更新了大模型调用方式

radiant.quickgen/NAMESPACE

@@ -3,11 +3,12 @@
 S3method(dtab,explore)
 S3method(store,explore)
 S3method(summary,explore)
-export(ai_generate)
-export(ai_get_data_call)
-export(ai_run_code)
-export(build_r_prompt)
-export(chat_completion)
+export(build_chart_prompt)
+export(build_metrics_prompt)
+export(chart_completion)
+export(chart_generate)
+export(chart_get_data_call)
+export(chart_run_code)
 export(cv)
 export(does_vary)
 export(empty_level)
@@ -16,6 +17,10 @@ export(flip)
 export(ln)
 export(me)
 export(meprop)
+export(metrics_completion)
+export(metrics_generate)
+export(metrics_get_data_call)
+export(metrics_run_code)
 export(modal)
 export(n_missing)
 export(n_obs)

radiant.quickgen/R/quickgen_ai.R → radiant.quickgen/R/quickgen_chart.R

 # === 配置 ===
-MODELSCOPE_OPENAI_URL <- "https://api-inference.modelscope.cn/v1"
-MODELSCOPE_API_KEY    <- Sys.getenv("MODELSCOPE_API_KEY", "ms-5b9f3668-ea8e-4a2c-8cd3-a1a9ba04810b")
-MODEL_ID              <- "deepseek-ai/DeepSeek-V3.1"
+OLLAMA_URL <- "http://180.169.131.147:8139/api/generate"
+MODEL_ID <- "qwen3-coder:30b"
 
 # === 单次对话 ===
 #' @export
-chat_completion <- function(user_prompt,
-                            max_tokens = 1500,
-                            temperature = 0.3) {
-  req <- httr2::request(paste0(MODELSCOPE_OPENAI_URL, "/chat/completions")) %>%
-    httr2::req_headers(
-      "Authorization" = paste("Bearer", MODELSCOPE_API_KEY),
-      "Content-Type"  = "application/json"
-    ) %>%
-    httr2::req_body_json(list(
-      model       = MODEL_ID,
-      messages    = list(list(role = "user", content = user_prompt)),
-      temperature = temperature,
-      max_tokens  = max_tokens,
-      stream      = FALSE
-    ))
+chart_completion <- function(user_prompt) {
   
-  resp <- httr2::req_perform(req)
-  body <- httr2::resp_body_json(resp)
+  Sys.unsetenv("http_proxy")
+  Sys.unsetenv("https_proxy")
   
-  if (is.null(body$choices[[1]]$message$content))
-    stop("ModelScope API 返回空内容：", body)
+  # 构建请求体
+  req_body <- list(
+    model = MODEL_ID,
+    prompt = user_prompt,
+    stream = FALSE
+  )
+  
+  # 使用 curl 包发送请求
+  h <- curl::new_handle()
+  curl::handle_setheaders(h, "Content-Type" = "application/json")
+  curl::handle_setopt(h, postfields = jsonlite::toJSON(req_body, auto_unbox = TRUE))
+  curl::handle_setopt(h, timeout = 60)  
+  
+  con <- curl::curl(OLLAMA_URL, handle = h)
+  result <- readLines(con, warn = FALSE)
+  close(con)
+  
+  # 解析响应
+  body <- jsonlite::fromJSON(paste(result, collapse = ""))
   
-  body$choices[[1]]$message$content
+  if (is.null(body$response) || trimws(body$response) == "")
+    stop("Ollama API 返回空内容：", paste(result, collapse = ""))
+  
+  body$response
 }
 
