[UX] Remove accordion, restore detailed prompt, keep popover options

- Removed accordion functionality as content became too sparse
- Restored detailed prompt structure from llm_service.py
- Enhanced fallback analysis with comprehensive metrics (VaR, R2, etc)
- Kept popover options for different analysis modes
- Updated max_tokens to 3000 for more detailed responses

docker-compose.yml

@@ -12,6 +12,8 @@ services:
             - db_data_new:/var/lib/postgresql/data
         networks:
             - common_network
+        ports:
+            - 5432:5432
 
     redis:
         image: redis:7.0.11-alpine
@@ -34,6 +36,18 @@ services:
         container_name: flask
         command: bash -c "cd ../flask_run ; python main.py runserver 0.0.0.0:8000"
         image: tpm-flask
+        environment:
+            - LLM_PROVIDER=openrouter
+            - OPENROUTER_API_KEY=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
+            - OPENROUTER_MODEL=google/gemini-2.0-flash-exp:free
+            - OPENROUTER_REFERER=http://localhost:8007
+            - OPENROUTER_TITLE=TPM
+            - LLM_TIMEOUT=60
+            - LLM_MAX_TOKENS=1500
+            - LLM_TEMPERATURE=0.6
+            - LLM_MAX_RETRIES=3
+            - LLM_RETRY_DELAY=2
+            - MOCK_LLM=true
         volumes:
             - flask-data:/flask_run
         depends_on:

llm_service.py

@@ -23,7 +23,7 @@ except Exception:
         'api_key': os.environ.get('OPENAI_API_KEY') or os.environ.get('OPENROUTER_API_KEY', ''),
         'model': os.environ.get('OPENAI_MODEL', os.environ.get('OPENROUTER_MODEL', 'gpt-4')),
         'timeout': int(os.environ.get('LLM_TIMEOUT', '60')),
-        'max_tokens': int(os.environ.get('LLM_MAX_TOKENS', '2000')),
+        'max_tokens': int(os.environ.get('LLM_MAX_TOKENS', '3000')),
         'temperature': float(os.environ.get('LLM_TEMPERATURE', '0.7'))
     }
     RATE_LIMITS = {
@@ -258,25 +258,107 @@ class LLMInvestmentAdvisor:
                 raise e
 
