feat：新增代码注释

app/processor/nodes/action_node.py

@@ -16,25 +16,34 @@ from app.schemas.actions import ActionBatch, AddAction
 
 
 def can_generate_actions(state: QueryState) -> bool:
+    # 没有阻塞原因时才允许生成动作，路由和节点入口复用同一套能力检查
     return action_block_reason(state) is None
 
 
 def action_block_reason(state: QueryState) -> str | None:
-    # 路由和失败说明共用能力判断，避免支持范围不一致
+    # 如果已有大屏规划，按规划检查资源、目标和操作是否受支持
     if state.get("screen_plan") is not None:
         return plan_block_reason(state)
 
+    # 没有规划时，读取需求和范围，检查是否可以直接生成简单修改动作
     requirement = state["requirement"]
     scope = state["change_scope"]
 
+    # 如果需求尚未澄清完整，不能猜测用户意图并生成动作
     if requirement.needs_clarification:
         return "需求尚未澄清完整，不能生成动作"
+    # 如果需要规划或不是修改已有大屏，则必须先完成规划流程
     if scope.needs_planning or requirement.intent != "modify_screen":
         return "当前需求需要先完成规划，不能直接生成动作"
+    # 如果仍需查询额外资源，当前直接操作流程无法满足需求
     if scope.resource_needs:
         return "尚未接入所需资源查询：" + "；".join(scope.resource_needs)
+    # 如果没有具体变更，就没有可转换为动作的需求
     if not requirement.changes:
         return "需求中没有可执行的变更"
+
+    # 收集不支持的目标范围与操作组合，防止只执行需求中受支持的部分
+    # 直接操作仅支持下列已有节点修改和画布属性修改
     unsupported = [
         f"{change.target_scope}/{change.operation}"
         for change in requirement.changes
@@ -45,8 +54,11 @@ def action_block_reason(state: QueryState) -> str | None:
             and change.operation in ("update", "resize", "update_canvas")
         )
     ]
+
+    # 如果存在不支持的操作，按出现顺序去重后返回原因，便于展示失败信息
     if unsupported:
         return "当前尚未支持的直接操作：" + "、".join(dict.fromkeys(unsupported))
+    # 所有检查通过，返回 None 表示没有阻塞原因
     return None
 
 
@@ -54,10 +66,14 @@ class ActionNode(BaseNode):
     name = "action_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+
+        # 如果已有规划但不满足执行条件，记录原因并直接结束本节点，避免无效模型调用
         if state.get("screen_plan") is not None and (
             reason := plan_block_reason(state)
         ):
+            # 清空旧动作及模拟结果，标记失败，防止后续误用上一轮生成内容
             updated_state.update(
                 actions=None,
                 validation_passed=False,
@@ -67,21 +83,30 @@ class ActionNode(BaseNode):
                 status="failed",
             )
             return updated_state
+
+        # 如果未通过动作能力检查，抛出异常，阻止不受支持的需求进入生成流程
         if not can_generate_actions(state):
             raise ValueError(
                 "ActionNode 当前只支持无需规划和资源的 move、resize、update、delete、update_canvas 需求"
             )
+
+        # 将输入上下文、结构化需求和修改范围转成字典，作为本次模型输入
         payload = {
             "input_context": state["input_context"].model_dump(mode="json"),
             "requirement": state["requirement"].model_dump(mode="json"),
             "change_scope": state["change_scope"].model_dump(mode="json"),
         }
+
+        # 如果已有规划，补充规划内容及新增组件需要的物料配置
         if state.get("screen_plan") is not None:
             payload["screen_plan"] = state["screen_plan"].model_dump(mode="json")
             payload["component_materials"] = plan_materials(state)
+
+        # 如果本轮是动作修正，提供修正建议、上一轮动作和校验错误供模型参考
         if state.get("repair_plan") is not None:
             payload.update(
                 repair_plan=state["repair_plan"].model_dump(mode="json"),
+                # 上一轮可能在解析阶段就失败，没有动作时按空列表传入
                 previous_actions=[
                     action.model_dump(mode="json")
                     for action in state.get("actions") or []
@@ -90,9 +115,10 @@ class ActionNode(BaseNode):
                     error.model_dump() for error in state.get("validation_errors", [])
                 ],
             )
-        # 配置和网络错误继续抛出，仅模型输出错误进入内容修正循环
+
         llm_client = get_llm(ActionBatch)
 
+        # 旧动作及错误已放入模型输入，现在清空输出状态，避免本轮失败后残留旧结果
         updated_state["actions"] = None
         updated_state["validation_passed"] = None
         updated_state["validation_errors"] = []
@@ -100,7 +126,9 @@ class ActionNode(BaseNode):
         updated_state["failure_reason"] = None
         updated_state["status"] = "running"
 