 # === 构造发给模型的 Prompt ===
 #' @export
-build_r_prompt <- function(user_prompt, data_call) {
+build_chart_prompt <- function(user_prompt, data_call) {
   sprintf(
     "你是 R 语言专家，必须严格遵守以下规则：
-
 〓 输出格式 〓
 - 只返回可运行 R 代码，用 ```r 包裹，禁止任何解释、注释、空行。
+- 代码必须强制换行：每个语句（df、library、ggplot、赋值、if/else 等）单独一行，ggplot 每个图层（+ geom_*/+ theme_*）单独一行。
+- 若用户请求包含“表格”“统计汇总”“频数表”等表格需求，禁止使用knitr::kable等会使表格字符串化的函数/包，必须输出标准表格形式。
 - 若用户请求不符合规范，一律返回空代码块（仅 ```r\n``` ），不对话。
 - 当所需绘制的图中出现数据集中不存在的列或无法计算时，一律输出一张空白 ggplot，仅居中显示“无法绘制”四字，不抛出错误。
 
@@ -50,47 +56,40 @@ build_r_prompt <- function(user_prompt, data_call) {
 2. 主题函数带括号：theme_minimal()、theme_bw() ...
 3. 多张图用 patchwork 拼页。
 4. 包函数写全名，不得省略括号。
-
 用户请求：%s",
     data_call, user_prompt
   )
 }
 
 #' @export
-ai_generate <- function(prompt, dataset, envir = parent.frame()) {
-  data_call <- ai_get_data_call(dataset, envir)
-  sys_prompt <- build_r_prompt(prompt, data_call)
-  r_code     <- try(chat_completion(sys_prompt), silent = TRUE)
-  if (inherits(r_code, "try-error"))
-    stop("AI API error: ", attr(r_code, "condition")$message)
-  
+chart_generate <- function(prompt, dataset, envir = parent.frame()) {
+  data_call <- chart_get_data_call(dataset, envir)
+  sys_prompt <- build_chart_prompt(prompt, data_call)
+  r_code <- try(chart_completion(sys_prompt), silent = TRUE)
+  if (inherits(r_code, "try-error")) {
+    stop("Chart API error: ", attr(r_code, "condition")$message)
+  }
   r_code <- gsub("(?s)```r\\s*|```", "", r_code, perl = TRUE)
   r_code <- trimws(r_code)
-  
   if (r_code == "") {
-    return(list(r_code = "", 
-                type    = "empty",
-                auto_run = FALSE))
+    return(list(r_code = "", type = "empty", auto_run = FALSE))
   }
-  
-  r_code <- gsub("(theme_minimal|theme_bw|theme_classic|theme_gray|theme_void|theme_dark)\\b(?!\\s*\\()",
-                 "\\1()", r_code, perl = TRUE)
-  r_code <- paste0(data_call, "\n", r_code)
-  
-  has_gg  <- grepl("ggplot\\(|geom_", r_code)
+  r_code <- gsub("(?s)df\\s*<-\\s*(eval\\(quote\\(get_data\\(|get_data\\()[^;\\n]+;", "", r_code, perl = TRUE)
+  r_code <- trimws(r_code)
+  r_code <- gsub("(theme_minimal|theme_bw|theme_classic|theme_gray|theme_void|theme_dark)\\b(?!\\s*\\()","\\1()", r_code, perl = TRUE)
+  has_gg <- grepl("ggplot\\(|geom_", r_code)
   has_tbl <- grepl("data\\.frame\\(|tibble\\(|tbl_summary|tableOne|CreateTableOne", r_code)
-  type    <- if (has_gg) "plot" else if (has_tbl) "table" else "text"
+  type <- if (has_gg) "plot" else if (has_tbl) "table" else "text"
   list(r_code = r_code, type = type, auto_run = TRUE)
 }
 
 #' @export
-ai_get_data_call <- function(dataset, envir) {
+chart_get_data_call <- function(dataset, envir) {
   df_name <- if (is_string(dataset)) dataset else deparse1(substitute(dataset))
-  paste0("df <- eval(quote(get_data(\"", df_name, "\", envir = ",
-         deparse1(substitute(envir)), ")), envir = parent.frame())")
+  paste0("df <- eval(quote(get_data(\"", df_name, "\", envir = ", deparse1(substitute(envir)), ")), envir = parent.frame())")
 }
 
