拟数据功能
+
+- ✅ 快速加载虚拟数据按钮
+- ✅ 多场景数据支持
+- ✅ 动态数据生成
+- ✅ 模拟 API 响应
+
+---
+
+## 🛠️ 技术架构
+
+### 基础框架
+
+所有测试页面共享以下基础框架：
+
+#### 1. `base_test_framework.js` - JavaScript 框架
+
+提供以下功能：
+
+**API 调用函数**
+- `apiRequest(endpoint, data, method)` - 统一的 API 请求函数
+- `showLoading(elementId)` - 显示加载状态
+- `hideLoading(elementId, content)` - 隐藏加载状态
+- `showError(elementId, message)` - 显示错误信息
+- `showSuccess(elementId, message)` - 显示成功消息
+
+**图表渲染函数**
+- `renderBarChart(containerId, data, title)` - 渲染柱状图
+- `renderPieChart(containerId, data, title)` - 渲染饼图
+- `renderCardList(containerId, items, title)` - 渲染卡片列表
+- `renderTable(containerId, columns, data, title)` - 渲染表格
+
+**辅助函数**
+- `getBarColor(index)` - 获取柱状图颜色
+- `formatCellValue(value)` - 格式化单元格值
+- `formatNumber(num, decimals)` - 格式化数字
+- `formatTime(seconds)` - 格式化时间
+- `delay(ms)` - 延迟函数
+- `copyToClipboard(text)` - 复制到剪贴板
+- `showToast(message)` - 显示 Toast 消息
+
+#### 2. `test_common.css` - 公共样式
+
+提供以下样式：
+
+**布局组件**
+- 容器（`.container`）
+- 栅格布局（`.content-grid`）
+- 卡片（`.card`）
+- 标题（`.page-title`, `.section-title`）
+
+**表单组件**
+- 输入框（`.form-control`）
+- 按钮（`.btn`）
+- 表单组（`.form-group`）
+- 表单行（`.form-row`）
+
+**数据展示**
+- 统计卡片（`.stat-card`）
+- 表格（`.data-table`）
+- 标签（`.tag`）
+- 选项卡（`.tabs`）
+
+**状态反馈**
+- 加载动画（`.spinner`）
+- 错误容器（`.error-container`）
+- 成功容器（`.success-container`）
+- Toast 消息（`.toast`）
+
+**响应式设计**
+- 桌面端（> 992px）
+- 平板端（768px - 992px）
+- 移动端（< 768px）
+
+---
+
+## 📝 使用指南
+
+### 基本使用流程
+
+1. **选择测试页面**
+ - 根据需要测试的接口，打开对应的 HTML 文件
+
+2. **配置测试参数**
+ - 填写表单字段
+ - 或点击"快速使用虚拟数据"按钮
+
+3. **执行测试**
+ - 点击"开始分析"/"生成推荐"/"生成报告"等按钮
+ - 等待模拟 API 调用完成
+
+4. **查看结果**
+ - 查看统计卡片了解概览
+ - 查看图表了解数据分布
+ - 查看详细信息了解具体结果
+
+5. **查看 API 数据**
+ - 在左侧面板查看请求数据
+ - 查看响应数据的 JSON 格式
+
+### 高级使用
+
+#### 自定义虚拟数据
+
+每个测试页面都提供了 `mockData` 对象，可以根据需要修改：
+
+```javascript
+const mockData = {
+ // 自定义数据结构
+};
+```
+
+#### 连接真实 API
+
+修改 `API_BASE_URL` 常量，连接到实际后端：
+
+```javascript
+const API_BASE_URL = 'http://localhost:8000/api/v1';
+```
+
+然后移除模拟 API 调用代码，使用真实的 `apiRequest()` 函数。
+
+---
+
+## 🐛 常见问题
+
+### Q1: 页面无法显示图表？
+
+**A**: 确保 `base_test_framework.js` 和 `test_common.css` 文件与 HTML 文件在同一目录下。
+
+### Q2: 虚拟数据不符合我的需求？
+
+**A**: 可以直接修改 HTML 文件中的 `mockData` 对象，自定义虚拟数据。
+
+### Q3: 如何连接到真实后端 API？
+
+**A**:
+1. 确保后端服务已启动
+2. 修改 `API_BASE_URL` 为实际后端地址
+3. 移除模拟响应代码，使用 `apiRequest()` 函数
+
+### Q4: 如何添加新的测试场景？
+
+**A**:
+1. 复制现有测试页面作为模板
+2. 修改页面标题和描述
+3. 自定义虚拟数据和表单字段
+4. 调整渲染函数以适配新接口
+
+---
+
+## 📦 文件结构
+
+```
+tests/
+├── README.md # 本文档
+├── base_test_framework.js # JavaScript 基础框架
+├── test_common.css # 公共样式文件
+├── test_ai_analyze.html # 数据资产智能识别接口测试
+├── test_parse_document.html # 文档解析接口测试
+├── test_scenario_recommendation.html # 潜在场景推荐接口测试
+└── test_generate_report.html # 完整报告生成接口测试
+```
+
+---
+
+## 🎯 下一步计划
+
+### 待开发的测试页面
+
+- [ ] SQL 结果解析接口测试页面
+- [ ] 业务表解析接口测试页面
+- [ ] 存量场景优化建议接口测试页面
+
+### 功能增强
+
+- [ ] 添加单元测试自动化
+- [ ] 添加性能测试
+- [ ] 添加对比测试（多个模型对比）
+- [ ] 添加测试报告导出功能
+- [ ] 添加测试数据持久化
+
+---
+
+## 📞 联系方式
+
+如有问题或建议，请联系：
+
+- **项目负责人**: [待填写]
+- **技术负责人**: [待填写]
+- **测试负责人**: [待填写]
+
+---
+
+## 📄 相关文档
+
+- [接口开发文档索引](../docs/README.md)
+- [API 概览](../API_OVERVIEW.md)
+- [开发指南](../DEVELOPMENT.md)
+- [快速开始](../QUICK_START.md)
+
+---
+
+**最后更新**: 2026-01-11
+**版本**: v1.0.0
+**维护者**: Finyx AI Team
diff --git a/tests/base_test_framework.js b/tests/base_test_framework.js
new file mode 100644
index 0000000..710d3e4
--- /dev/null
+++ b/tests/base_test_framework.js
@@ -0,0 +1,416 @@
+/**
+ * 测试页面基础框架 - 通用函数
+ * 提供API调用、图表渲染、UI交互等公共功能
+ */
+
+// ==================== 配置 ====================
+const API_BASE_URL = 'http://localhost:8000/api/v1';
+
+// ==================== API 调用函数 ====================
+
+/**
+ * 发送 API 请求
+ * @param {string} endpoint - 接口端点
+ * @param {object} data - 请求数据
+ * @param {string} method - HTTP 方法
+ * @returns {Promise