企业站模板大全服务公司取名

企业站模板大全,服务公司取名,织梦网站英文版怎么做,服装商城的网站建设内容来自尚硅谷 1、项目需求分析 本项目旨在构建一个本地智能舆情分析系统#xff0c;通过自然语言处理与多工具协作#xff0c;实现用户查询意图的自动理解、新闻检索、情绪分析、结构化输出与邮件推送。具体如下#xff1a;系统整体采用 Client-Server 架构#xff0c;其…内容来自尚硅谷1、项目需求分析本项目旨在构建一个本地智能舆情分析系统通过自然语言处理与多工具协作实现用户查询意图的自动理解、新闻检索、情绪分析、结构化输出与邮件推送。具体如下系统整体采用 Client-Server 架构其中客户端Client作为用户的直接交互入口负责接收输入、调用大语言模型进行语义解析与任务规划并根据规划结果协调各类工具的执行流程而服务器端Server则作为工具能力提供者内置多种独立功能模块响应客户端的调用请求完成实际的数据处理任务。项目的执行流程1在运行过程中客户端会先加载本地模型配置与服务器建立连接并动态获取其可用工具列表。2用户输入查询后客户端会自动调用大语言模型将自然语言请求转化为结构化的“工具调用链”3客户端依次驱动服务器端工具完成如关键词搜索、新闻采集、情绪倾向分析、报告生成与邮件发送等操作。这一过程中所有中间结果与最终输出都会自动保存并反馈给用户。项目特点整个系统运行于本地环境通过标准输入输出通道进行进程间通信无需依赖远程服务部署确保了数据处理的私密性与可控性适合用于敏感舆情监测、本地文本分析和低延迟的信息响应场景。2、MCP的环境准备MCP的开发需要借助uv进行虚拟环境创建和依赖的管理。2.1 安装uvpipinstalluv#或者condainstalluv#针对于安装了Anoconda环境的用户2.2 创建MCP项目通过cd命令进入你要创建项目的空间然后输入uv init mcp-project即可创建出一个空的MCP项目在创建了这个空的MCP项目之后我们需要创建两个Python文件分别是client.py和server.py。client.py是我们的客户端用户与客户端进行交互。server.py是服务端其中包含了多种工具函数客户端会对其中的工具函数进行调用。这样我们的MCP项目的创建便完成了。3、代码实现3.1 确定大模型参数创建.env文件在.env中添加相关的环境变量其分别代表了阿里百炼平台的URL、选择的模型名称、个人的百炼平台API。BASE_URLhttps://dashscope.aliyuncs.com/compatible-mode/v1 MODELqwen2.5-vl-32b-instruct DASHSCOPE_API_KEYsk-bffd34fa1ff34aad9d7e4ee927d672733.2 client.py的构建3.2.1 功能分析我们首先从客户端入手进行client.py的构建。其总体架构如下[配置初始化] ↓ [连接工具服务器MCP Server] ↓ [用户提问] ← chat_loop() ↓ [LLM 规划工具调用链] ↓ [顺序执行工具链] ↓ [保存分析结果 最终回答]运行过程中有以下几个关键步骤1客户端从本地配置文件中读取必要的信息完成大模型参数的设定见 3.1 确定大模型参数并初始化所需的运行环境见 3.2.2 初始化客户端配置。2程序启动服务端脚本并与其建立通信获取可用的工具信息见 3.2.3 启动 MCP 工具服务连接。3完成连接后客户端将根据用户输入的请求协调内部调度器对工具链任务进行统一管理见 3.2.4 工具链任务调度器。4在与用户交互的过程中系统会持续监听用户输入见3.2.5 用户交互循环并调用大模型对任务进行智能拆解规划合适的工具链执行顺序见 3.2.6 智能规划工具链。5每次任务执行完毕后客户端将自动释放相关资源确保系统稳定运行与退出见 3.2.7 关闭资源。6整个流程由主函数串联驱动形成完整的一条执行主线见 3.2.8 主流程函数。3.2.2 初始化客户端配置在client.py中创建一个 MCPClient 类用于封装和管理与MCP协议相关的所有客户端逻辑随后在里面编写各种相关函数。在 client.py中我们定义了 MCPClient类用来负责客户端的主要功能。在初始化时程序会先准备好资源管理工具方便后续自动管理连接。然后从配置文件中读取大模型的相关信息如 API 密钥、模型名称等并创建一个OpenAI 客户端方便后续调用模型。最后还预留了一个与服务器通信的会话对象等真正建立连接后再使用。整个过程是为后续的任务执行做好准备工作。def__init__(self):# 创建 AsyncExitStack用于托管所有异步资源释放这是为了后续连接 MCP Server 时使用 async with 语法自动管理上下文。