 #' @export
-ai_run_code <- function(r_code, envir = parent.frame()) {
+chart_run_code <- function(r_code, envir = parent.frame()) {
   eval(parse(text = r_code), envir = envir)
 }
\ No newline at end of file

radiant.quickgen/R/quickgen_metrics.R

+# === 配置 ===
+OLLAMA_URL <- "http://172.29.2.110:8139/api/generate"  
+MODEL_ID <- "qwen3-coder:30b"  
+
+# === 单次对话 ===
+#' @export
+metrics_completion <- function(user_prompt) {
+  # 构建 Ollama 请求体
+  req <- httr2::request(OLLAMA_URL) %>%
+    httr2::req_headers(
+      "Content-Type" = "application/json"  
+    ) %>%
+    httr2::req_body_json(list(
+      model = MODEL_ID,        
+      prompt = user_prompt,
+      stream = FALSE           
+    ))
+  
+  resp <- httr2::req_perform(req)
+  body <- httr2::resp_body_json(resp)
+  
+  # 解析 Ollama 响应
+  if (is.null(body$response) || trimws(body$response) == "")
+    stop("Ollama API 返回空内容：", jsonlite::toJSON(body))
+  
+  body$response  # 返回 Ollama 生成的核心代码/结果
+}
+# === 构造发给模型的 Prompt ===
+#' @export
+build_metrics_prompt <- function(user_prompt, data_call) {
+  sprintf(
+    "你是 R 语言科研统计专家，精通所有主流统计方法（t检验、方差分析、回归分析、卡方检验、相关性分析等），必须严格遵守以下规则，任何违反均视为无效输出：
+〓 输出格式铁律 〓
+1. 仅返回可直接运行的 R 代码，用 ```r 包裹，无任何解释、注释、空行，代码必须包含「结果输出语句」（否则无法展示统计结果）。
+2. 不符合规范的请求，直接返回空代码块（仅 ```r\n``` ），不额外对话：
+   - 模糊无具体目标的请求
+   - 非科研统计需求（生成图表、翻译、写文章、解释概念等）
+3. 无法计算时（如列不存在、变量类型不匹配、方法不适用），仅输出 `print('无法计算：[具体原因，如“目标列bmi不存在”“卡方检验要求分类变量”]')`，不抛出错误。
+〓 统计逻辑核心约束 〓
+1. 方法匹配：必须根据用户请求选择「标准科研统计方法」（仅用 R 官方 stats 包或主流统计包如 broom、car、nnet 的标准函数，禁止自创方法）。
+2. 参数正确性：
+   - 原假设参数：用户指定的原假设定值（如“原假设均值为0”则 mu=0，“原假设相关系数为0”则 rho=0），禁止设为数据自身的统计量（如 mu=mean(df$bmi) 是严重错误）。
+   - 变量适配：严格匹配方法对变量类型的要求（如 t检验要求连续变量，卡方检验要求分类变量，回归分析因变量需连续），类型不匹配则触发“无法计算”。
+   - 缺失值处理：所有涉及数据计算的函数必须加 na.rm=TRUE（方法不支持则除外）。
+3. 默认参数：用户未指定时，按科研规范设默认值并在结果中体现：
+   - 置信水平默认 0.95（conf.level=0.95）
+   - 多重比较调整方法默认 p.adjust.method=none
+   - 假设检验默认双侧检验（alternative=two.sided）
+〓 技术规范（确保结果结构化、可展示）〓
+1. 数据集已读入为：%s（直接用 df$列名 引用变量，无需重复读入数据）。
+2. 结果输出要求：
+   - 优先用 broom::tidy() 或 broom::glance() 将统计结果转为结构化数据框（包含统计量、p值、置信区间、自由度、显著性标记等核心指标），再用 print() 输出。
+   - 若 broom 包不支持该方法（如部分复杂模型），直接 print(统计函数结果)，确保保留显著性标记（***、**、*）。
+3. 函数规范：统计函数必须写全名+完整括号（如 t.test()、lm()、chisq.test()），禁止省略括号或简写。
+4. 变量校验：自动校验变量存在性和类型（如分组变量必须是因子/字符型，连续变量不能用于卡方检验），校验失败则输出“无法计算”。
+用户请求：%s",
+    data_call, user_prompt
+  )
+}
+
+#' @export
+metrics_generate <- function(prompt, dataset, envir = parent.frame()) {
+  data_call <- metrics_get_data_call(dataset, envir)
+  sys_prompt <- build_metrics_prompt(prompt, data_call)
+  r_code     <- try(metrics_completion(sys_prompt), silent = TRUE)
+  if (inherits(r_code, "try-error"))
+    stop("Metrics API error: ", attr(r_code, "condition")$message)
+  
+  r_code <- gsub("(?s)```r\\s*|```", "", r_code, perl = TRUE)
+  r_code <- trimws(r_code)
+  
+  if (r_code == "") {
+    return(list(r_code = "", 
+                type    = "empty",
+                auto_run = FALSE))
+  }
+  
+  r_code <- paste0(data_call, "\n", r_code)
+  
+  has_gg  <- grepl("ggplot\\(|geom_", r_code)
+  has_tbl <- grepl("data\\.frame\\(|tibble\\(|tbl_summary|tableOne|CreateTableOne|t.test|lm|cor.test|anova", r_code)
+  type    <- if (has_gg) "plot" else if (has_tbl) "table" else "text"
+  list(r_code = r_code, type = type, auto_run = TRUE)
+}
+
+#' @export
+metrics_get_data_call <- function(dataset, envir) {
+  df_name <- if (is_string(dataset)) dataset else deparse1(substitute(dataset))
+  paste0("df <- eval(quote(get_data(\"", df_name, "\", envir = ",
+         deparse1(substitute(envir)), ")), envir = parent.frame())")
+}
+
+#' @export
+metrics_run_code <- function(r_code, envir = parent.frame()) {
+  eval(parse(text = r_code), envir = envir)
+}