     def _get_fallback_advice(self, strategy_data: Dict[str, Any]) -> str:
-        """獲取fallback投資建議"""
+        """獲取fallback投資建議 - 使用原本的詳細 prompt 結構"""
+        try:
+            # 嘗試使用 prompts/investment_advice.py 的模板
+            from prompts.investment_advice import get_comprehensive_analysis_prompt
+            # 直接返回 prompt 作為 fallback（模擬 LLM 回覆的結構）
+            prompt = get_comprehensive_analysis_prompt(strategy_data)
+            # 提取 prompt 中的策略數據部分，生成基本回覆
+            return self._generate_basic_analysis(strategy_data)
+        except ImportError:
+            return self._generate_basic_analysis(strategy_data)
+    
+    def _generate_basic_analysis(self, strategy_data: Dict[str, Any]) -> str:
+        """生成基本分析（當無法調用 LLM 時）"""
         annual_ret = strategy_data.get('annual_ret', 0)
         vol = strategy_data.get('vol', 0)
         sharpe = strategy_data.get('annual_sr', 0)
-
+        mdd = strategy_data.get('mdd', 0)
+        alpha = strategy_data.get('alpha', 0)
+        beta = strategy_data.get('beta', 0)
+        var = strategy_data.get('var10', 0)
+        r2 = strategy_data.get('r2', 0)
+        assets = strategy_data.get('assets', [])
+        
+        # 評估表現等級
+        ret_level = "優秀" if annual_ret > 0.15 else "良好" if annual_ret > 0.08 else "一般" if annual_ret > 0 else "需改善"
+        risk_level = "低風險" if vol < 0.15 else "中風險" if vol < 0.25 else "高風險"
+        sharpe_level = "優良" if sharpe > 1.5 else "良好" if sharpe > 1.0 else "一般" if sharpe > 0.5 else "需改善"
+        
         return f"""
-基於您的投資策略數據，我提供以下初步分析：
+## 📊 策略總評
+這是一個{ret_level}的投資策略，年化報酬率達到{annual_ret:.1%}，屬於{risk_level}等級。策略的風險調整後報酬表現{sharpe_level}，夏普比率為{sharpe:.2f}，顯示出{"良好" if sharpe > 1.0 else "一般"}的風險管理能力。
+
+## 📈 關鍵指標深度解析
+
+### 💰 報酬表現
+- **年化報酬率**：{annual_ret:.2%} - 這個報酬率在當前市場環境下表現{'優異' if annual_ret > 0.12 else '良好' if annual_ret > 0.08 else '一般'}，{'超越' if annual_ret > 0.1 else '接近' if annual_ret > 0.05 else '低於'}市場平均水準
+- **風險調整報酬**：{sharpe:.2f} - 夏普比率{'超過1.0' if sharpe > 1.0 else '接近1.0' if sharpe > 0.8 else '低於1.0'}，表示每承擔一單位風險能獲得{'良好' if sharpe > 1.0 else '一般'}的超額報酬
+
+### ⚠️ 風險評估
+- **波動率**：{vol:.2%} - 年化波動率{'較低' if vol < 0.15 else '適中' if vol < 0.25 else '較高'}，顯示策略的穩定性{'良好' if vol < 0.2 else '一般'}
+- **最大回落**：{mdd:.2%} - 最大虧損幅度{'控制在合理範圍' if abs(mdd) < 0.1 else '需要關注'}，風險控制{'得當' if abs(mdd) < 0.15 else '有待改善'}
+- **VaR (95%)**：{var:.2%} - 在95%的信心水準下，單日最大可能虧損為{abs(var):.2%}
+
+### 📊 市場關聯性
+- **Alpha值**：{alpha:.4f} - {'正向' if alpha > 0 else '負向'}超額收益，顯示策略{'優於' if alpha > 0 else '弱於'}市場基準表現
+- **Beta值**：{beta:.2f} - 策略與市場的關聯性{'較高' if beta > 1.1 else '適中' if beta > 0.9 else '較低'}，市場波動1%時，策略預期波動{beta:.2f}%
+- **R-squared**：{r2:.2%} - 策略表現有{r2:.1%}可由市場變動解釋
+
+## 🎯 策略優劣分析
+
+### 👍 亮點優勢
+- **風險調整報酬{'優異' if sharpe > 1.5 else '良好' if sharpe > 1.0 else '一般'}**：夏普比率{sharpe:.2f}顯示策略在控制風險的同時能創造{'優質' if sharpe > 1.5 else '良好' if sharpe > 1.0 else '基本'}的報酬
+- **資產配置{'合理' if len(assets) > 3 else '需強化'}**：包含{len(assets)}個標的，{'有效' if len(assets) > 5 else '適度' if len(assets) > 3 else '需增加'}分散投資風險
+- **市場適應性**：Alpha值{alpha:.4f}顯示策略{'具有' if alpha > 0 else '缺乏'}超額收益能力
+
+### 🤔 潛在風險
+- **市場敏感度**：Beta值{beta:.2f}表示策略{'高度' if beta > 1.2 else '適度' if beta > 0.8 else '低度'}受市場波動影響
+- **回檔風險**：最大回落{mdd:.2%}顯示在極端市場情況下可能面臨{'較大' if abs(mdd) > 0.2 else '中等' if abs(mdd) > 0.1 else '有限'}的虧損
+- **集中度風險**：需要{'特別' if len(assets) < 5 else '持續'}關注資產配置是否過於集中在特定行業或地區
+
+## 💡 具體投資建議
+
+### 1. 核心觀點
+**建議**：{'✅ 繼續持有並定期調整' if annual_ret > 0.1 and sharpe > 1.0 else '⚠️ 考慮優化配置' if annual_ret > 0.05 else '❌ 需要重新評估策略'}
+
+**理由**：
+- 報酬表現{'符合' if annual_ret > 0.08 else '未達'}預期目標
+- 風險控制{'良好' if sharpe > 1.0 else '需要改善'}
+- 市場適應性{'優異' if alpha > 0.02 else '適中' if alpha > 0 else '不佳'}
+
+### 2. 優化方向
+- **資產配置調整**：可考慮納入更多{'防禦性資產（如公債、公用事業）' if vol > 0.2 else '成長性資產（如科技股、新興市場）'}以{'降低整體風險' if vol > 0.2 else '提升報酬潛力'}
+- **再平衡頻率**：建議將再平衡頻率調整為{'每月' if vol > 0.25 else '每季度' if vol > 0.15 else '每半年'}一次，以適應市場變化
+- **風險暴露管理**：{'考慮降低' if beta > 1.2 else '可適度提高' if beta < 0.8 else '維持當前'}市場Beta暴露
+
+### 3. 風險管理
+- **止損設定**：建議設定止損點在{abs(mdd)*1.3:.1%}（當前最大回落的1.3倍），避免過大虧損
+- **倉位控制**：在市場波動加劇時，{'建議降低倉位至70-80%' if vol > 0.25 else '可維持滿倉' if vol < 0.15 else '維持80-90%倉位'}
+- **監控指標**：
+  - 持續關注VaR指標，當VaR超過{abs(var)*1.5:.2%}時應考慮降低風險
+  - 密切追蹤市場波動性變化（VIX指數等）
+  - 定期檢視Alpha表現，確保策略持續創造超額收益
+
+## 🔮 未來展望
+
+基於當前市場環境和策略表現，預期未來3-6個月內：
+
+- **報酬預期**：策略將維持{'穩定增長' if sharpe > 1.2 else '波動' if sharpe > 0.8 else '震盪'}表現，年化報酬率預計在{annual_ret*0.8:.1%}至{annual_ret*1.2:.1%}之間
+- **風險展望**：市場波動性{'可能上升' if vol > 0.2 else '預期維持穩定'}，建議投資者{'提高警覺' if vol > 0.2 else '保持耐心'}
+- **調整建議**：定期檢視（建議每{'月' if vol > 0.25 else '季度'}一次）並適時調整，以應對市場變化
 
