haibao-tts-cli/agents.md

# 项目规范与 AI 规范 (agents.md)

## 项目规范

### 代码风格
- 使用 Rust 官方代码风格（rustfmt）
- 所有公开 API 必须包含中文文档注释（///）
- 复杂逻辑必须包含行内中文注释
- 结构体、枚举、trait 使用 PascalCase 命名
- 变量、函数使用 snake_case 命名

### 架构设计
本项目采用 **面向对象 (OOP) + 设计模式** 架构：

1. **Builder 模式**：用于构建复杂的 API 请求对象
2. **Strategy 模式**：不同音色和音频格式的处理策略
3. **Singleton 模式**：全局配置管理器（确保配置只加载一次）
4. **封装**：每个模块负责单一职责，通过 pub 控制可见性

### 错误处理
- 使用 `anyhow::Result<T>` 作为统一返回类型
- 自定义错误类型（如需更精细控制）
- 退出码规范：
  - 0: 成功
  - 1: 参数错误
  - 2: 配置错误（如缺少 API Key）
  - 3: API 调用失败
  - 4: 文件操作失败

### 文档要求
- 每次，不管是从plan切换到build，还是开始生成代码，都必须先保存上下文到对应的文档，防止丢失操作记录
- 每次操作前必须更新对应文档
- 代码变更同步更新 changelog.md
- 踩坑记录及时写入【认知修正】章节

---

## AI 规范

### 沟通语言
- 全程使用中文与用户沟通
- 代码注释使用中文
- 文档使用中文编写

### 执行顺序
每次执行任何操作前，按以下顺序更新文档：
1. 更新 `taolun.md` - 记录本次对话要点
2. 更新 `agents.md` 的【认知修正】- 如有踩坑
3. 更新 `changelog.md` - 如有版本变更
4. 执行实际操作

---

## 认知修正（踩坑记录）

### 2026-04-24 - 项目初始化

#### 问题：Mimo-TTS API 文档无法直接访问
**现象**：使用 webfetch 工具访问 https://platform.xiaomimimo.com/docs/ 返回的内容不完整
**原因**：网站可能有反爬虫机制或需要 JavaScript 渲染
**解决方案**：通过 websearch 搜索相关内容，从第三方文档（如 DMXAPI、GitHub 项目）获取 API 详细信息
**经验**：对于无法直接抓取的文档，可以通过搜索引擎找到镜像或第三方整理的资料

#### 问题：API 认证需要双 Header
**现象**：标准的 OpenAI SDK 方式（仅使用 Authorization Bearer）可能无法正常工作
**原因**：Mimo-TTS API 要求同时提供 `api-key` 和 `Authorization: Bearer` 两个 Header
**解决方案**：在代码中同时设置两个 Header
**经验**：阅读 API 文档时要注意认证方式的特殊性，不能假设与标准 OpenAI API 完全一致

### 2026-04-25 - 守护进程功能开发

#### 问题：clap derive 模式参数传递
**现象**：`--port` 参数无法传递给 `daemon start` 子命令，报错"unexpected argument '--port' found"
**原因**：在 clap derive 模式中，父命令的参数需要在子命令之前使用，不能放在子命令之后
**解决方案**：修改 `DaemonCommand` 为独立结构体，`--port` 参数定义在父命令级别，使用正确的参数顺序
**正确用法**：`mimo-tts daemon --port 9876 start`
**错误用法**：`mimo-tts daemon start --port 9876`
**经验**：clap derive 模式中，参数位置很重要，父命令的参数应该在子命令之前

#### 问题：chrono 依赖缺失
**现象**：daemon.rs 中使用 `chrono::Local::now()` 但 Cargo.toml 未添加 chrono 依赖
**原因**：代码中使用了 chrono 库但忘记在 Cargo.toml 中添加依赖
**解决方案**：添加 `chrono = "0.4"` 到 Cargo.toml
**经验**：每次使用新的外部 crate 时，都要检查 Cargo.toml 中是否已添加对应依赖

#### 问题：style 参数与文本内标签的并存设计
**现象**：用户要求 style 参数作为宏观场景风格，同时文本内可以包含细粒度风格标签
**原因**：Mimo-TTS 官方文档支持两种方式：`<style>...</style>` 标签（宏观）和文本内 `[xxx]` 标签（细粒度）
**解决方案**：
  - style 参数：按官方文档转换为 `<style>...</style>` 标签放到文本开头
  - 文本内标签：保留原有逻辑（`[激动]` 等格式）
  - 两者可以并存，互不影响
**经验**：设计 API 时要考虑不同层次的需求，宏观参数和微观标签可以互相补充