radiant.quickgen/inst/app/help.R

 help_quickgen <- c(
   "一键生成描述性统计" = "quickgen_basic.md", 
   "大模型对话引导助手" = "quickgen_chat.md",
-  "大模型生成描述性统计" = "quickgen_ai.md"
+  "大模型生成描述性统计（图表）" = "quickgen_chart.md",
+  "大模型生成描述性统计（指标）" = "quickgen_metrics.md"
 )
 output$help_quickgen <- reactive(append_help("help_quickgen", file.path(getOption("radiant.path.quickgen"), "app/tools/help"), Rmd = TRUE))
 

radiant.quickgen/inst/app/init.R

@@ -2,7 +2,7 @@
 r_url_list <- getOption("radiant.url.list")
 r_url_list[["Generate descriptive statistics with one click"]] <- "quickgen/basic/"
 r_url_list[["AI chat guidance"]] <- "quickgen/chat/"
-r_url_list[["LLM generates descriptive statistics"]] <- "quickgen/ai/"
+r_url_list[["AI generates descriptive statistics(chart)"]] <- "quickgen/chart"
 options(radiant.url.list = r_url_list)
 rm(r_url_list)
 
@@ -15,9 +15,12 @@ options(
         tags$head(
           tags$script(src = "www_quickgen/js/run_return.js")
         ),
+        "----", i18n$t("Quick Statistics"),
         tabPanel(i18n$t("Generate descriptive statistics with one click"), uiOutput("quickgen_basic")),
+        "----", i18n$t("AI assistance"),
         tabPanel(i18n$t("AI chat guidance"), uiOutput("quickgen_chat")),
-        tabPanel(i18n$t("AI generates descriptive statistics"), uiOutput("quickgen_ai"))
+        tabPanel(i18n$t("AI generates descriptive statistics(chart)"), uiOutput("quickgen_chart")),
+        tabPanel(i18n$t("AI generates descriptive statistics(metrics)"), uiOutput("quickgen_metrics")),
       )
     )
 )
\ No newline at end of file