+        # 捕获输出结构和解析错误，转换成统一校验结果供后续修正流程使用
         try:
+            # 异步调用模型，根据需求、规划及是否正在修正选择对应的系统规则
             result = await llm_client.ainvoke(
                 [
                     SystemMessage(
@@ -110,22 +138,35 @@ class ActionNode(BaseNode):
                             repairing=state.get("repair_plan") is not None,
                         )
                     ),
+                    # 将本次具体资料放入用户消息，保留中文以便阅读和排查
                     HumanMessage(content=json.dumps(payload, ensure_ascii=False)),
                 ]
             )
+
+            # 将模型对象转成字典，非模型返回值保持原样，统一交给后面的协议校验
             raw = result.model_dump() if isinstance(result, BaseModel) else result
+
+            # 规划生成的新增节点只保留显式提供的字段，避免模型默认值覆盖物料默认配置
             if isinstance(result, ActionBatch) and state.get("screen_plan") is not None:
+                # 将原动作对象与序列化结果逐项对应，只调整新增动作的节点数据
                 for source, target in zip(result.actions, raw["actions"]):
                     if isinstance(source, AddAction):
                         target["node"] = source.node.model_dump(exclude_unset=True)
+
+            # 统一校验整批动作的字段和结构，格式不合法时抛出 ValidationError
             batch = ActionBatch.model_validate(raw)
+
+            # 如果已有规划，使用物料默认配置补全新增节点，并同步示例数据标记
             if state.get("screen_plan") is not None:
                 batch = assemble_plan_actions(state, batch)
+
         except ValidationError as error:
+            # 将结构校验异常转换为统一错误列表，返回状态以进入后续修正判断
             updated_state["validation_passed"] = False
             updated_state["validation_errors"] = schema_errors(error)
             return updated_state
         except OutputParserException:
+            # 如果模型输出无法解析，记录生成错误，提示后续按 ActionBatch 协议重新生成
             updated_state["validation_passed"] = False
             updated_state["validation_errors"] = [
                 ActionValidationError(
@@ -135,7 +176,10 @@ class ActionNode(BaseNode):
             ]
             return updated_state
 
+        # 保存生成的动作，实际目标、规划一致性及模拟执行结果仍由后续校验节点检查
         updated_state["actions"] = batch.actions
+
+        # 返回待校验状态，此时 validation_passed 仍为 None，不代表动作已执行或通过校验
         return updated_state
 
 

app/processor/nodes/clarify_node.py

@@ -17,30 +17,37 @@ class ClarifyNode(BaseNode):
     name = "clarify_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态，保存澄清问题和等待状态时不直接修改传入 state 的顶层字段
         updated_state: QueryState = state.copy()
+        # 获取上游确认的意图，区分意图不明确和具体需求缺少信息两种澄清场景
         intent = state["intent"]
 
+        # 整理意图和输入上下文，让模型结合用户原话、大屏及已有澄清记录生成问题
         payload = {
             "intent": intent,
             "input_context": state["input_context"].model_dump(mode="json"),
         }
 
+        # 如果意图已明确，补充需求节点的结果，围绕尚缺的信息提问
         if intent != "unclear":
             # 以需求节点的问题为依据补齐选项，不重新判断意图
             payload["requirement"] = state["requirement"].model_dump(mode="json")
 
         llm_client = get_llm(Clarification)
+        # 系统消息提供稳定的澄清规则，用户消息承载本次需要分析的具体资料
         messages = [
             SystemMessage(content=CLARIFY_SYSTEM_PROMPT),
             HumanMessage(content=json.dumps(payload, ensure_ascii=False)),
         ]
 
-        # 格式错误重试一次
+        # 最多调用两次，仅在输出结构或解析失败时重试一次，其他异常继续向上抛出
         for attempt in range(2):
             try:
+                # 异步生成澄清问题和候选项，成功后立即退出重试循环
                 clarification = await llm_client.ainvoke(messages)
                 break
             except (ValidationError, OutputParserException):
+                # 如果首次生成格式不合法，追加明确的格式要求，再调用一次模型
                 if attempt == 0:
                     # 要求重新生成完整问题，避免截断选项改变原意
                     messages.append(
@@ -52,17 +59,24 @@ class ClarifyNode(BaseNode):
                             )
                         )
                     )
+                    # 进入下一次尝试，使用包含格式纠正要求的消息列表重新生成
                     continue
-                # 连续格式失败时退回自由回答，需求阶段沿用已确定的问题
+
+                # 意图不明确时不读取需求，避免使用尚未生成或不适用的需求结果
                 requirement = state.get("requirement") if intent != "unclear" else None
+                # 优先使用需求节点已有的澄清问题，没有可用问题时使用通用询问
                 question = (
                     requirement.clarification_question if requirement else None
                 ) or "你希望我对当前大屏做什么？可以描述想修改的内容，或想了解的问题"
+                # 只构建问题，不提供候选项，让用户自由补充，避免继续依赖模型格式修正
                 clarification = Clarification(question=question)
 
+        # 保存模型生成或兜底构建的澄清内容，供后续暂停流程展示给用户
         updated_state["clarification"] = clarification
         # 在进入 interrupt 前保存等待状态，暂停中的节点尚不会返回更新
         updated_state["status"] = "waiting_for_input"
+
+        # 返回澄清内容和等待状态，实际暂停由后续调用 interrupt 的节点完成
         return updated_state
 
 

app/processor/nodes/component_resource_node.py

@@ -10,17 +10,27 @@ class ComponentResourceNode(BaseNode):
     name = "component_resource_node"
 
     def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
-        # 当前目录较小，先提供全量，避免关键词筛选遗漏可用组件
+        # 空查询不设置筛选条件，由提供器读取默认组件目录并返回查询结果
         result = ComponentProvider().query(ComponentQuery())
+        # 保存组件定义、目录版本和查询状态，供后续规划和动作生成使用
         updated_state["component_resources"] = result
+        # 清空旧规划，后续需要根据本次查询到的组件能力重新规划
         updated_state["screen_plan"] = None
+
+        # 如果目录未配置或没有查到组件，标记失败，避免基于未知组件能力继续规划
         if result.status != "resolved":
             updated_state["status"] = "failed"
+            # 沿用查询结果中的说明，保留无法获取组件的具体原因
             updated_state["failure_reason"] = result.message
         else:
+            # 如果已获取组件定义，保持运行状态，让后续节点继续规划
             updated_state["status"] = "running"
+            # 清空旧的失败原因，避免成功查询后仍携带上一轮错误
             updated_state["failure_reason"] = None
+
+        # 返回资源查询结果和处理状态，由图决定继续规划还是进入失败处理
         return updated_state
 