self.exit_stackAsyncExitStack()# 从环境中读取配置项self.openai_api_keyos.getenv(DASHSCOPE_API_KEY)self.base_urlos.getenv(BASE_URL)self.modelos.getenv(MODEL)# 对 LLM 相关配置进行初始化ifnotself.openai_api_key:raiseValueError(❌ 未找到 OpenAI API Key请在 .env文件中设置 DASHSCOPE_API_KEY)# 初始化 OpenAI 客户端对象self.clientOpenAI(api_keyself.openai_api_key,base_urlself.base_url)# 初始化 MCP Session用于延迟赋值等待连接 MCP Server 后再初始化它self.session:Optional[ClientSession]None3.2.3 启动MCP工具服务连接connect_to_server这个函数的作用是连接并启动本地的服务器脚本。它会先判断脚本类型必须是 .py 或 .js 再根据类型选择对应的启动方式Python 或 Node.js。接着它会通过 MCP 提供的方式启动服务端脚本并建立起与服务端的通信通道。建立连接后客户端会初始化会话并获取服务器上有哪些工具可以使用方便后续根据任务调用这些工具。整个过程相当于“把工具服务开起来并准备好对话”。┌──────────────┐ │ server.py │ ←── 传入的路径 └─────┬────────┘ ↓ ┌──────────────┐ │ 判断类型 │ │ .py → python │ │ .js → node │ └─────┬────────┘ ↓ ┌────────────────────────────┐ │ 启动脚本并建立 stdio 连接 │ └─────┬──────────────────────┘ ↓ ┌───────────────────────────────────┐ │ 创建 MCP 会话对象ClientSession│ └─────┬─────────────────────────────┘ ↓ ┌─────────────────────────┐ │ 初始化会话 获取工具 │ └─────────────────────────┘asyncdefconnect_to_server(self,server_script_path:str):# 对服务器脚本进行判断只允许是 .py 或 .jsis_pythonserver_script_path.endswith(.py)is_jsserver_script_path.endswith(.js)ifnot(is_pythonoris_js):raiseValueError(服务器脚本必须是 .py 或 .js 文件)# 确定启动命令.py 用 python.js 用 nodecommandpythonifis_pythonelsenode# 构造 MCP 所需的服务器参数包含启动命令、脚本路径参数、环境变量为None 表示默认server_paramsStdioServerParameters(commandcommand,args[server_script_path],envNone)# 启动 MCP 工具服务进程并建立 stdio 通信stdio_transportawaitself.exit_stack.enter_async_context(stdio_client(server_params))# 拆包通信通道读取服务端返回的数据并向服务端发送请求self.stdio,self.writestdio_transport# 创建 MCP 客户端会话对象self.sessionawaitself.exit_stack.enter_async_context(ClientSession(self.stdio,self.write))# 初始化会话awaitself.session.initialize()# 获取工具列表并打印responseawaitself.session.list_tools()toolsresponse.toolsprint(\n已连接到服务器支持以下工具:,[tool.namefortoolintools])3.2.4 工具链任务调度器process_query这个函数是客户端处理用户提问的核心部分它负责从接收问题到规划任务、调用工具、生成回复再到保存结果完成整个闭环。当用户输入一个问题后程序会先去服务器获取当前支持的工具列表比如“新闻搜索”“情感分析”“发送邮件”等然后结合用户问题从中提取关键词比如“分析小米”中的“小米”用它来生成一个统一的文件名后续所有工具都会使用这个名字保存或读取文件保证流程一致。这里请注意要按照这句代码中设置好的格式标准提问keyword_matchre.search(r(关于|分析|查询|搜索|查看)([^的\s。