Alfred
/
qc-text-builder
1
0
Atdalīts 0
Kods Problēmas 0 Izmaiņu pieprasījumi 0 Laidieni 0 Vikivietne Aktivitāte
Nevar pievienot vairāk kā 25 tēmas Tēmai ir jāsākas ar burtu vai ciparu, tā var saturēt domu zīmes ('-') un var būt līdz 35 simboliem gara.
15 Revīzijas
1 Atzars
35MB
Koks: 591a5aae2e
Atzari Tagi
${ item.name }
Izveidot atzaru ${ searchTerm }
no '591a5aae2e'
${ noResults }
Jan Svabenik 591a5aae2e feat: add autofill debug logging and log api pirms 1 mēnesi
cmd/qctextbuilder Initial QC Text Builder MVP scaffold pirms 1 mēnesi
data Add prompt settings and draft prompt context pirms 1 mēnesi
dist Add prompt settings and draft prompt context pirms 1 mēnesi
docs feat: add autofill debug logging and log api pirms 1 mēnesi
internal feat: add autofill debug logging and log api pirms 1 mēnesi
migrations Initial QC Text Builder MVP scaffold pirms 1 mēnesi
test/integration Initial QC Text Builder MVP scaffold pirms 1 mēnesi
web feat: add llm runtime tuning and validation pirms 1 mēnesi
.env.local Initial QC Text Builder MVP scaffold pirms 1 mēnesi
AGENTS.md Prepare draft intake and LLM context flow pirms 1 mēnesi
README.md feat: add autofill debug logging and log api pirms 1 mēnesi
build-local.ps1 Initial QC Text Builder MVP scaffold pirms 1 mēnesi
concept.json Initial QC Text Builder MVP scaffold pirms 1 mēnesi
go.mod Add SQLite persistence and draft review flow pirms 1 mēnesi
go.sum Add SQLite persistence and draft review flow pirms 1 mēnesi
run-local.ps1 Initial QC Text Builder MVP scaffold pirms 1 mēnesi

README.md

QC Text Builder (Go)

QC Text Builder ist eine Go-Anwendung fuer den kontrollierten QC-Textprozess von Template bis Site-Build.

Aktueller Stand

Die App kann heute:

  • AI-Templates aus QC synchronisieren und anzeigen.
  • Templates onboarden (Discovery/Manifest) und Felder fuer Mapping/Review bearbeiten.
  • Drafts anlegen, aktualisieren und im Status draft -> reviewed -> submitted fuehren.
  • Externen Draft-Intake ueber POST /api/drafts/intake verarbeiten (Stammdaten + optional Website-/Stilkontext, kein Direkt-Build).
  • Globalen Master-Prompt in Settings pflegen sowie Prompt-Bloecke fuer den spaeteren LLM-Flow als Standard konfigurieren.
  • Im Settings-/Config-Bereich die LLM-Basiskonfiguration pflegen: aktiver Provider, aktives Modell (provider-aware statische Auswahlliste), Base URL fuer Ollama/kompatible Endpoints, Temperature/Max Tokens sowie getrennte API-Key-Speicher je Provider (OpenAI, Anthropic, Google, xAI, Ollama).
  • LLM-Provider-Konfiguration in Settings per leichtgewichtigem Validate-Action pruefen (aktiver Provider/Modell/Key/Base URL via kurzem Runtime-Request).
  • OpenAI-kompatible Runtime-Requests waehlen den Token-Limit-Parameter intern modellkompatibel (max_completion_tokens fuer OpenAI GPT-5-Modelle, sonst max_tokens), inkl. Settings-Validate-Action.
  • OpenAI-kompatible Runtime-Responses werden robust ueber mehrere Chat-/GPT-5-kompatible Content-Shapes extrahiert (u. a. choices[].message.content als String/Part-Array sowie output_text/output[].content); bei leerem Ergebnis werden nur sichere Strukturdiagnosen (Keys/Typen), keine Prompt-/Secret-Inhalte, zurueckgegeben.
  • Im Draft-/Build-UI den User-Flow auf Stammdaten, Intake-/Website-Kontext, Stil-Auswahl und Template-Felder fokussieren; Prompt-Interna liegen in Settings.
  • Interne semantische Zielslots (z. B. hero.title, service_items[n].description) auf Template-Felder abbilden als Vorbereitung fuer spaeteren LLM-Autofill.
  • Repeated-Bereiche in semantischen Slots werden block-/rollenbasiert getrennt (z. B. Services/Team/Testimonials pro Item statt Sammel-Slot).
  • LLM-first Autofill-Vorschlaege ueber provider-aware Runtime (OpenAI, Anthropic, Google, xAI, Ollama/kompatibel) mit aktiver Provider-/Modell-Auswahl aus Settings, strukturierter Feldzuordnung auf fieldPath/Slot und Rule-based Fallback fuer Ausfall-/Testfaelle.
  • Suggestion-Workflow getrennt von Feldwerten (Preview), inkl. Generate all, Regenerate all, Apply all to empty sowie per-Feld Apply/Regenerate im Draft-/Build-UI.
  • Technische Felddetails (z. B. fieldPath, Suggestion-Metadaten, Slot-Preview) sind im UI standardmaessig ausgeblendet und nur per Debug-Toggle sichtbar.
  • Strukturierte Debug-Logs fuer Autofill-/LLM-Flow inkl. Provider-Pfad, QC-Fallback, Rule-based-Fallback und Validate-Action (kurze Metadaten, Fehlerzusammenfassung, Dauer, Suggestion-Count).
  • Kleine interne Log-API GET /api/logs?limit=<n> fuer aktuelle In-Memory-Logeintraege (Ring-Buffer, neueste zuerst).
  • Builds aus geprueften Daten starten sowie Job-Status pollen und Editor-URL nachladen.

Wichtig:

  • Leadharvester liefert nur Intake-Daten (Stammdaten + optional Kontext) in Drafts.
  • LLM-Autofill bleibt Assistenz im Review-Flow: Vorschlaege werden separat gespeichert und manuell angewendet; bei Provider-Ausfall greift ein Fallback-Pfad (QC-kompatibel, danach deterministisch Rule-based).
  • Provider-/Modell-/Base-URL/API-Key/Temperature/Max-Tokens-Settings steuern den primaeren Suggestion-Runtimepfad produktiv.

Lokaler Start

  1. Env setzen:
    • HTTP_ADDR=:8080
    • DB_DRIVER=sqlite (Default)
    • DB_URL=data/qctextbuilder.db (Default)
    • QC_BASE_URL=https://qc-api.yggdrasil.dev-mono.net/api/v1
    • QC_TOKEN=<bearer token>
    • optional: LOG_FILE=logs/qctextbuilder.log fuer zusaetzliches JSON-Logfile (stdout bleibt aktiv)
  2. Starten:
    • go run ./cmd/qctextbuilder

Persistenz

Default ist SQLite. Gespeichert werden Settings (inkl. Prompt-Konfig und LLM-Provider-/Modell-/Runtime-/Key-Grundlagen), Templates, Manifeste/Felder, Drafts und Site-Builds.

Draft-/Review-Flow

Empfohlener Ablauf:

  1. Draft anlegen oder via Intake vorbefuellen.
  2. Inhalte im UI/API pruefen und anpassen.
  3. Draft auf reviewed setzen.
  4. Build starten; Draft wird auf submitted fortgeschrieben.

Weiterfuehrende Projektdoku

Zielbild, Roadmap und Ausbaustufen stehen hier:

  • docs/TARGET_STATE_AND_ROADMAP.md

Projektlokale Agentenleitplanken stehen hier:

  • AGENTS.md