#### 问题：daemon.rs 中日志截取文本导致 panic
**现象**：守护进程处理包含中文字符的长文本时 panic: "byte index 50 is not a char boundary; it is inside '嘴' (bytes 48..51)"
**原因**：使用 `text.len()` 获取字节长度，用 `text[..text.len().min(50)]` 按字节索引截取，中文字符占 3 字节，在字符中间截断
**解决方案**：`text.chars().take(50).collect::<String>()` 按字符截取
**经验**：处理多字节字符（中文）时，必须使用字符索引而非字节索引

### 2026-05-09 - 代码质量提升

#### 问题：HTTP 接口/实现不完整
**现象**：HTTP POST /synthesize 只返回"请求已接收"，未实际调用 TTS 合成
**原因**：HTTP 服务器运行在 `std::thread` 中，`process_tts_request` 是 async 函数，无法直接调用
**解决方案**：传递 `tokio::runtime::Handle` 到 HTTP 线程，使用 `handle.block_on()` 执行 async 调用
**经验**：跨线程调用 async 函数时，需要用 `Handle::current()` + `block_on()` 桥接

#### 问题：语气替换长短匹配冲突
**现象**：`...` 被 `.` 的替换误伤，变成 `。（停顿）。（停顿）。（停顿）`
**原因**：`.replace()` 按顺序执行，短匹配（`.`）先于长匹配（`...`）处理
**解决方案**：长模式（`...`/`……`）必须优先于短模式（`.`/`。`）
**经验**：字符串替换时始终让长匹配优先于短匹配

#### 问题：日志文件多线程并发写入
**现象**：HTTP 线程与 async 线程可能同时写入同一日志文件，导致内容交错
**原因**：`write_log` 在多个线程中独立打开文件句柄追加写入
**解决方案**：添加 `std::sync::Mutex<()>` 静态锁保护文件写入操作
**经验**：文件追加写入在多线程环境下仍需要同步

#### 问题：Windows PowerShell 测试效率
**现象**：测试守护进程时创建了多个 .ps1 临时文件，繁琐且不便管理
**原因**：不熟悉 PowerShell 命令的直接执行的方式
**解决方案**：
  - 使用 `mimo-tts daemon start -d --port XXXX` 后台启动守护进程
  - 使用 PowerShell 一条命令直接发送 TCP 请求测试：
    ```powershell
    powershell -Command "$c=New-Object System.Net.Sockets.TcpClient;$c.Connect('127.0.0.1',9888);$s=$c.GetStream();$w=New-Object System.IO.StreamWriter($s);$w.Write('{\"text\":\"中文文本\"}');$w.Flush();$w.Close();$c.Close()"
    ```
  - 无需创建 .ps1 临时文件
**经验**：Windows PowerShell 可以在命令行中直接执行，无需临时文件

### 2026-05-09 - 流式播放修复

#### 问题：流式播放没有声音（SSE 解析错误）
**现象**：守护进程 `send --stream` 和 CLI `--stream --play` 均无声音输出，但非流式正常
**原因**（双重）：
  1. SSE 结构体层级错误：`audio` 在 `choices[0].delta.audio.data`，原代码只在顶层找
  2. SSE 行分割问题：HTTP chunk 边界不对齐 `\n`，长 `data:` 行被切碎导致 serde_json 解析失败
**解决方案**：
  1. 创建 `SseChunk`/`SseChoice`/`SseDelta`/`SseAudio` 四层嵌套结构，匹配 OpenAI chat.completion.chunk 格式
  2. 添加 `line_buf` 行缓冲器：累积跨 chunk 的不完整行，遇到 `\n` 才取出处理
**经验**：
  - 对流式 HTTP 响应，永远不要假设 chunk 边界对齐消息边界，必须自己处理行缓冲
  - 调试无声音问题时，先分段验证：数据是否到达 → 数据是否正确解码 → sink 是否收到数据
  - 用 `--stream`（不带 `--play`）测试 JSON 响应路径 vs 用 curl 看 SSE 原始格式，能快速定位数据流断裂点