、\n]),query)会提取出 “关于|分析|查询|搜索|查看” 和“的”之间的内容作为关键词接着程序会把这个问题交给大语言模型让它决定该如何使用这些工具比如先查新闻再分析情感再发邮件这一步叫做“工具链规划”。拿到工具链后程序就会按顺序一个个调用服务器上的工具并在调用前动态地填入一些信息比如刚才生成的文件名或路径。调用结果也会一一记录作为下一步工具的输入或者最终输出的一部分。等所有工具都执行完后程序会再调用一次大模型让它根据整个过程总结一个回答这就是用户最终看到的内容。最后这些对话记录包括用户的提问和模型的回答会被自动保存成一个 .txt 文件方便后续查阅。整个流程可以看作是一套自动化的信息处理流水线用户只需要说一句话系统就能从头到尾完成“理解 → 查询 →分析 → 输出 → 保存”这一整套任务。asyncdefprocess_query(self,query:str)-str:# 准备初始消息和获取工具列表messages[{role:user,content:query}]responseawaitself.session.list_tools()available_tools[{type:function,function:{name:tool.name,description:tool.description,input_schema:tool.inputSchema}}fortoolinresponse.tools]# 提取问题的关键词对文件名进行生成。# 在接收到用户提问后就应该生成出最后输出的 md 文档的文件名# 因为导出时若再生成文件名会导致部分组件无法识别该名称。keyword_matchre.search(r(关于|分析|查询|搜索|查看)([^的\s。、\n]),query)keywordkeyword_match.group(2)ifkeyword_matchelse分析对象safe_keywordre.sub(r[\\/:*?|],,keyword)[:20]timestampdatetime.now().strftime(%Y%m%d_%H%M%S)md_filenamefsentiment_{safe_keyword}_{timestamp}.mdmd_pathos.path.join(./sentiment_reports,md_filename)# 更新查询将文件名添加到原始查询中使大模型在调用工具链时可以识别到该信息# 然后调用 plan_tool_usage 获取工具调用计划queryquery.strip()f [md_filename{md_filename}][md_path{md_path}]messages[{role:user,content:query}]tool_planawaitself.plan_tool_usage(query,available_tools)tool_outputs{}messages[{role:user,content:query}]# 依次执行工具调用并收集结果forstepintool_plan:tool_namestep[name]tool_argsstep[arguments]forkey,valintool_args.items():ifisinstance(val,str)andval.startswith({{)andval.endswith(}}):ref_keyval.strip({} )resolved_valtool_outputs.get(ref_key,val)tool_args[key]resolved_val# 注入统一的文件名或路径用于分析和邮件iftool_nameanalyze_sentimentandfilenamenotintool_args:tool_args[filename]md_filenameiftool_namesend_email_with_attachmentandattachment_pathnotintool_args:tool_args[attachment_path]md_path resultawaitself.session.call_tool(tool_name,tool_args)tool_outputs[tool_name]result.content[0].text messages.append({role:tool,tool_call_id:tool_name,content:result.content[0].text})# 调用大模型生成回复信息并输出保存结果final_responseself.client.chat.completions.create(modelself.model,messagesmessages)final_outputfinal_response.choices[0].message.content# 对辅助函数进行定义目的是把文本清理成合法的文件名defclean_filename(text:str)-str:texttext.strip()textre.sub(r[\\/:*?