feat: Phase 2 - HINA Agent + Strategy Agent + classifier

hina/classifier.py

@@ -0,0 +1,120 @@
+"""
+HINA 程序分类器 — L1 关键字规则 + 确信度计算。
+
+通过 COBOL 源码中的关键字匹配进行程序分类，支持多级确信度判定。
+"""
+
+from __future__ import annotations
+
+from typing import Any
+
+# ── L1 规则 ──────────────────────────────────────────────────────────────
+# 格式: (分类名称, [关键字列表], 置信度阈值)
+L1_RULES: list[tuple[str, list[str], float]] = [
+    ("DB操作", ["EXEC SQL"], 0.95),
+    ("子程序调用", ["CALL", "LINKAGE SECTION"], 0.90),
+    ("IS INITIAL", ["IS INITIAL"], 0.99),
+    ("SYSIN", ["SYSIN"], 0.90),
+    ("编码转换", ["ALPHABETIC", "ASCII", "EBCDIC"], 0.85),
+    ("online", ["DFHCOMMAREA", "MAP"], 0.95),
+    ("SORT", ["SORT ON KEY"], 0.95),
+    ("MERGE", ["MERGE ON KEY"], 0.95),
+    ("编辑输出", ["WRITE AFTER", "WRITE BEFORE"], 0.80),
+    ("文件编成", ["ORGANIZATION IS"], 0.99),
+    ("替代索引", ["ALTERNATE RECORD KEY"], 0.99),
+]
+
+# ── 冲突解决规则 ─────────────────────────────────────────────────────────
+# 当 L1 匹配到多个分类时的消歧策略:
+#   value = "file_count"         → 取测试数更多的分类
+#   value = "has_accumulator"    → 取包含累加器的分类
+CONFLICT_RULES: dict[tuple[str, str], str] = {
+    ("マッチング", "キーブレイク"): "file_count",
+    ("編集処理", "項目チェック"): "file_count",
+    ("キーブレイク", "項目チェック(重複)"): "has_accumulator",
+}
+
+
+# ── 关键字检测 ───────────────────────────────────────────────────────────
+def detect_keyword(source: str) -> list[tuple[str, float, str]]:
+    """在 COBOL 源码中搜索 L1_RULES 定义的关键字，返回匹配结果。
+
+    Args:
+        source: COBOL 程序源码文本。
+
+    Returns:
+        list[tuple[str, float, str]]:
+            每个元素为 (分类名称, 置信度, 匹配到的关键字原文)。
+    """
+    results: list[tuple[str, float, str]] = []
+    source_upper = source.upper()
+
+    for category, keywords, confidence in L1_RULES:
+        for kw in keywords:
+            if kw in source_upper:
+                results.append((category, confidence, kw))
+                break  # 同一分类只记录一次
+
+    return results
+
+
+# ── 确信度计算 ───────────────────────────────────────────────────────────
+def compute_confidence(
+    source: str,
+    structure: dict[str, Any] | None = None,
+    llm_result: dict[str, Any] | None = None,
+) -> dict[str, Any]:
+    """计算程序分类的确信度。
+
+    优先级:
+      1. L1 关键字命中，且最高置信度 >= 0.90 → 直接返回 L1 结果。
+      2. LLM 结果存在 → 使用 LLM 的分类结果。
+      3. 否则 → 返回 unknown。
+
+    Args:
+        source: COBOL 程序源码文本。
+        structure: 可选的程序结构信息（暂未使用，保留扩展）。
+        llm_result: 可选的 LLM 分类结果。
+                    预期格式: {"category": str, "confidence": float, ...}
+
+    Returns:
+        dict:
+            - "category": str  — 分类名称或 "unknown"
+            - "confidence": float — 确信度 (0.0 ~ 1.0)
+            - "source": str    — 结果来源 ("l1" / "llm" / "unknown")
+            - "matches": list  — 匹配到的关键字详情
+    """
+    # ── 1. L1 关键字检测 ──
+    matches = detect_keyword(source)
+
+    # 找出最高置信度的 L1 匹配
+    if matches:
+        best = max(matches, key=lambda m: m[1])  # (category, confidence, keyword)
+        category, confidence, _ = best
+
+        if confidence >= 0.90:
+            return {
+                "category": category,
+                "confidence": confidence,
+                "source": "l1",
+                "matches": matches,
+            }
+
+    # ── 2. LLM 结果 ──
+    if llm_result is not None:
+        llm_category = llm_result.get("category", "unknown")
+        llm_confidence = llm_result.get("confidence", 0.0)
+        return {
+            "category": llm_category,
+            "confidence": llm_confidence,
+            "source": "llm",
+            "matches": matches,
+        }
+
+    # ── 3. 未知 ──
+    return {
+        "category": "unknown",
+        "confidence": 0.0,
+        "source": "unknown",
+        "matches": [],
+    }