# afsim-web

**Repository Path**: longkyo/afsim-web

## Basic Information

- **Project Name**: afsim-web
- **Description**: 基于 AI 的 AFSIM (Advanced Framework for Simulation, Integration and Modeling) 想定脚本自动生成、执行与分析平台。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-04-16
- **Last Updated**: 2026-05-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AFSIM 想定智能生成系统

基于 AI 的 AFSIM (Advanced Framework for Simulation, Integration and Modeling) 想定脚本自动生成、执行与分析平台。

## 功能特性

- **自然语言生成想定** — 输入"蓝方2架红方2架30000英尺空战10分钟"即可生成可运行的 AFSIM 脚本
- **独立场景文件夹** — 每个想定生成独立文件夹，包含脚本及所有模型依赖，可脱离项目独立运行
- **自动执行与修复** — 自动调用 mission.exe 执行仿真，失败时 AI 自动修复脚本，循环重试
- **仿真结果分析** — 自动解析 LOG/EVT/AER 输出文件，生成 JSON/HTML 格式的分析报告
- **多 AI 后端支持** — 支持 OpenAI、Ollama、自定义 API 等多种 AI 后端
- **Web 管理界面** — React 前端，提供想定生成、执行监控、结果分析、模型浏览等功能
- **自学习系统** — 教程知识注入、模型热加载、RAG 示例检索、生成反馈学习

## 自学习能力

系统内置知识驱动的自学习机制，随使用持续提升生成准确率：

| 能力 | 说明 |
|------|------|
| **教程知识注入** | 9 个 AFSIM 教程文件自动解析为知识片段，注入 LLM 系统提示，减少语法错误 |
| **模型热加载** | 新增模型文件到 `models/` 后自动检测，无需重启服务，自动提取武器/传感器/运动器元数据 |
| **自动别名生成** | 从模型文件名和类型名推断中英文别名（如 "蓝方先进战斗机" → `blue_adv_fighter_1`） |
| **RAG 示例检索** | 激活 `example_retriever`，从 demos/ 和历史成功脚本中检索相关示例辅助生成 |
| **幻觉类型学习** | 对比 LLM 原始输出和修正后脚本，自动学习新的类型名幻觉模式 |
| **生成反馈闭环** | 每次生成结果存入 SQLite，成功脚本回流到 RAG 库，形成持续改进循环 |

## 系统架构

```
wsf_ai_generate/
├── backend/                 # FastAPI 后端
│   ├── main.py             # 应用入口（启动时初始化 DB、教程提取、模型监控）
│   ├── config.py           # 配置管理
│   ├── api/scenarios.py    # REST API 接口（含知识库端点）
│   ├── tutorials/          # AFSIM 教程知识库（9 个 markdown 文件）
│   └── services/           # 核心业务逻辑
│       ├── ai_service.py        # AI 生成、后处理、教程知识注入、幻觉学习
│       ├── script_builder.py    # 模板引擎（降级方案）
│       ├── model_index.py       # 模型索引、热加载、元数据提取、自动别名
│       ├── model_watcher.py     # 模型文件变更监控（30秒轮询）
│       ├── database.py          # SQLite 持久化层（6 张表）
│       ├── tutorial_extractor.py # 教程知识提取器
│       ├── example_retriever.py # RAG 示例检索（demos + 成功脚本）
│       ├── scenario_packager.py # 场景打包器
│       ├── executor.py          # mission.exe 执行器
│       ├── analyzer.py          # 结果分析器
│       └── workflow.py          # 自动化工作流（含反馈采集）
├── frontend/                # React + Vite 前端
│   └── src/pages/
│       ├── Home.jsx              # 仪表盘（含知识统计）
│       ├── Generator.jsx         # 想定生成器
│       ├── Analysis.jsx          # 结果分析
│       ├── Models.jsx            # 模型浏览（含热加载按钮）
│       ├── Knowledge.jsx         # 知识库管理（教程/映射/历史）
│       ├── Monitor.jsx           # 执行监控
│       └── Settings.jsx          # 系统设置
├── models/                  # AFSIM 模型库
│   ├── platforms/           # 平台定义 (战斗机、预警机等)
│   ├── weapons/             # 武器定义 (空空导弹、防空导弹等)
│   ├── sensors/             # 传感器定义 (雷达、ESM等)
│   ├── rules/               # Brawler 行为规则
│   ├── processors/          # 处理器脚本
│   └── six_dof_types/       # 六自由度模型
└── output/                  # 生成的想定（运行时创建）
```

## 快速开始

### 环境要求

- Python 3.8+
- AFSIM 2.9.0 (含 mission.exe)
- Node.js 16+ (仅前端开发需要)

### 安装

```bash
# 克隆项目
git clone <repository-url>
cd wsf_ai_generate

# 安装 Python 依赖
pip install -r requirements.txt
```

### 配置

编辑 `backend/config.py` 中的关键配置：

```python
# AFSIM 路径
afsim.root_path = "d:\\project\\afsim-2.9.0-win64"
afsim.mission_exe = "d:\\project\\afsim-2.9.0-win64\\Release\\mission.exe"

# AI 后端
ai.provider = "custom"    # openai / ollama / custom
ai.api_key = "your-api-key"
ai.base_url = "https://your-api-endpoint"
ai.model = "model-name"
```