 

app/processor/nodes/fallback_node.py

@@ -8,19 +8,30 @@ class FallbackNode(BaseNode):
     name = "fallback_node"
 
     def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 读取上游记录的具体失败原因
         reason = state.get("failure_reason")
+
+        # 如果上游没有提供有效原因，则根据校验错误补充失败说明
         if not reason:
+            # 如果仍有校验错误，使用达到自动修正上限的说明，并带上已重试次数
             if state.get("validation_errors"):
                 reason = f"动作校验未通过，已达到自动修正上限，共重试 {state.get('retry_count', 0)} 次"
             else:
+                # 如果既没有具体原因也没有校验错误，使用通用说明，避免返回空原因
                 reason = "当前需求未能完成，缺少具体失败原因"
 
-        # 失败动作仅保留作诊断，validation_passed=False 表示不可交付执行
+        # 将任务标记为最终失败，结束本轮处理
         updated_state["status"] = "failed"
+        # 保存上游原因或本节点补充的说明，供后续输出给用户
         updated_state["failure_reason"] = reason
+        # 显式标记校验未通过，防止残留动作被当作可执行结果
         updated_state["validation_passed"] = False
+        # 清空旧模拟快照，避免失败结果中仍携带之前的成功快照
         updated_state["simulated_screen"] = None
+
+        # 返回统一的失败状态，保留原动作和错误信息供排查
         return updated_state
 
 

app/processor/nodes/input_node.py

@@ -11,16 +11,22 @@ class InputNode(BaseNode):
     name = "input_node"
 
     def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 获取待合并的用户澄清回复
         reply = state.get("clarification_reply")
 
+        # 如果有澄清回复，将补充信息合并到已有上下文后重新处理
         if reply is not None:
+            # 将已有上下文转成独立的字典，避免直接修改原上下文中的嵌套数据
             data = state["input_context"].model_dump(mode="json")
+            # 记录本轮澄清问题和用户回答，供后续节点理解补充需求
             turn = {
                 "question": state["clarification"].question,
                 "answer": reply.answer,
             }
 
+            # 如果用户选择了候选项，按选项 ID 查找并保存完整选项内容
             if reply.option_id is not None:
                 option = next(
                     option
@@ -28,48 +34,64 @@ class InputNode(BaseNode):
                     if option.id == reply.option_id
                 )
                 turn["selected_option"] = option.model_dump(mode="json")
+
+            # 将本轮问答追加到历史中，保留多轮澄清信息
             data["clarification_history"].append(turn)
 
+            # 如果回复携带最新大屏快照，用它替换旧快照
             if reply.screen is not None:
                 data["screen"] = reply.screen.model_dump(mode="json")
-                # 新快照不沿用可能已经失效的选中节点
+                # 如果没有同时提供交互上下文，清空可能已失效的选中节点和版本号
                 if reply.context is None:
                     data["context"]["selected_node_ids"] = []
                     data["context"]["screen_revision"] = None
+
+            # 如果回复携带交互上下文，使用本次提交的选中节点和版本等信息
             if reply.context is not None:
                 data["context"] = reply.context.model_dump(mode="json")
+            # 重新校验合并后的数据并构建上下文，校验失败时向上抛出 ValidationError
             context = InputContext.model_validate(data)
 
-            # 显式清空旧推导结果，LangGraph 的状态合并不会删除省略字段
+            # 保存新上下文并清空已消费的回复，避免后续重复合并
             updated_state["input_context"] = context
             updated_state["clarification_reply"] = None
+            # 清空旧意图、需求和规划，让后续节点根据补充信息重新推导
+            # LangGraph 的状态合并不会删除省略字段，因此需要显式赋空值
             updated_state["intent_decision"] = None
             updated_state["intent"] = None
             updated_state["requirement"] = None
             updated_state["change_scope"] = None
             updated_state["screen_plan"] = None
             updated_state["component_resources"] = None
+            # 清空旧动作及其校验、模拟结果，避免复用补充需求前的处理结果
             updated_state["actions"] = None
             updated_state["validation_passed"] = None
             updated_state["validation_errors"] = []
             updated_state["simulated_screen"] = None
+            # 重置自动修正次数和失败信息，让本轮处理重新计算重试次数
             updated_state["retry_count"] = 0
             updated_state["repair_plan"] = None
             updated_state["failure_reason"] = None
+            # 清空上一轮澄清问题和回答，恢复任务处理状态
             updated_state["clarification"] = None
             updated_state["answer"] = None
             updated_state["status"] = "running"
+
+            # 返回澄清恢复后的状态，不再执行下方首次请求的初始化逻辑
             return updated_state
 
-        # 深拷贝隔离原始请求，后续修改上下文不会改变提交时的快照
+        # 没有澄清回复时，按首次请求校验原始输入，并深拷贝隔离提交时的快照
         context = InputContext.model_validate(state["request"]).model_copy(deep=True)
 
