plan.txt

D1：CLI + 日志解析 + AST 提取
你是一个资深 Python 工具链工程师。请实现 `log2repro` 的 D1 核心模块：

1. `cli.py`: 使用 typer 实现 `log2repro run <input_path_or_text> [--model gpt-4o] [--dry-run]`
   - 支持 stdin、文件路径、字符串直接传入
   - 输出结构化 JSON 到 stdout 或保存为 `repro_context.json`

2. `parsers/base.py` & `parsers/stacktrace.py`:
   - 正则提取 traceback 核心段：文件名、行号、异常类型、关键变量名、调用链
   - 返回 Pydantic 模型 `ParsedTrace(file: str, line: int, error: str, context_vars: list[str], chain: list[str])`

3. `extractors/ast_parser.py`:
   - 使用 Python 内置 `ast` 模块解析指定源码文件
   - 提取：函数签名、import 语句、全局变量、类型注解
   - 过滤掉无关代码，只保留与 traceback 调用链相关的 AST 节点
   - 返回 `ASTContext(signature: str, imports: list[str], known_vars: dict)`

约束：
- 全量类型注解 + docstring
- 每个模块附带 pytest 单元测试（使用 `tests/fixtures/trace_sample.log`）
- 禁用网络请求，纯本地解析
- 输出完整文件内容，不要省略

D2：LLM Prompt 工程 + 代码生成
继续实现 D2：LLM 驱动的代码生成模块。

1. `generators/prompts.py`: 定义 3 个严格约束的 System Prompt：
   - 角色：Python 调试专家
   - 输入格式：ParsedTrace + ASTContext
   - 输出要求：必须包含 ① reproduce.py ② requirements.txt ③ mock_data.json
   - 强约束：禁止编造不存在的库/变量；使用标准库 mock；所有外部调用必须打桩；代码必须可独立运行

2. `generators/code_gen.py`:
   - 使用 litellm.completion() 调用模型
   - 支持 temperature=0.2, max_tokens=2000
   - 使用 Jinja2 渲染 prompt 模板，注入 AST 提取结果作为硬约束
   - 解析 LLM 返回的 Markdown 代码块，拆分为独立文件
   - 失败重试 2 次，记录 retry log

约束：
- 实现 `generate_repro_script(context: ReproContext) -> dict[str, str]`
- 附带 mock LLM 响应的单元测试
- 输出完整文件

D3：沙箱验证 + 自动修复 + 输出打包
实现 D3：沙箱执行验证与自动修复链路。

1. `validators/sandbox.py`:
   - 创建临时 venv，写入 requirements.txt 并 pip install
   - 使用 subprocess 运行 reproduce.py，设置 timeout=10s
   - 捕获 stdout/stderr/exit_code
   - 验证是否成功触发原始异常（或按预期 mock 返回）

2. `validators/auto_fix.py`:
   - 若沙箱报错（SyntaxError/ModuleNotFound/ImportError）：
     * 提取新报错信息
     * 将原代码+新报错喂回 LLM 要求局部修复
     * 最多重试 3 次，每次缩小修复范围
   - 若 3 次失败，降级为 --dry-run 模式并输出人工修复建议

3. CLI 整合：
   - `log2repro run` 最终输出：reproduce.py, requirements.txt, mock_data.json, README_repro.md
   - 支持 `--output-dir ./repro_out` 自动创建目录

约束：
- 沙箱禁用网络（通过环境变量/pytest-mock 模拟）
- 全链路结构化日志（使用 rich 或 logging）
- 输出完整文件，含测试用例


三、Sentry Webhook 自动化对接示例
让 log2repro 能无缝嵌入现有监控流，大幅提升项目实用性：
# .github/workflows/sentry-auto-repro.yml
name: Sentry Issue → Auto Repro
on:
  workflow_dispatch:
  schedule: [{cron: '*/30 * * * *'}]  # 实际可用 Sentry Webhook 触发

jobs:
  generate-repro:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Install log2repro
        run: pip install log2repro
      - name: Fetch New Sentry Issues
        uses: getsentry/action-fetch-issues@v1
        with:
          org: your-org
          project: your-project
          token: ${{ secrets.SENTRY_TOKEN }}
          output: sentry_issues.json
      - name: Generate Reproduction Scripts
        run: |
          cat sentry_issues.json | jq -c '.[]' | while read -r issue; do
            id=$(echo $issue | jq -r .id)
            echo "$issue" | log2repro run --model gpt-4o --output-dir repros/$id
          done
      - name: Commit & Create PR
        run: |
          git add repros/
          git commit -m "chore: auto-generate repro scripts for ${{ github.run_id }}"
          gh pr create --title "🔍 Auto Repro Scripts" --body "Generated by log2repro"
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}

定位话术（写入 README）：
log2repro 不替代 Sentry/Langfuse，而是它们的 Debug 加速器。Sentry 告诉你“哪里错了”，log2repro 直接给你“怎么在本地跑出来