\|],,text)returntext[:50]# 使用清理函数处理用户查询生成用于文件命名的前缀并添加时间戳、设置输出目录# 最后构建出完整的文件路径用于保存记录safe_filenameclean_filename(query)timestampdatetime.now().strftime(%Y%m%d_%H%M%S)filenamef{safe_filename}_{timestamp}.txtoutput_dir./llm_outputsos.makedirs(output_dir,exist_okTrue)file_pathos.path.join(output_dir,filename)# 将对话内容写入 md 文档其中包含用户的原始提问以及模型的最终回复结果withopen(file_path,w,encodingutf-8)asf:f.write(f 用户提问{query}\n\n)f.write(f 模型回复\n{final_output}\n)print(f 对话记录已保存为{file_path})returnfinal_output3.2.5 用户交互循环chat_loop这个函数就是客户端的“对话主入口”也就是程序和用户真正开始交流的地方。当程序运行到这里时会先打印一句提示告诉用户系统已经启动可以开始提问了输入 quit 就能退出。然后它进入一个无限循环不断等待用户输入问题。每当用户输入一句话程序就会把这个问题传给之前写好的 process_query() 函数让它去自动规划任务、调用工具、生成回复。等处理完毕之后再把结果打印出来。如果在运行过程中出现了什么错误比如连接失败、参数出错等程序也会把错误信息捕捉并打印出来而不会直接崩掉。简单来说这段代码就是负责“一问一答”的交互流程是整个系统运转起来之后用户最直接接触的那一部分。asyncdefchat_loop(self):# 初始化提示信息print(\n MCP 客户端已启动输入 quit 退出)# 进入主循环中等待用户输入whileTrue:try:queryinput(\n你: ).strip()ifquery.lower()quit:break# 处理用户的提问并返回结果responseawaitself.process_query(query)print(f\n AI:{response})exceptExceptionase:print(f\n⚠ 发生错误:{str(e)})3.2.6 智能规划工具链plan_tool_usage这个函数的作用是让大模型根据用户的问题自动规划出一组需要使用的工具和调用顺序。首先程序会整理当前可用的工具列表并将它们写入系统提示中引导模型只能从这些工具中选择。提示中还明确要求模型使用固定的 JSON 格式输出结果避免生成多余的自然语言。然后程序将提示内容和用户的问题一起发送给大模型请求模型生成一个工具调用计划。计划的内容通常包括每一步要使用的工具名称以及对应的输入参数。接收到模型的回复后程序会尝试从中提取出合法的 JSON内容并进行解析。如果解析成功就把结果作为工具调用链返回如果解析失败则打印错误信息并返回一个空的计划。这个过程确保了用户的问题可以自动转化为结构化的工具执行步骤方便后续依次调用处理。asyncdefplan_tool_usage(self,query:str,tools:List[dict])-List[dict]:# 构造系统提示词 system_prompt。# 将所有可用工具组织为文本列表插入提示中并明确指出工具名# 限定返回格式是 JSON防止其输出错误格式的数据。print(\n 提交给大模型的工具定义:)print(json.dumps(tools,ensure_asciiFalse,indent2))tool_list_text\n.join([f-{tool[function][name]}:{tool[function][description]}fortoolintools])system_prompt{role:system,content:(你是一个智能任务规划助手用户会给出一句自然语言请求。\n你只能从以下工具中选择严格使用工具名称\nf{tool_list_text}\n如果多个工具需要串联后续步骤中可以使用 {{上一步工具名}} 占位。\n返回格式JSON 数组每个对象包含 name 和 arguments 字段。\n不要返回自然语言不要使用未列出的工具名。)}# 构造对话上下文并调用模型。# 将系统提示和用户的自然语言一起作为消息输入并选用当前的模型。planning_messages[system_prompt,{role:user,content:query}]responseself.client.chat.completions.create(modelself.model,messagesplanning_messages,toolstools,tool_choicenone)# 提取出模型返回的 JSON 内容contentresponse.choices[0].message.content.strip()matchre.search(r(?:json)?