+        # 保存校验后的上下文，供后续节点统一读取
         updated_state["input_context"] = context
+        # 初始化自动修正次数，并清空修正建议和失败原因
         updated_state["retry_count"] = 0
         updated_state["repair_plan"] = None
         updated_state["failure_reason"] = None
         # 首次请求进入处理状态，恢复澄清时也使用同一状态
         updated_state["status"] = "running"
+        # 返回初始化后的状态，由图接续执行后续节点
         return updated_state
 
 
@@ -106,7 +128,7 @@ if __name__ == "__main__":
     node = InputNode()
     final_state = node.process(state)
 
-    # 3. 打印完整状态
+    # 3. 将上下文模型转成可序列化的字典，再打印完整状态
     printable_state = {
         **final_state,
         "input_context": final_state["input_context"].model_dump(

app/processor/nodes/intent_node.py

@@ -18,25 +18,36 @@ class IntentNode(BaseNode):
     @staticmethod
     def build_decision_state(context: InputContext) -> JsonObject:
         """只整理判断意图需要的摘要，完整 Screen 仍保留在输入上下文"""
+
+        # 收集每个组件的识别信息和布局，帮助判断用户指的是哪个组件
         nodes: list[JsonObject] = []
+
         for node in context.screen.nodes:
+            # 获取图表配置，组件没有 option 时返回 None
             option = node.props.get("option")
+            # 只有字典配置才能读取 title，其他类型按没有标题处理
             title = option.get("title") if isinstance(option, dict) else None
+            # 将单个标题统一包装成列表，兼容图表配置中的多个标题
             titles = title if isinstance(title, list) else [title]
+
+            # 保存组件摘要，不传递完整 props，减少意图判断时的无关信息
             nodes.append(
                 {
                     "id": node.id,
                     "type": node.type,
                     "name": node.name,
+                    # 仅提取字典中字符串类型的标题文本，忽略缺失或格式不符的标题
                     "titles": [
                         item["text"]
                         for item in titles
                         if isinstance(item, dict) and isinstance(item.get("text"), str)
                     ],
+                    # 将布局转成可序列化的字典，只保留显式设置的字段
                     "layout": node.layout.model_dump(mode="json", exclude_unset=True),
                 }
             )
 
+        # 汇总用户需求、澄清历史、交互上下文和大屏摘要，作为意图判断的输入
         return {
             "prompt": context.prompt,
             "clarification_history": context.clarification_history,
@@ -47,6 +58,7 @@ class IntentNode(BaseNode):
                     "height": context.screen.canvas.height,
                 },
                 "nodes": nodes,
+                # 数据源只保留已有的标识、名称和类型，省略具体数据及其他配置
                 "data_sources": [
                     {
                         key: source[key]
@@ -56,6 +68,7 @@ class IntentNode(BaseNode):
                     for source in context.screen.dataSource
                 ],
             },
+            # 附件只保留已有的标识、类别和名称，用于判断请求涉及哪些附件
             "attachments": [
                 {
                     key: attachment[key]
@@ -67,32 +80,42 @@ class IntentNode(BaseNode):
         }
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 获取输入节点已校验的上下文，包含最新大屏和澄清历史
         context = state["input_context"]
-        # 构建jev请求
+        # 构建 Jev 决策请求，将上下文摘要与意图判断问题一起提交
         request = DecisionRequest(
             # 将 InputNode 的上下文整理为意图判断摘要
             state=self.build_decision_state(context),
+            # 使用 intent 作为决策名称，后续通过同名键读取判断结果
             decisions={"intent": build_intent_question()},
         )
 
-        # 调用 jev
+        # 获取决策引擎，用于执行本次意图判断
         decision_engine = get_decision_engine()
-        # 获取 jev 结果
+        # 异步等待 Jev 返回决策结果，包含选项、置信度和调用信息
         decision_res = await decision_engine.run(request)
 
-        # 原生 unclear 或低可信时澄清，原始结果完整保留
+        # 从响应中取出 intent 对应的判断结果
         decision = decision_res.results["intent"]
+
+        # 如果模型无法明确意图，或置信度低于配置阈值，则转入澄清流程
         if (
             decision.choice == "unclear"
             or decision.confidence < self.config.intent_min_confidence
         ):
             intent: Intent = "unclear"
         else:
+            # 置信度达标时沿用模型选项，cast 仅作类型提示，不进行运行时转换或校验
             intent = cast(Intent, decision.choice)
 
+        # 完整保留原始决策，便于查看模型选项及其置信度
         updated_state["intent_decision"] = decision_res
+        # 保存经过置信度判断的最终意图，供后续路由选择处理分支
         updated_state["intent"] = intent
+
+        # 返回更新后的状态，由图继续执行对应的处理节点
         return updated_state
 
 
@@ -131,8 +154,10 @@ if __name__ == "__main__":
         try:
             final_state = await node.process(state)
         finally:
+            # 无论调用成功还是抛出异常，都关闭示例使用的 Jev 连接
             await close_decision_engine()
         # 3. 打印完整 state，包含选项、概率、置信度和调用信息
+        # 将状态中的 Pydantic 模型转成字典，其他值保持原样，以便输出 JSON
         print(
             json.dumps(
                 {
@@ -146,4 +171,5 @@ if __name__ == "__main__":
             )
         )
 
