Nam Pham Dinh ThanhandClaude Opus 5
6c68417103
Ba file dữ liệu cuối cùng của Gamma còn trên ngưỡng CASAN Check 2.
i18n.py 3075 -> 94
Dict STRINGS 3.000 dòng cắt thành 10 cụm theo đúng mốc phân đoạn có sẵn
trong file (mỗi mốc là một màn/hộp thoại), cụm nào quá dài thì cắt tiếp ở
ranh giới khoá. i18n.py giờ chỉ gộp lại và giữ 4 hàm set_language/
get_language/tr/on_language_changed.
Kiểm bằng cách so với bản gốc lấy từ git: 1437 mục / 1431 khoá duy nhất
(bản gốc vốn có 6 khoá lặp), sau khi chia vẫn 1431, KHÔNG thiếu khoá nào,
KHÔNG thừa khoá nào, KHÔNG giá trị nào lệch. Thứ tự gộp giữ nguyên nên
quy tắc "khoá trùng thì bản sau thắng" không đổi.
theme.py 907 -> 130
theme_palettes.py 328 hai bảng màu Tối/Sáng + lớp Palette
theme_qss.py 198 nửa vỏ (reset + shell)
theme_qss_controls.py 307 nửa điều khiển (nút, ô nhập, tab, badge)
Khuôn QSS 470 dòng cắt đôi đúng mốc `/* ---- surfaces */` của chính nó.
Đã đối chiếu: stylesheet('dark') ra đúng 24762 ký tự y như trước — khớp
từng byte, không phải "trông có vẻ giống".
core/usage_tracker.py 536 -> 307
usage_cost.py 101 bảng giá, quy đổi token sang tiền, định dạng
usage_periods.py 144 gộp theo ngày/tuần/tháng/quý, chuỗi vẽ biểu đồ
usage_ai_report.py 56 dựng câu nhắc cho AI phân tích
HAI LẦN TỰ CẮT HỎNG, ĐỀU CÙNG MỘT GỐC
--------------------------------------
1. Cắt theo m.lineno mà quên dòng @decorator phía trên -> @dataclass của
Palette bị bỏ lại mồ côi, "Palette() takes no arguments".
2. Đọc số dòng từ AST GỐC trong khi danh sách dòng đã bị cắt -> lần bóc thứ
hai dùng toạ độ cũ và cắt vào giữa một chữ ký hàm.
Cả hai lộ ngay vì mỗi script tự parse lại sau khi ghi. Bài học đã áp vào cả
ba lần chia: parse lại sau mỗi lần cắt, và luôn tính cả decorator.
KẾT QUẢ CASAN CHECK 2
---------------------
Nam 0 file vượt 400 (trước: 4, tổng 5.898 dòng)
Hiệp 0 (trước: 1)
Lâm 0 (trước: 1)
file mới 0 (61 file dưới presentation/ application/
domain/ infrastructure/ — chưa cái nào vượt)
Gamma sạch. 23 file còn vượt đều thuộc team khác (chat_panel.py 1802,
folder_tab.py 1589, structure_graph_view.py 1034...) — cần báo lên sớm chứ
đừng để tới hạn 30/08 mới lộ.
714 test xanh. 24/24 checker qua. CASAN Check 1 sạch.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
57 lines
3.1 KiB
Python
57 lines
3.1 KiB
Python
"""Dựng câu nhắc cho AI phân tích mức dùng — R09-T02.
|
|
|
|
Chỉ sinh văn bản. Tách riêng vì đây là phần dễ đổi nhất (câu chữ, cột hiển
|
|
thị) và không liên quan tới việc ghi nhận hay tính tiền.
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
import json
|
|
import threading
|
|
from datetime import date, datetime
|
|
from pathlib import Path
|
|
from typing import Any, Dict, List, Optional
|
|
from ..config import CONFIG_DIR
|
|
from . import model_pricing as mp
|
|
from .usage_periods import period_breakdown, period_range_label
|
|
|
|
_AI_ANALYSIS_HEADERS = {
|
|
"vi": ("Nhận xét thói quen", "Cách viết prompt tiết kiệm hơn", "Hành động giảm token"),
|
|
"en": ("Usage habits", "Writing more efficient prompts", "Actions to cut token usage"),
|
|
"ja": ("利用傾向", "より効率的なプロンプトの書き方", "トークン削減のためのアクション"),
|
|
}
|
|
|
|
def build_ai_analysis_prompt(summary: Dict[str, Any], language: str = "vi") -> str:
|
|
"""The prompt sent to the model for '✨ AI analyze my usage': aggregated
|
|
numbers only — never raw prompt contents — asking for concrete habits
|
|
feedback and token-saving recommendations, in the CURRENTLY SELECTED
|
|
display language (headers included — not just the model's free-text reply,
|
|
which would otherwise leave the section titles in Vietnamese regardless of
|
|
the app's language setting)."""
|
|
lang_names = {"vi": "Vietnamese", "ja": "Japanese", "en": "English"}
|
|
h1, h2, h3 = _AI_ANALYSIS_HEADERS.get(language, _AI_ANALYSIS_HEADERS["vi"])
|
|
top = "\n".join(f"- {label}: {tok:,} tokens"
|
|
for label, tok in summary.get("top_labels", []))
|
|
by_source = ", ".join(f"{k}={v:,}" for k, v in summary.get("by_source", []))
|
|
return (
|
|
"You are a token-efficiency coach for an AI desktop app (chat tabs + "
|
|
"scheduled agent tasks). Analyze this usage summary and give the user "
|
|
"practical advice, replying in "
|
|
f"{lang_names.get(language, 'Vietnamese')}.\n\n"
|
|
f"Period stats: {summary.get('turns', 0)} turns, "
|
|
f"input={summary.get('in', 0):,} tokens, output={summary.get('out', 0):,}, "
|
|
f"cache={summary.get('cache', 0):,}, "
|
|
f"avg per prompt={summary.get('avg_per_turn', 0):,}.\n"
|
|
f"Top consumers:\n{top or '- (none)'}\n"
|
|
f"By area: {by_source or '(none)'}\n"
|
|
f"Busiest day: {summary.get('busiest_day')} · busiest hour: {summary.get('busiest_hour')}\n\n"
|
|
"Reply with EXACTLY these 3 short sections, in markdown, using THESE "
|
|
f"section headers verbatim (already in {lang_names.get(language, 'Vietnamese')}):\n"
|
|
f"1. **{h1}** — 2-3 bullet points about the usage pattern.\n"
|
|
f"2. **{h2}** — 3 concrete prompt-writing tips "
|
|
"tailored to the numbers above (e.g. long inputs → attach less / summarize "
|
|
"first; many small turns → batch questions).\n"
|
|
f"3. **{h3}** — 2-3 app-level actions (compact history, "
|
|
"smaller model for simple tasks, reuse task outputs instead of re-asking).\n"
|
|
"Keep the whole reply under 250 words."
|
|
)
|