radiant.quickgen/inst/app/tools/analysis/quickgen_basic_ui.R

@@ -1145,7 +1145,7 @@ observeEvent(input$qgb_invert_selection, {
 
 output$quickgen_basic <- renderUI({
   stat_tab_panel(
-    menu = i18n$t("Oneclick generation > Generate descriptive statistics"),
+    menu = i18n$t("Oneclick generation > Quick Statistics"),
     tool = i18n$t("Generate descriptive statistics with one click"),
     tool_ui = "ui_quickgen_basic",
     output_panels = tagList(

radiant.quickgen/inst/app/tools/analysis/quickgen_chat_ui.R

@@ -6,7 +6,7 @@ output$quickgen_chat <- renderUI({
   tagList(
     useShinyjs(),
     stat_tab_panel(
-      menu      = i18n$t("One-click generation > AI chat guidance"),
+      menu      = i18n$t("Oneclick generation > AI assistance"),
       tool      = i18n$t("AI chat guidance"),
       tool_ui   = "chat_main_ui",  
       output_panels = tabPanel(

radiant.quickgen/inst/app/tools/help/quickgen_ai.md

-> 大模型生成描述性统计
-
-## 使用方法
-
-以下是 `大模型生成描述性统计`的使用方法。
-
-1.`数据对象`必须要有，且必须和数据集中的名字一致（大小写也一致）
-
-2.`图像类型`必须要有，比如分布图、散点图等。可以要求模型返回多张图表，需向模型明确。
-
-3.`生成代码`如果有误，或者想要修改，可以点击`编辑`按钮对R代码进行修改，保存后点击`运行`按钮即可。
-## 示例
-
-**1. 散点图**  
-请用diamonds画一个散点图，X轴是carat，Y轴是price，用color来区分颜色，并加上theme_bw()。  
-**2. 箱线图**  
-请用diamonds画箱线图，把price按cut分组，看看不同切工的价格分布。  
-**3. 直方图**  
-请用diamonds画carat的直方图，分面按clarity排布，bin宽度取0.1。  
-**4. 柱状图**  
-请用diamonds统计各color等级的数量，画一个柱状图，颜色按实际颜色填充。  
-**5. 密度图**  
-请用diamonds画出0.5~2克拉范围内，不同color的carat密度曲线，要求半透明重叠。  
-**6. 分组均值表**  
-请用diamonds按cut分组，计算每组price与carat的平均值、标准差，输出成表格。  
-**7. 价格对数-克拉线性拟合图**  
-请用diamonds画log(price)和carat的散点图，并加上回归直线，颜色按clarity区分，用theme_minimal()。  
\ No newline at end of file

radiant.quickgen/inst/app/tools/help/quickgen_chart.md

+> 大模型生成描述性统计（图表）
+
+## 使用方法
+
+以下是 `大模型生成描述性统计`的使用方法。
+
+1.`数据对象`必须要有，且必须和数据集中的名字一致（大小写也一致）
+
+2.`图像类型`必须要有，比如分布图、散点图等。可以要求模型返回多张图表，需向模型明确。
+
+3.`生成代码`如果有误，或者想要修改，可以点击`编辑`按钮对R代码进行修改，保存后点击`运行`按钮即可。
+## 示例
+
+**1. 散点图**
+
+请用该数据集画一个散点图，X 轴是 bmi（身体质量指数），Y 轴是 charges（年度医疗费用），用 smoker（吸烟状态）来区分颜色。
+
+**2. 箱线图**
+
+请用该数据集画箱线图，把 charges 按 smoker 分组，看看吸烟 / 不吸烟人群的医疗费用分布。
+
+**3. 直方图**
+
+请用该数据集画 age（年龄）的直方图，分面按 sex（性别）排布，bin 宽度取 2（年龄区间）。
+
+**4. 柱状图**
+
+请用该数据集统计各 region（居住区域）的样本数量，画一个柱状图，颜色按 region 实际类别填充。
+
+**5. 密度图**
+
+请用该数据集画出 bmi 在 18~35 范围内，不同 sex 的 bmi 密度曲线，要求半透明重叠展示。
+
+**6. 分组均值表**
+
+请用该数据集按 sex 分组，计算每组 age、bmi、charges 的平均值、标准差，输出成结构化表格。
+
+**7. 费用 - 年龄线性拟合图**
+
+请用该数据集画 charges 和 age 的散点图，并加上回归直线，颜色按 smoker 区分。
+
+**8. 交叉频数表**
+
+请用该数据集统计 sex 与 smoker 的交叉频数（即 “男性吸烟 / 不吸烟人数、女性吸烟 / 不吸烟人数”），输出二维汇总表格。
+
+**9. 儿童数量分布柱状图**
+
+请用该数据集统计 children（受抚养者数量）的不同取值对应的样本数，画一个柱状图展示各数量的分布。
+
+**10. 区域 - 费用箱线图**
+
+请用该数据集画箱线图，把 charges 按 region 分组，对比不同区域的医疗费用差异，并用不同颜色标注。
\ No newline at end of file