或通过 `.env` 文件配置（参考 `pydantic-settings` 文档）。

### 启动

**方式一：一键启动**
```bash
start.bat
```

**方式二：手动启动**
```bash
# 启动后端
python -m backend.main

# 前端开发（可选）
cd frontend
npm install
npm run dev
```

访问 http://localhost:8000 打开 Web 界面。

## 核心工作流

```
用户输入需求 → [RAG检索相关示例] → AI/模板生成脚本 → [注入教程知识到提示词]
                                                           ↓
                                                     后处理修正
                                                  （使用学习到的类型修正）
                                                           ↓
                                                    打包独立场景文件夹
                                                           ↓
                                                  复制 models 依赖
                                                           ↓
                                                执行 mission.exe
                                                           ↓
                                           成功 ←→ 失败 → AI 修复（注入错误知识）
                                                           ↓
                                                解析 LOG/EVT/AER
                                                           ↓
                                              生成 JSON/HTML 分析报告
                                                           ↓
                                    ┌──────────────────────────────────────┐
                                    │  保存生成历史到 SQLite                 │
                                    │  成功脚本 → RAG 库（反馈闭环）         │
                                    │  新幻觉类型 → learned_corrections      │
                                    └──────────────────────────────────────┘
```

### 场景文件夹结构

每个生成的想定是一个独立文件夹：

```
output/air_2v2_fighter_04171200_abc1/
├── scenario.txt              # 主想定脚本
├── platforms/                # 平台定义文件 (从 models/ 复制)
├── weapons/                  # 武器定义文件
├── sensors/                  # 传感器定义文件
├── rules/                    # 行为规则文件
├── processors/               # 处理器脚本
├── six_dof_types/            # 六自由度模型
├── prdata/                   # 编程数据
├── output/                   # 运行输出
│   ├── scenario.log          # 场景日志
│   ├── LOG.1                 # Brawler 详细日志
│   ├── scenario.aer          # 航迹数据
│   └── scenario.evt          # 事件数据
└── report/                   # 分析报告
    ├── report.json
    └── report.html
```

## 自学习数据库

系统使用 SQLite（`wsf_ai_generate.db`）存储学习数据，包含 6 张表：

| 表名 | 用途 |
|------|------|
| `generation_history` | 每次生成的完整记录（需求、脚本、执行结果、分析得分） |
| `learned_aliases` | 学习到的别名映射（用户输入 → 平台文件） |
| `learned_corrections` | LLM 幻觉类型修正（编造名 → 正确名） |
| `model_metadata` | 模型文件元数据缓存（武器、传感器、运动器） |
| `tutorial_knowledge` | 教程知识片段（58 条，按优先级注入提示） |
| `successful_scripts` | 成功脚本库（RAG 检索素材） |

## API 接口

### 想定管理

| 接口 | 方法 | 说明 |
|------|------|------|
| `/api/health` | GET | 健康检查 |
| `/api/scenarios/generate` | POST | AI 生成想定脚本 |
| `/api/scenarios/execute` | POST | 执行指定想定 |
| `/api/scenarios/analyze` | POST | 分析执行结果 |
| `/api/scenarios/auto-generate` | POST | 一键自动生成+执行+分析 |
| `/api/scenarios/list` | GET | 列出所有想定 |

### 模型管理

| 接口 | 方法 | 说明 |
|------|------|------|
| `/api/models/list` | GET | 列出可用模型 |
| `/api/models/refresh` | POST | 手动触发模型热加载 |
| `/api/models/platforms/meta` | GET | 获取平台元数据（武器/传感器/运动器） |

### 知识库

| 接口 | 方法 | 说明 |
|------|------|------|
| `/api/knowledge/stats` | GET | 知识库统计 |
| `/api/knowledge/tutorials` | GET | 查看教程知识片段 |
| `/api/knowledge/aliases` | GET | 查看别名映射（硬编码+学习到的） |
| `/api/knowledge/aliases` | POST | 手动添加别名映射 |
| `/api/knowledge/corrections` | GET | 查看 LLM 幻觉类型修正 |
| `/api/knowledge/history` | GET | 查询生成历史 |

完整 API 文档：http://localhost:8000/docs

## 使用示例

**生成 2v2 空战想定：**
```python
import httpx

response = httpx.post("http://localhost:8000/api/scenarios/auto-generate", json={
    "requirements": "蓝方2架，红方2架，30000英尺空战10分钟",
    "scenario_type": "air_combat"
})
result = response.json()
print(f"场景: {result['scenario_name']}")
print(f"成功: {result['success']}")
```

**生成 2v16 大规模空战：**
```python
response = httpx.post("http://localhost:8000/api/scenarios/auto-generate", json={
    "requirements": "2v16大规模空战，蓝方2架先进战斗机对抗红方16架",
    "scenario_type": "air_combat"
})
```

**查看知识库统计：**
```python
response = httpx.get("http://localhost:8000/api/knowledge/stats")
print(response.json())
# {"knowledge": {"tutorial_entries": 58, "learned_aliases": 0, ...}, "generation": {...}}
```

**手动触发模型热加载：**
```python
response = httpx.post("http://localhost:8000/api/models/refresh")
print(response.json())
# {"added": 2, "removed": 0, "total": 370}
```

## 支持的场景类型

- `air_combat` — 空战 (默认)
- `iads` — 防空系统
- `strike` — 打击
- `escort` — 护航
- `patrol` — 巡逻

## 技术栈

| 组件 | 技术 |
|------|------|
| 后端 | Python, FastAPI, Pydantic, SQLite |
| 前端 | React 18, Vite, Ant Design, Recharts |
| AI | OpenAI API 兼容接口 |
| 仿真 | AFSIM 2.9.0 (mission.exe) |
| 自学习 | SQLite, RAG, 教程知识注入, 幻觉模式学习 |

## License

Internal use only.