\\s*([\s\S]?)\\s*,content)ifmatch:json_textmatch.group(1)else:json_textcontent# 在解析 JSON 之后返回调用计划try:planjson.loads(json_text)returnplanifisinstance(plan,list)else[]exceptExceptionase:print(f❌ 工具调用链规划失败:{e}\n原始返回:{content})return[]3.2.7 关闭资源这个函数用于在程序结束时关闭并清理所有已打开的资源。它调用的是之前创建的 AsyncExitStack 这个工具会自动管理在程序运行过程中建立的连接比如与服务器的通信通道。通过调用 aclose() 可以确保所有资源都被优雅地释放避免出现内存泄漏或卡住进程的问题。简单来说就是让程序收尾干净、退出彻底。asyncdefcleanup(self):awaitself.exit_stack.aclose()3.2.8 主流程函数这是程序的主入口控制整个客户端的运行流程。程序一开始会创建一个 MCPClient 实例也就是我们之前封装的客户端对象。然后指定服务端脚本的位置并尝试连接服务器。一旦连接成功就进入对话循环开始等待用户输入并处理问题。无论程序中途正常退出还是出错最后都会执行cleanup() 确保所有资源都被安全关闭。而最底部的 ifname “main”: 表示只有当这个文件被直接运行时才会执行 main() 这是 Python 程序的标准写法。整段代码就像是在启动按钮按下后按照顺序完“连接 → 运行 → 清理”的全过程。asyncdefmain():server_script_pathF:\\mcp-project\\server.pyclientMCPClient()try:awaitclient.connect_to_server(server_script_path)awaitclient.chat_loop()finally:awaitclient.cleanup()if__name____main__:asyncio.run(main())3.3 server.py的构建3.3.1 功能分析服务器端主要负责提供新闻搜索、情感分析、邮件发送等基础工具能力供客户端调用。分别对应着如下的三个工具search_google_news 用于在Google上搜寻相关新闻。analyze_sentiment 用于对语句进行舆情分析。send_email_with_attachment 用于将本地的文件发送至目标邮箱核心功能剖析1启动时Server 会首先加载环境变量配置必要的 API密钥和服务信息。2注册一组功能模块包括调用 Serper API 搜索新闻内容、基于大模型分析文本情感、以及发送带有分析报告的邮件对应各自的工具函数。3每个工具均以标准接口形式暴露客户端可以根据任务需要按需调用。4程序以标准输入输出stdio模式运行确保与客户端实现稳定、实时的交互。3.3.1 search_google_news()这个工具方法是通过Serper API 使用关键词从Google上去搜索获取新闻返回前五条新闻并保存到本地文件中。我们首先要申请Serper的API。来到网址https://serper.dev/简单注册后点击API key即可查看自己的API Key在.env环境中配置Serper的APISERPER_API_KEY618b99091160938bb51b5968aad7312428bbba76search_google_news这个工具的作用是根据用户提供的关键词调用 Serper API 搜索 Google 新闻并返回前 5 条结果。它是通过 mcp.tool() 装饰器注册为 MCP 工具供客户端按需调用。执行过程如下读取 API 密钥程序从环境变量中获取用于访问 SerperAPI 的密钥如果没配置好会直接报错。向新闻搜索接口发起请求将用户输入的关键词打包成请求体发送给 Serper 提供的 Google News 接口。提取新闻信息从返回的数据中提取前 5 条新闻的标题、简介和链接并整理成标准格式。保存为 JSON 文件将这些新闻内容保存成一个本地.json 文件文件名带有时间戳方便归档。返回内容与保存路径最后工具会将获取到的新闻数据、提示信息和保存路径一起返回供客户端展示或传递给下一个工具使用。# mcp.tool() 是 MCP 框架的装饰器表明这是一个 MCP 工具。之后是对这个工具功能的描述mcp.tool()asyncdefsearch_google_news(keyword:str)-str: 使用 Serper APIGoogle Search 封装根据关键词搜索新闻内容返回前 5条标题、描述和链接。 