+    # 启动事件循环，执行上面的异步调试流程
     asyncio.run(main())

app/processor/nodes/planner_node.py

@@ -15,10 +15,13 @@ class PlannerNode(BaseNode):
     name = "planner_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 获取已提取的需求和范围，作为规划内容及修改边界的依据
         requirement = state["requirement"]
         scope = state["change_scope"]
 
+        # 如果需求仍需澄清、不是新建或修改大屏，或无需规划，则拒绝进入本节点
         if (
             requirement.needs_clarification
             or requirement.intent
@@ -30,20 +33,28 @@ class PlannerNode(BaseNode):
         ):
             raise ValueError("PlannerNode 只处理信息完整且需要规划的新建或修改需求")
 
+        # 获取当前大屏和用户输入，供模型结合已有内容安排布局与组件
         context = state["input_context"]
+        # 获取可选的组件查询结果
         resources = state.get("component_resources")
+
+        # 如果已有查询结果但目录未就绪，则停止规划，避免忽略资源查询失败
         if resources is not None and resources.status != "resolved":
             raise ValueError("组件目录尚未就绪，不能继续规划")
 
-        result = await get_llm(ScreenPlan).ainvoke(
+        llm_client = get_llm(ScreenPlan)
+        result = await llm_client.ainvoke(
             [
+                # 系统消息提供稳定的规划规则和输出边界
                 SystemMessage(content=PLANNER_SYSTEM_PROMPT),
+                # 用户消息承载本次上下文、需求、范围及组件能力摘要
                 HumanMessage(
                     content=json.dumps(
                         {
                             "input_context": context.model_dump(mode="json"),
                             "requirement": requirement.model_dump(mode="json"),
                             "change_scope": scope.model_dump(mode="json"),
+                            # 仅提供规划需要的组件摘要，省略完整默认配置，没有目录时传入 None
                             "component_resources": resources.to_planner_context()
                             if resources is not None
                             else None,
@@ -54,13 +65,18 @@ class PlannerNode(BaseNode):
             ]
         )
 
+        # 将模型结果转成字典后重新校验，确保规划字段及组件关系符合输出协议
         plan = ScreenPlan.model_validate(result.model_dump())
 
+        # 如果提供了组件目录，则额外校验规划中的物料类型是否真实受支持
         if resources is not None:
+            # 提取目录支持的前端组件类型，使用集合进行成员检查
             supported_types = {component.type for component in resources.components}
             for component in plan.components:
+                # 如果新增组件没有指定类型，无法选择对应物料，立即报错
                 if component.disposition == "add" and component.component_type is None:
                     raise ValueError(f"新增规划组件未指定物料类型: {component.plan_id}")
+                # 新增或修改组件时，只要明确指定了类型，就必须在目录中存在
                 if (
                     component.disposition in ("add", "modify")
                     and component.component_type is not None
@@ -70,39 +86,50 @@ class PlannerNode(BaseNode):
                             f"规划使用了目录中不存在的组件类型: {component.component_type}"
                         )
 
+        # 收集当前大屏中真实存在的节点 ID，用于检查规划引用的已有目标
         existing_ids = {node.id for node in context.screen.nodes}
+        # 汇总规划中明确引用的目标 ID，新增组件没有已有目标时不计入
         planned_ids = {
             component.target_id
             for component in plan.components
             if component.target_id is not None
         }
+        # 如果规划引用了不存在的组件，则抛出异常并列出无效 ID
         if unknown := planned_ids - existing_ids:
             raise ValueError(f"规划引用了不存在的组件: {sorted(unknown)}")
 
+        # 汇总需求明确指定的目标 ID，避免规划遗漏用户提及的组件
         required_ids = {
             target for change in requirement.changes for target in change.target_ids
         }
 
+        # 如果需求目标未在规划中出现，则停止处理并指出遗漏
         if missing := required_ids - planned_ids:
             raise ValueError(f"规划遗漏了需求中的组件: {sorted(missing)}")
+        # 如果是局部规划，还需保证对已有组件的修改和删除不超出指定范围
         if scope.scope == "local":
+            # 只统计会改变已有组件的目标，保留和新增组件不纳入此项检查
             changed_ids = {
                 component.target_id
                 for component in plan.components
                 if component.disposition in ("modify", "remove")
             }
+            # 如果实际修改或删除的目标不在允许范围内，则拒绝扩大修改范围
             if outside := changed_ids - set(scope.target_ids):
                 raise ValueError(f"局部规划修改了范围外的组件: {sorted(outside)}")
 
-        # 原始约束和假设不能在规划阶段被无声丢弃
+        # 合并需求约束和规划约束，按首次出现顺序去重，保留需求约束在前
         plan.constraints = list(
             dict.fromkeys([*requirement.constraints, *plan.constraints])
         )
+        # 同样合并原始假设与规划补充的假设，避免重复记录或丢失前置条件
         plan.assumptions = list(
             dict.fromkeys([*requirement.assumptions, *plan.assumptions])
         )
+        # 保存通过校验的规划，供后续动作生成使用
         updated_state["screen_plan"] = plan
 
