BUGFIX_SUMMARY.md

Bug Fix Summary - Profile Generation Not Using Preset Inputs

⚠️ 重要更新 (2025-11-10)

问题已通过重构解决！ 参考 experience_temp/generation_user_profile 的工作版本，我们完全重写了参数传递逻辑。

关键改变:

• ❌ 移除了文件系统依赖（不再保存/读取 user_profile.json）
• ✅ 在内存中直接构建和传递 profile
• ✅ 匹配参考版本的简单流程：build → select → summarize
• ✅ 用户输入现在被正确使用

详见 REFACTOR_NOTES.md

---

Bug Fix Summary - Profile Generation Not Using Preset Inputs

问题描述

当用户通过Web界面输入部分预设内容（如年龄、性别、职业等）时，生成的profile仍然是完全随机的，没有使用用户的预设输入。

用户需求

核心原则：用户输入了什么就用什么，没输入的才基于已输入内容生成

• 用户输入的字段：直接使用，不调用GPT重新生成
• 用户未输入的字段：基于已输入的字段，调用 based_data.py 中的函数生成
• 有多少用多少，灵活处理部分输入的情况

根本原因

在 generate_profile.py 的 generate_single_profile() 函数中，代码会调用 select_attributes.py 中的 generate_user_profile() 函数来重新生成用户配置文件。这个函数会完全随机生成所有基础信息（年龄、性别、职业、地点等），从而覆盖了用户在 web_api_bridge.py 中预设的输入。

问题代码流程：

1. 用户在Web界面输入预设值
2. web_api_bridge.py 将预设值保存到 user_profile.json
3. generate_single_profile() 被调用
4. 问题点: generate_single_profile() 调用 generate_user_profile() 重新随机生成配置
5. 新生成的随机配置覆盖了用户的预设输入

修复方案

1. 修改 generate_profile.py (主要修改)

文件: /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/generate_profile.py

修改内容:

• 在调用属性选择之前，检查是否已存在 user_profile.json（由 web_api_bridge.py 保存）
• 如果存在，读取并使用该文件（包含用户预设输入）
• 将 web 格式的配置转换为 AttributeSelector 期望的格式
• 在属性选择完成后，恢复原始的 user_profile.json，避免被覆盖

关键代码:

# 检查是否已经存在user_profile.json（由web_api_bridge.py保存）
if os.path.exists(user_profile_path):
    # 读取已存在的用户配置文件（包含预设输入）
    print(f"Found existing user_profile.json, using preset inputs...")
    with open(user_profile_path, 'r', encoding='utf-8') as f:
        base_profile = json.load(f)
    
    # 保存原始配置，稍后恢复
    original_base_profile = base_profile.copy()
    using_preset = True
    
    # 转换为AttributeSelector期望的格式
    user_profile = convert_web_profile_to_selector_format(base_profile)
else:
    # 如果不存在，生成新的配置文件
    user_profile = gen_profile()

2. 添加格式转换函数到 select_attributes.py

文件: /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/select_attributes.py

新增函数: convert_web_profile_to_selector_format()

功能: 将 web_api_bridge.py 保存的配置格式转换为 AttributeSelector 期望的格式

核心逻辑（严格遵循"有多少用多少"原则）:

# 对每个字段进行检查：
# 1. 如果用户提供了该字段 → 直接使用，打印 "✓ Using user-provided ..."
# 2. 如果用户没提供 → 基于已有信息生成，打印 "✗ ... not provided, generated ..."

# 示例：年龄处理
age = web_profile.get("age")
if age:
    age_info = {"age": age, "age_group": calculate_age_group(age)}
    print(f"✓ Using user-provided age: {age}")
else:
    age_info = generate_age_info()  # 只有没提供时才生成
    print(f"✗ Age not provided, generated: {age_info['age']}")

格式对比:

• Web格式: {"age": int, "gender": str, "Occupations": [str], ...}
• Selector格式: {"age_info": {"age": int, "age_group": str}, "gender": str, "career_info": {"status": str}, ...}

处理的字段:

• ✅ age → age_info (如果提供了就用，否则生成)
• ✅ gender (如果提供了就用，否则生成)
• ✅ location (如果提供了就用，否则生成)
• ✅ Occupations → career_info (如果提供了就用，否则生成)
• ✅ personal_values (如果提供了就用，否则基于已有信息生成)
• ✅ life_attitude (如果提供了就用，否则基于已有信息生成)
• ✅ personal_story (如果提供了就用，否则基于已有信息生成)
• ✅ interests (如果提供了就用，否则基于故事生成)

3. 修复 web_api_bridge.py 中的数据类型问题

文件: /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/web_api_bridge.py

修复内容:

1. 修复 values_orientation 类型问题:

   • generate_personal_values() 返回字典，需要提取 values_orientation 字段

2. 修复 personal_story 嵌套问题:

   • 避免重复嵌套 {"personal_story": {"personal_story": ...}}

修改文件列表

1. ✅ /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/generate_profile.py
2. ✅ /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/select_attributes.py
3. ✅ /Users/yufan_zhou/Documents/deeppersona/deeppersona-experience/generate_user_profile_final/code/web_api_bridge.py

测试建议

测试场景 1：部分输入（只输入基本信息）

输入:

• Age: 25
• Gender: Male
• Occupation: Software Engineer
• City: Tokyo
• Country: Japan

预期输出:

✓ Using user-provided age: 25
✓ Using user-provided gender: Male
✓ Using user-provided location: Tokyo, Japan
✓ Using user-provided occupation: Software Engineer
✗ Personal values not provided, generated based on user inputs
✗ Life attitude not provided, generated based on user inputs
✗ Life story not provided, generated based on user inputs
✗ Interests not provided, generated based on life story

测试场景 2：完整输入（输入所有字段）

输入:

• Age: 30
• Gender: Female
• Occupation: Teacher
• Location: Paris, France
• Personal Values: "Values education and creativity"
• Life Attitude: "Optimistic and passionate about learning"
• Life Story: "Born in Lyon, moved to Paris for university..."
• Interests: "Reading, painting, traveling"

预期输出:

✓ Using user-provided age: 30
✓ Using user-provided gender: Female
✓ Using user-provided location: Paris, France
✓ Using user-provided occupation: Teacher
✓ Using user-provided personal values: Values education and creativity
✓ Using user-provided life attitude: Optimistic and passionate about learning
✓ Using user-provided life story: Born in Lyon, moved to Paris for university...
✓ Using user-provided interests: Reading, painting, traveling

测试场景 3：空输入（完全随机生成）

输入: 全部留空

预期输出:

✗ Age not provided, generated: 42
✗ Gender not provided, generated: female
✗ Location not provided, generated: Mumbai, India
✗ Occupation not provided, generated: Marketing Manager
✗ Personal values not provided, generated based on user inputs
✗ Life attitude not provided, generated based on user inputs
✗ Life story not provided, generated based on user inputs
✗ Interests not provided, generated based on life story

预期结果

• ✅ 用户输入的预设值会被直接使用，不会被重新生成
• ✅ 未输入的字段会基于已输入的信息智能生成
• ✅ 生成的profile与用户输入保持完全一致性
• ✅ 控制台会清晰显示哪些字段使用了用户输入（✓），哪些是生成的（✗）