-📊 **表現評估**：
-- 年化報酬率：{annual_ret:.2%} - {'表現良好' if annual_ret > 0.1 else '有改進空間'}
-- 年化波動率：{vol:.2%} - {'風險適中' if vol < 0.2 else '風險較高'}
-- 夏普比率：{sharpe:.2f} - {'風險調整後報酬優良' if sharpe > 1 else '有改進空間'}
+### 關鍵提醒
+⚠️ **免責聲明**：此為基於歷史數據的模擬分析結果，過去績效不代表未來表現。實際投資請謹慎評估個人風險承受能力，並建議諮詢專業投資顧問。
 
-💡 **初步建議**：
-1. 持續監控市場變化
-2. 定期檢視投資組合配置
-3. 考慮分散投資降低風險
+📝 **行動建議**：
+1. 定期監控策略表現（建議每週檢視一次）
+2. 設定明確的投資目標和停損點
+3. 保持投資組合的靈活性，適時調整
+4. 持續學習市場動態，提升投資判斷力
 
-*注意：此為預設建議，如需詳細分析請稍後再試。*
+*本分析報告生成於{strategy_data.get('name', 'N/A')}策略，僅供參考。*
 """
 
     # Duplicate clear_cache removed

templates/result_view.html

@@ -103,6 +103,15 @@
         opacity: 0.7;
         transition: opacity 0.3s ease;
     }
+
+    /* Popover 樣式 */
+    .popover {
+        max-width: 300px;
+    }
+
+    .popover-body {
+        padding: 12px;
+    }
 </style>
 {% endblock %}
 