+        # 返回更新后的状态，由图继续处理规划对应的动作
         return updated_state
 
 

app/processor/nodes/qa_node.py

@@ -13,23 +13,35 @@ class QANode(BaseNode):
     name = "qa_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+
+        # 获取普通对话模型，问答只需文本回答，不绑定结构化输出协议
         llm_client = get_llm()
+        # 异步调用模型，结合用户问题、当前大屏和澄清记录生成回答
         llm_res = await llm_client.ainvoke(
             [
+                # 系统消息提供稳定的问答规则和回答边界
                 SystemMessage(content=QA_SYSTEM_PROMPT),
+                # 将输入上下文序列化为 JSON 放入用户消息，只保留显式设置的字段
                 HumanMessage(
                     content=state["input_context"].model_dump_json(exclude_unset=True)
                 ),
             ]
         )
-        # 普通文本输出，同时兼容模型返回的文本内容块
+
+        # 从模型响应中提取文本，兼容文本内容块，并去除回答首尾的空白
         answer = StrOutputParser().invoke(llm_res).strip()
+        # 如果没有有效文本，抛出异常，避免将空回答标记为处理完成
         if not answer:
             raise ValueError("问答模型未返回文本回答")
+
+        # 保存最终回答，供后续输出给用户
         updated_state["answer"] = answer
         # 回答生成完成，问答分支在此结束
         updated_state["status"] = "completed"
+
+        # 返回包含回答和完成状态的更新结果
         return updated_state
 
 

app/processor/nodes/reflection_node.py

@@ -18,44 +18,64 @@ class ReflectionNode(BaseNode):
     name = "reflection_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+
         llm_client = get_llm(ActionRepairPlan)
+        # 汇总原始上下文、需求和失败信息，让模型基于实际错误提出修正建议
         payload = {
             "input_context": state["input_context"].model_dump(mode="json"),
             "requirement": state["requirement"].model_dump(mode="json"),
+            # 动作可能在生成或解析阶段就失败，没有动作时传入空列表
             "actions": [
                 action.model_dump(mode="json") for action in state.get("actions") or []
             ],
+            # 将校验错误转成字典，保留错误类型、动作下标和具体原因
             "validation_errors": [
                 error.model_dump() for error in state["validation_errors"]
             ],
+            # 如果已有修正建议，一并提供给模型，帮助分析上次修正后仍失败的原因
             "previous_repair_plan": state["repair_plan"].model_dump()
             if state.get("repair_plan")
             else None,
         }
 
+        # 如果动作来自大屏规划，补充规划和新增组件物料，避免修正时偏离规划或物料定义
         if state.get("screen_plan") is not None:
             payload["screen_plan"] = state["screen_plan"].model_dump(mode="json")
             payload["component_materials"] = plan_materials(state)
 
+        # 只捕获输出结构和解析错误，配置、网络等异常继续向上抛出
         try:
+            # 异步生成修正建议，本节点不直接修改动作
             result = await llm_client.ainvoke(
                 [
+                    # 系统消息提供稳定的失败分析和修正规则
                     SystemMessage(content=REFLECTION_SYSTEM_PROMPT),
+                    # 用户消息承载本轮待分析的具体资料，序列化时保留中文
                     HumanMessage(content=json.dumps(payload, ensure_ascii=False)),
                 ]
             )
+            # 将模型对象转成字典后统一校验，非模型返回值直接交给协议校验
             plan = ActionRepairPlan.model_validate(
                 result.model_dump() if isinstance(result, BaseModel) else result
             )
         except (ValidationError, OutputParserException):
+            # 如果未能得到合法建议，清空旧修正计划，避免再次使用已失效的建议
             updated_state["repair_plan"] = None
+            # 记录无法继续修正的原因，交给后续路由和失败处理流程
             updated_state["failure_reason"] = "未能生成有效的动作修正建议"
+
             return updated_state
 
+        # 保存通过校验的修正建议，供后续路由判断及动作重新生成使用
         updated_state["repair_plan"] = plan
+        # 仅在建议允许重试时将次数加一，缺少历史计数时从零开始，不可重试时保持原次数
         updated_state["retry_count"] = state.get("retry_count", 0) + int(plan.retryable)
+        # 可以重试时清空旧失败原因，否则使用建议中的原因说明为何停止修正
         updated_state["failure_reason"] = None if plan.retryable else plan.reason
+
+        # 返回修正建议、重试次数和失败原因，由后续路由决定重新生成动作还是结束
         return updated_state
 
 

app/processor/nodes/requirement_node.py

@@ -15,28 +15,41 @@ class RequirementNode(BaseNode):
     name = "requirement_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 获取输入节点已校验的上下文，包含用户需求、当前大屏和澄清记录
         context = state["input_context"]
+        # 获取意图节点经过置信度判断的最终意图，本节点沿用该结果
         intent = state["intent"]
 
         llm_client = get_llm(Requirement)
+        # 异步调用模型，结合当前上下文提取目标、变更、约束及需要澄清的信息
         llm_res = await llm_client.ainvoke(
             [
+                # 系统消息提供稳定的需求提取规则和输出边界
                 SystemMessage(content=REQUIREMENT_SYSTEM_PROMPT),
+                # 用户消息承载本次需求、大屏、澄清记录和已确认的意图等具体资料
                 HumanMessage(content=build_requirement_input(context, intent)),
             ]
         )
 
-        # 沿用门控后的意图，合并后重新校验字段一致性
+        # 用上游意图覆盖模型返回的 intent，避免需求提取阶段重新分类
+        # 覆盖后重新校验字段一致性，例如 unclear 必须要求澄清，qa 不能包含变更
         requirement = Requirement.model_validate(
             {**llm_res.model_dump(), "intent": intent}
         )
+        # 收集当前大屏中真实存在的节点 ID，用于校验模型提取的变更目标
         node_ids = {node.id for node in context.screen.nodes}
+        # 逐项检查需求变更，防止后续节点基于不存在的组件生成方案或动作
         for change in requirement.changes:
+            # 用集合差集找出不在当前大屏中的目标 ID，非空时保存到 unknown_ids
             if unknown_ids := set(change.target_ids) - node_ids:
+                # 如果存在无效目标，立即抛出异常，并排序输出 ID 以便定位问题
                 raise ValueError(f"需求引用了不存在的节点: {sorted(unknown_ids)}")
 
