Update app.py

app.py

@@ -5,7 +5,7 @@ from cluster_insight import cluster_and_visualize
 from qwen_api import call_qwen
 
 # ================== LLM 教学建议 ==================
-def generate_teaching_advice(sankey_fig, cluster_stats):
+def generate_teaching_advice1(sankey_fig, cluster_stats):
     prompt = """
 你是一名GIS实验教学专家，基于以下分析结果，生成教学优化方案：
 【桑基图分析】
@@ -34,7 +34,33 @@ def generate_teaching_advice(sankey_fig, cluster_stats):
     advice = call_qwen(prompt)
     return f"<pre style='background:#f8f9fa; padding:20px; border-radius:12px; white-space: pre-wrap; font-family: Microsoft YaHei; line-height:1.6;'>{advice}</pre>"
 
-# ================== 主分析函数 ==================
+# ================== LLM 教学建议---测试版 ==================
+def generate_teaching_advice(sankey_fig, cluster_stats):
+    # 临时替换LLM调用（30秒内必完成）
+    advice = """
+    # 教学优化方案
+    ## 1. 核心痛点
+    1. 核密度分析的搜索半径参数设置缺乏实操指导
+    2. 空间连接功能的应用场景与实操步骤脱节
+    3. 栅格计算器的公式编写逻辑讲解不清晰
+    
+    ## 2. 优化措施
+    1. 制作参数设置微课，结合案例演示不同场景下的取值标准
+    2. 增加空间连接功能的分步实操视频，配套场景化习题
+    3. 提供栅格计算器常用公式模板，附详细注释
+    
+    ## 3. 微课脚本
+    ### 标题：3分钟掌握核密度分析搜索半径设置
+    1. （0-30秒）明确搜索半径的核心作用：影响密度场平滑度
+    2. （30-90秒）演示城市POI数据的半径设置（500米）：工具位置→参数面板→取值依据
+    3. （90-180秒）对比不同半径效果（300米/500米/1000米），总结取值规律
+    
+    ## 4. 课后作业
+    基于提供的城市餐饮POI数据，分别设置300米、500米、1000米搜索半径，生成3张核密度图，分析不同半径对结果的影响并提交报告
+    """
+    return f"<pre style='background:#f8f9fa; padding:20px; border-radius:12px; white-space: pre-wrap; font-family: Microsoft YaHei; line-height:1.6;'>{advice}</pre>"
+
+    # ================== 主分析函数 ==================
 def analyze_report(file):
     if not file:
         return "请上传 Excel 文件", None, None, None