参数: keyword (str): 关键词如 小米汽车 返回: str: JSON 字符串包含新闻标题、描述、链接 # 从环境中获取 API 密钥并进行检查api_keyos.getenv(SERPER_API_KEY)ifnotapi_key:return❌ 未配置 SERPER_API_KEY请在 .env 文件中设置# 设置请求参数并发送请求urlhttps://google.serper.dev/newsheaders{X-API-KEY:api_key,Content-Type:application/json}payload{q:keyword}asyncwithhttpx.AsyncClient()asclient:responseawaitclient.post(url,headersheaders,jsonpayload)dataresponse.json()# 检查数据并按照格式提取新闻返回前五条新闻ifnewsnotindata:return❌ 未获取到搜索结果articles[{title:item.get(title),desc:item.get(snippet),url:item.get(link)}foritemindata[news][:5]]# 将新闻结果以带有时间戳命名后的 JSON 格式文件的形式保存在本地指定的路径output_dir./google_newsos.makedirs(output_dir,exist_okTrue)filenamefgoogle_news_{datetime.now().strftime(%Y%m%d_%H%M%S)}.jsonfile_pathos.path.join(output_dir,filename)withopen(file_path,w,encodingutf-8)asf:json.dump(articles,f,ensure_asciiFalse,indent2)return(f✅ 已获取与 [{keyword}] 相关的前5条 Google 新闻\nf{json.dumps(articles,ensure_asciiFalse,indent2)}\nf 已保存到{file_path})3.3.2 analyze_sentiment()这个工具用于对一段新闻文本或任意内容进行情绪倾向分析并将分析结果保存为 Markdown 格式的报告文件。它通过 mcp.tool() 注册为 MCP 工具支持被客户端自动调用。具体功能流程如下读取大模型配置从环境变量中加载大模型的 API 密钥、模型名称和服务地址用于后续调用语言模型。构造分析指令将用户传入的文本包装为一个“请分析这段内容情感倾向”的提示发送给大模型处理。获取模型回复调用模型接口获取分析结果文本例如情绪是正面、中立或负面以及理由说明。生成 Markdown 报告将原始文本与分析结果整理成结构清晰的 Markdown 报告包含时间戳、原文、分析结果等部分。保存到本地文件将生成的报告保存到本地的./sentiment_reports 文件夹中文件名由用户指定或默认自动生成带时间戳的名称。返回报告路径最终返回生成的报告文件路径方便后续工具如邮件发送使用。# mcp.tool() 是 MCP 框架的装饰器标记该函数为一个可调用的工具mcp.tool()asyncdefanalyze_sentiment(text:str,filename:str)-str: 对传入的一段文本内容进行情感分析并保存为指定名称的 Markdown 文件。 参数: text (str): 新闻描述或文本内容 filename (str): 保存的 Markdown 文件名不含路径 返回: str: 完整文件路径用于邮件发送 # 这里的情感分析功能需要去调用 LLM所以从环境中获取 LLM 的一些相应配置openai_keyos.getenv(DASHSCOPE_API_KEY)modelos.getenv(MODEL)clientOpenAI(api_keyopenai_key,base_urlos.getenv(BASE_URL))# 构造情感分析的提示词promptf请对以下新闻内容进行情绪倾向分析并说明原因\n\n{text}# 向模型发送请求并处理返回的结果responseclient.chat.completions.create(modelmodel,messages[{role:user,content:prompt}])resultresponse.choices[0].message.content.strip()# 生成 Markdown 格式的舆情分析报告并存放进设置好的输出目录markdownf# 舆情分析报告 **分析时间**{datetime.now().strftime(%Y-%m-%d %H:%M:%S)}--- ## 原始文本{text}--- ## 