radiant.quickgen/inst/app/tools/help/quickgen_chat.md

+> 大模型对话引导助手
+
+### 1. 界面概述
+
+本工具是 **“一键生成” 模块下的 R 语言科研辅助助手 **，专为数据集的科研分析设计，可自动结合数据集字段信息，为你提供字段解读、分析方法建议、统计结果解读等科研支持。
+
+### 2. 使用步骤
+
+1. **确认数据集**：进入工具后，，字段信息会自动加载至智能体；
+
+2. 发起对话
+   - 方式 1：点击预设问题按钮，快速发起提问；
+   - 方式 2：在底部输入框中自定义科研问题，点击右侧发送按钮提交；
+
+3. **获取回复**：AI 会结合传入的字段信息，生成科研场景下的专业回复；
+
+4. **重置对话**：若需切换分析主题，点击 “开启新对话” 清空历史即可。
+
+### 3. 常见操作示例
+
+#### 示例 1：字段解读（预设问题 1）
+
+- 操作：点击 “这个数据集中的字段是什么意思？有什么科研分析用途？” 按钮
+- 效果：AI 会解释`insurance`中`age`（年龄）、`smoker`（吸烟状态）、`charges`（医疗费用）等字段的含义，并说明各字段的科研分析场景（如`smoker`可用于分析吸烟对医疗费用的影响）。
+
+#### 示例 2：分析方法建议（预设问题 2）
+
+- 操作：点击 “基于当前数据集的字段信息，我该选择什么科研分析方法？” 按钮
+- 效果：AI 会根据`insurance`的字段类型（如分类变量`sex`、数值变量`charges`），推荐适配的统计方法（如箱线图分析分组费用差异、线性回归分析年龄对费用的影响）。
+
+#### 示例 3：统计结果解读（预设问题 3）
+
+- 操作：点击 “我得到的科研结果（比如模型参数、统计指标）该怎么解读？” 按钮
+- 效果：若你提供具体结果（如 “`smoker`对`charges`的回归系数是 20000”），AI 会解读该指标的科研意义（如 “吸烟人群的年度医疗费用平均比非吸烟人群高 20000 单位”）。
+
+#### 示例 4：自定义科研问题
+
+- 输入：“帮我说明用`insurance`数据集中`bmi`和`charges`做散点图的科研意义是什么？”
+- 效果：AI 会结合两个字段的含义，解释散点图可用于观察身体质量指数与医疗费用的相关性，为后续回归分析提供可视化依据。
+
+### 4. 注意事项
+
+1. 字段信息会**自动传递给 AI**，无需手动输入数据集字段内容；
+2. “开启新对话” 会清空当前历史，若需保留对话记录，请勿点击该按钮。
\ No newline at end of file

radiant.quickgen/inst/app/tools/help/quickgen_metrics.md

+xxxxxx
\ No newline at end of file