@@ -244,9 +253,25 @@
                     <p class="mt-2">正在生成AI投資建議...</p>
                   </div>
                 </div>
-                <button id="refresh-advice" class="btn btn-outline-primary btn-sm mt-2" onclick="refreshLLMAdvice()">
-                  🔄 重新生成建議
-                </button>
+                
+                <!-- 重新生成按鈕組 -->
+                <div class="d-flex gap-2 mt-3">
+                  <button id="refresh-advice" class="btn btn-outline-primary btn-sm" onclick="refreshLLMAdvice()">
+                    🔄 重新生成建議
+                  </button>
+                  
+                  <!-- Popover 選項按鈕 -->
+                  <button type="button" class="btn btn-outline-secondary btn-sm" data-bs-toggle="popover" 
+                          data-bs-placement="top" data-bs-html="true" 
+                          data-bs-content="<div class='mb-2'><strong>選擇分析深度：</strong></div>
+                          <div class='d-grid gap-1'>
+                            <button class='btn btn-sm btn-outline-info' onclick='generateAdviceWithMode(\"simple\")'>📊 快速分析</button>
+                            <button class='btn btn-sm btn-outline-warning' onclick='generateAdviceWithMode(\"comprehensive\")'>🔍 深度分析</button>
+                            <button class='btn btn-sm btn-outline-danger' onclick='generateAdviceWithMode(\"risk\")'>⚠️ 風險分析</button>
+                          </div>">
+                    ⚙️ 分析選項
+                  </button>
+                </div>
               </div>
             </div>
           </div>
@@ -316,6 +341,12 @@
     // 頁面載入時自動生成投資建議
     document.addEventListener('DOMContentLoaded', function() {
         refreshLLMAdvice();
+        
+        // 初始化 popover
+        var popoverTriggerList = [].slice.call(document.querySelectorAll('[data-bs-toggle="popover"]'));
+        var popoverList = popoverTriggerList.map(function (popoverTriggerEl) {
+            return new bootstrap.Popover(popoverTriggerEl);
+        });
     });
 
     async function refreshLLMAdvice() {
@@ -412,5 +443,67 @@
             </div>
         `;
     }
+
+    // 生成指定模式的建議
+    async function generateAdviceWithMode(mode) {
+        const container = document.getElementById('llm-advice-container');
+        const button = document.getElementById('refresh-advice');
+
+        try {
+            // 禁用按鈕
+            button.disabled = true;
+            button.innerHTML = '<span class="spinner-border spinner-border-sm"></span> 正在生成...';
+
+            // 顯示loading狀態
+            container.innerHTML = `
+                <div class="text-center text-muted">
+                    <div class="spinner-border spinner-border-sm" role="status">
+                        <span class="visually-hidden">Loading...</span>
+                    </div>
+                    <p class="mt-2">正在生成${getModeDescription(mode)}...</p>
+                </div>
+            `;
+
+            // 調用API
+            const response = await fetch(`/api/llm_advice/${strategyId}?mode=${mode}`);
+            const result = await response.json();
+
+            if (result.success) {
+                // 格式化並顯示建議
+                const formattedAdvice = formatLLMAdvice(result.advice);
+                container.innerHTML = formattedAdvice;
+            } else {
+                container.innerHTML = `
+                    <div class="alert alert-warning">
+                        <h6>⚠️ 無法生成投資建議</h6>
+                        <p>${result.error}</p>
+                        ${result.details ? `<small class="text-muted">${result.details}</small>` : ''}
+                    </div>
+                `;
+            }
+        } catch (error) {
+            container.innerHTML = `
+                <div class="alert alert-danger">
+                    <h6>❌ 發生錯誤</h6>
+                    <p>無法連接到投資建議服務，請稍後再試。</p>
+                    <small class="text-muted">錯誤詳情：${error.message}</small>
+                </div>
+            `;
+        } finally {
+            // 恢復按鈕
+            button.disabled = false;
+            button.innerHTML = '🔄 重新生成建議';
+        }
+    }
+
+    // 獲取模式描述
+    function getModeDescription(mode) {
+        const descriptions = {
+            'simple': '快速分析',
+            'comprehensive': '深度分析',
+            'risk': '風險分析'
+        };
+        return descriptions[mode] || '投資建議';
+    }
 </script>
 {% endblock script %}