+        # 保存通过结构及目标校验的需求，供后续澄清或范围判断使用
         updated_state["requirement"] = requirement
+        # 返回更新后的状态，由图继续执行后续节点
         return updated_state
 
 
@@ -72,14 +85,19 @@ if __name__ == "__main__":
         }
         # 2. 依次执行输入、意图判断和需求理解
         try:
+            # 先将原始请求校验为统一的输入上下文
             state = InputNode().process(state)
+            # 调用 Jev 判断意图，为需求提取提供已确认的分类结果
             state = await IntentNode().process(state)
+            # 基于上下文和意图调用模型，提取结构化需求
             node = RequirementNode()
             final_state = await node.process(state)
         finally:
+            # 无论处理成功还是抛出异常，都关闭示例使用的 Jev 连接
             await close_decision_engine()
 
         # 3. 打印完整 state
+        # 将状态中的 Pydantic 模型转成字典，其他值保持原样，以便输出 JSON
         print(
             json.dumps(
                 {
@@ -93,4 +111,5 @@ if __name__ == "__main__":
             )
         )
 
+    # 启动事件循环，执行上面的异步调试流程
     asyncio.run(main())

app/processor/nodes/scope_node.py

@@ -16,20 +16,28 @@ class ScopeNode(BaseNode):
     name = "scope_node"
 
     async def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
+        # 获取需求节点提取的结构化需求，作为范围判断的依据
         requirement = state["requirement"]
 
+        # 如果需求仍需澄清，或意图不是新建、修改大屏，则不能进入范围判断
         if requirement.needs_clarification or requirement.intent not in (
             "create_screen",
             "modify_screen",
         ):
             raise ValueError("ScopeNode 只处理信息完整的新建或修改需求")
 
+        # 获取当前大屏和用户输入，帮助模型结合已有组件判断影响范围
         context = state["input_context"]
+
         llm_client = get_llm(ChangeScope)
+        # 异步调用模型，判断涉及哪些组件、是否需要规划以及需要补充哪些资源
         scope = await llm_client.ainvoke(
             [
+                # 系统消息提供稳定的范围、规划和资源判断规则
                 SystemMessage(content=SCOPE_SYSTEM_PROMPT),
+                # 用户消息承载本次结构化需求和输入上下文，序列化为 JSON 供模型读取
                 HumanMessage(
                     content=json.dumps(
                         {
@@ -44,23 +52,32 @@ class ScopeNode(BaseNode):
             ]
         )
 
+        # 收集当前大屏中真实存在的节点 ID，用于检查模型是否引用了不存在的组件
         existing_ids = {node.id for node in context.screen.nodes}
+        # 如果范围中的目标 ID 不在当前大屏中，则抛出异常并列出无效 ID
         if unknown_ids := set(scope.target_ids) - existing_ids:
             raise ValueError(f"范围引用了不存在的节点: {sorted(unknown_ids)}")
 
+        # 汇总需求中明确指定的目标 ID，使用集合去除多项变更之间重复引用的节点
         required_ids = {
             node_id for change in requirement.changes for node_id in change.target_ids
         }
 
+        # 如果需求指定的节点未被纳入范围，则抛出异常，避免后续处理遗漏用户要求
         if missing_ids := required_ids - set(scope.target_ids):
             raise ValueError(f"范围遗漏了需求中的节点: {sorted(missing_ids)}")
 
+        # 保存校验后的范围，下面的动作能力检查也需要读取该结果
         updated_state["change_scope"] = scope
-        # 规划分支继续获取组件能力，直接操作分支提前记录缺失能力
+        # 需要规划时先交给后续规划流程，不在此处判断能否直接生成动作
+        # 无需规划时检查资源和操作能力，无法执行则记录阻塞原因，通过则返回 None
         reason = None if scope.needs_planning else action_block_reason(updated_state)
+        # 写入本次检查结果，没有阻塞原因时同时清空旧的失败说明
         updated_state["failure_reason"] = reason
+        # 有阻塞原因时标记失败，否则保持运行状态，继续后续处理
         updated_state["status"] = "failed" if reason else "running"
 
+        # 返回包含范围、失败原因和处理状态的更新结果
         return updated_state
 
 

app/processor/nodes/validator_node.py

@@ -14,15 +14,19 @@ class ValidatorNode(BaseNode):
     name = "validator_node"
 
     def process(self, state: QueryState) -> QueryState:
+        # 浅拷贝状态
         updated_state: QueryState = state.copy()
         # 校验失败仍可能进入修正循环，最终失败由 Fallback 标记
         updated_state["status"] = "running"
+        # 获取本轮待校验的动作，先检查结构，再检查范围和模拟执行结果
         actions = state["actions"]
+
         try:
             # 重新校验模型内容，避免赋值后绕过字段校验
             batch = ActionBatch.model_validate(
                 {
                     "actions": [
+                        # 将动作模型转回字典，确保重新触发字段校验，字典输入则保持原样
                         action.model_dump() if isinstance(action, BaseModel) else action
                         for action in actions
                     ]
@@ -31,16 +35,21 @@ class ValidatorNode(BaseNode):
                 }
             )
         except ValidationError as error:
+            # 将结构异常转换成统一错误列表，供后续修正流程定位问题
             errors = schema_errors(error)
+            # 标记本轮未通过并清空旧模拟快照，避免后续读取过期结果
             updated_state["validation_passed"] = False
             updated_state["validation_errors"] = errors
             updated_state["simulated_screen"] = None
             return updated_state
 