分析结果{result}output_dir./sentiment_reportsos.makedirs(output_dir,exist_okTrue)ifnotfilename:filenamefsentiment_{datetime.now().strftime(%Y%m%d_%H%M%S)}.mdfile_pathos.path.join(output_dir,filename)withopen(file_path,w,encodingutf-8)asf:f.write(markdown)returnfile_path3.2.3 send_email_with_attachment()这个工具类是通过获取本地路径下的文件然后将其发送给指定的邮箱首先在环境中添加发件邮箱的SMTP配置信息。这里使用的是网易163邮箱。点击此处进行SMTP配置开启POP3/SMTP服务。获取手机验证码之后即可查看自己的授权密码将以下信息填入.env 注意将邮箱和授权码换成你自己的SMTP_SERVERsmtp.163.com SMTP_PORT465 EMAIL_USERcode14pudding163.com EMAIL_PASSAZeDNekeCx6Ht3Vrsend_email_with_attachment这个工具用于将生成好的Markdown 报告通过邮件发送给指定收件人并附带分析报告作为附件。它通过 mcp.tool() 装饰器注册为 MCP 工具支持客户端自动调用发送邮件任务。执行流程如下读取发件邮箱配置从环境变量中读取 SMTP 服务器地址、端口、发件人邮箱和授权码。这些信息是发送邮件的基础如 smtp.163.com 和授权密码。拼接附件路径并检查是否存在程序会在默认的./sentiment_reports 文件夹中查找附件如果找不到文件就会提示失败。构造邮件内容创建邮件对象设置主题、正文、收件人等基本信息。添加附件将 Markdown 报告文件读取为二进制并以附件形式加入邮件中。连接 SMTP 服务器并发送邮件通过 SSL 安全连接登录邮箱服务器并发送邮件。如果发送成功会返回确认信息如果失败则返回错误说明。这个工具的作用非常关键它完成了整个舆情分析流程的“最后一步”将分析结果自动发给用户实现真正的自动化闭环。对于实际应用来说非常适合定时汇报、报告推送等场景。mcp.tool()asyncdefsend_email_with_attachment(to:str,subject:str,body:str,filename:str)-str: 发送带附件的邮件。 参数: to: 收件人邮箱地址 subject: 邮件标题 body: 邮件正文 filename (str): 保存的 Markdown 文件名不含路径 返回: 邮件发送状态说明 # 获取并配置 SMTP 相关信息smtp_serveros.getenv(SMTP_SERVER)# 例如 smtp.qq.comsmtp_portint(os.getenv(SMTP_PORT,465))sender_emailos.getenv(EMAIL_USER)sender_passos.getenv(EMAIL_PASS)# 获取附件文件的路径并进行检查是否存在full_pathos.path.abspath(os.path.join(./sentiment_reports,filename))ifnotos.path.exists(full_path):returnf❌ 附件路径无效未找到文件:{full_path}# 创建邮件并设置内容msgEmailMessage()msg[Subject]subject msg[From]sender_email msg[To]to msg.set_content(body)# 添加附件并发送邮件try:withopen(full_path,rb)asf:file_dataf.read()file_nameos.path.basename(full_path)msg.add_attachment(file_data,maintypeapplication,subtypeoctet-stream,filenamefile_name)exceptExceptionase:returnf❌ 附件读取失败:{str(e)}try:withsmtplib.SMTP_SSL(smtp_server,smtp_port)asserver:server.login(sender_email,sender_pass)server.send_message(msg)returnf✅ 邮件已成功发送给{to}附件路径:{full_path}exceptExceptionase:returnf❌ 邮件发送失败:{str(e)}如上便完成了主要内容的编写4、测试在运行的时候只需要运行client.py就可以运行整个项目了。结果显示已发送来到邮箱查看在邮箱中查看得知报告已经发送成功查看一下报告内容经验证是一份完整的报告