-        # 需求范围检查集中在校验节点，错误统一进入修正循环
+        # 获取可选的结构化需求，没有需求和规划时仅做结构校验与独立模拟执行
         requirement = state.get("requirement")
+
+        # 如果已有规划，检查动作是否覆盖规划目标，以及是否修改了规划外的内容
         if state.get("screen_plan") is not None:
             errors = validate_plan_actions(state, batch)
+            # 如果规划动作检查失败，记录错误并返回，不继续模拟执行
             if errors:
                 updated_state["validation_passed"] = False
                 updated_state["validation_errors"] = errors
@@ -49,6 +58,7 @@ class ValidatorNode(BaseNode):
         elif requirement is not None:
             # 此分支没有规划，只校验简单修改，新增动作需要走上面的规划分支
             if any(isinstance(action, AddAction) for action in batch.actions):
+                # 为每个新增动作记录下标和范围错误，便于修正时逐项定位
                 updated_state["validation_passed"] = False
                 updated_state["validation_errors"] = [
                     ActionValidationError(
@@ -59,20 +69,26 @@ class ValidatorNode(BaseNode):
                     for index, action in enumerate(batch.actions)
                     if isinstance(action, AddAction)
                 ]
+
                 updated_state["simulated_screen"] = None
                 return updated_state
+
+            # 将需求允许的节点操作表示为三元组：作用域、目标 ID、操作名称
             allowed = {
                 ("nodes", target, change.operation)
                 for change in requirement.changes
                 if change.target_scope == "nodes"
                 for target in change.target_ids
             }
+
+            # 将需求中的画布更新和尺寸调整统一映射为 update_canvas 动作
             allowed.update(
                 ("canvas", "", "update_canvas")
                 for change in requirement.changes
                 if change.target_scope == "canvas"
                 and change.operation in ("update", "resize", "update_canvas")
             )
+
             # 画布没有组件 ID，使用独立作用域避免与同名组件混淆
             targets = [
                 ("canvas", "", action.type)
@@ -80,7 +96,11 @@ class ValidatorNode(BaseNode):
                 else ("nodes", action.target_id, action.type)
                 for action in batch.actions
             ]
+
+            # 去重后的实际操作集合用于检查遗漏，原 targets 列表保留动作顺序和下标
             actual = set(targets)
+
+            # 逐项找出需求未允许的目标或操作，防止模型扩大修改范围
             errors = [
                 ActionValidationError(
                     action_index=index,
@@ -90,6 +110,8 @@ class ValidatorNode(BaseNode):
                 for index, target in enumerate(targets)
                 if target not in allowed
             ]
+
+            # 如果需求允许的目标操作没有对应动作，记录遗漏，避免只执行部分需求
             if missing := allowed - actual:
                 errors.append(
                     ActionValidationError(
@@ -97,6 +119,8 @@ class ValidatorNode(BaseNode):
                         message=f"动作遗漏了需求中的目标或操作: {sorted(missing)}",
                     )
                 )
+
+            # 如果存在越界或遗漏，返回全部范围错误，并清空旧模拟结果
             if errors:
                 updated_state["validation_passed"] = False
                 updated_state["validation_errors"] = errors
@@ -105,8 +129,11 @@ class ValidatorNode(BaseNode):
 
         # 在副本上试执行，不改变用户传入的大屏，也不操作前端画布
         screen = state["input_context"].screen.model_copy(deep=True)
+
+        # 按动作顺序逐项执行，每一步都使用上一步更新后的大屏副本
         for index, action in enumerate(batch.actions):
             try:
+                # 根据动作类型调用对应处理逻辑，检查目标和参数并返回更新后的大屏
                 screen = apply_action(screen, action)
             except ValueError as error:
                 # 首个失败即停止，后续动作可能依赖前序结果，不返回部分成功快照
@@ -119,21 +146,27 @@ class ValidatorNode(BaseNode):
                 updated_state["simulated_screen"] = None
                 return updated_state
 
+        # 如果已有规划，还需核对整批执行后的大屏是否满足规划，不能只看单步执行成功
         if state.get("screen_plan") is not None:
             errors = validate_plan_result(state, screen)
+            # 如果最终结果与规划不符，记录错误并丢弃模拟快照，交给后续修正流程
             if errors:
                 updated_state["validation_passed"] = False
                 updated_state["validation_errors"] = errors
                 updated_state["simulated_screen"] = None
                 return updated_state
 
+        # 全部检查通过后，保存重新校验过的动作对象，统一后续读取的数据结构
         updated_state["actions"] = batch.actions
+        # 标记整批动作校验通过，并清空之前可能残留的错误
         updated_state["validation_passed"] = True
         updated_state["validation_errors"] = []
         # 保存整批动作执行后的 JSON，供后续检查，不代表前端已经完成更新
         updated_state["simulated_screen"] = screen
         # 仅表示后端动作已通过校验，前端执行结果需另行反馈
         updated_state["status"] = "completed"
+
+        # 返回动作、校验结果和完整模拟快照，供后续输出使用
         return updated_state