<SKYLER/>
Agent输出
Back to Blog
August 14, 2026(updated October 19, 2026)

🎗️Agent输出

方舟平台升级方案:飞书频道接入 + 任务适配层(对标 Syfo AI)

版本: v1.2(2026-08-14) 更新记录: v1.2 移除 Notion 集成(不需要);移除 A2A Bridge(Agent 间协作直接在群聊 @ 完成);技术栈确定为 Next.js 全栈;接口示例代码统一改为 TypeScript。 背景: 现有 Agent 管理平台,对标 Syfo AI(syfo.ai,人 × Agent 协作工作空间)升级。 核心策略: 公司全员基于飞书工作 → 飞书作为协作前端(Channel),平台作为后端中枢,同时保留自研 Web 看板/产物视图;任务体系通过适配层与飞书任务双向同步。 技术栈: Next.js 全栈(前端 + API 同仓,所有代码用 Next.js)


1. 目标与差异化

维度目标
产品形态从"Agent 管理后台"升级为"人-Agent 协作工作空间"
协作入口飞书群/私聊(@机器人触发),Web 端做看板/产物/配置
任务体系平台任务域 + 飞书任务双向同步(含 Agent 状态/进度/交付物回写)
协作方式群聊即协作:Agent 间直接在频道互相 @、接力任务,无需额外协议层

已实证结论(官方 SDK 源码,larksuite/oapi-sdk-python v2_main 分支):

接口路径token 类型
创建群POST /open-apis/im/v1/chatsUSER + TENANT
添加群成员POST /open-apis/im/v1/chats/:chat_id/membersUSER + TENANT
创建任务POST /open-apis/task/v2/tasksUSER + TENANT

2. 总体架构

┌──────────────────────────────────────────────────────────┐
│  入口层                                                  │
│  飞书(群/私聊/卡片/任务)      Web 端(看板/产物/管理)     │
├──────────────────────────────────────────────────────────┤
│  频道适配层 Channel Adapter Layer                        │
│  ┌──────────────┐ ┌──────────────────┐                     │
│  │ FeishuAdapter │ │WebAdapter(未来) │                     │
│  └──────────────┘ └──────────────────┘                     │
│  统一接口: 事件入站 / 消息出站 / 卡片 / 文件 / 群管理        │
├──────────────────────────────────────────────────────────┤
│  协作域: Message / Thread / Mention / 过滤器 / 审批        │
│  任务适配层 Task Adapter Layer                            │
│  ┌──────────────────────┐ ┌─────────────────────────┐    │
│  │ FeishuTaskAdapter    │ │ PlatformTaskBoard(自研)  │    │
│  └──────────────────────┘ └─────────────────────────┘    │
│  任务域: Task / TaskBoard / 状态机 / 同步引擎              │
│  产物域: Artifact / ArtifactVersion / 对象存储            │
│  运行时域: AgentRuntime / Trigger / Tool / MCP            │
├──────────────────────────────────────────────────────────┤
│  基础设施: Auth(飞书SSO) / Token管理 / 审计日志 / 权限      │
└──────────────────────────────────────────────────────────┘

三条核心设计原则:

  1. 消息中心化:任务、产物、审批全部挂在频道消息上(messages 表 + 类型 + 引用)
  2. 适配层隔离:飞书只是一次实现,核心域(协作/任务/产物)不感知任何外部平台
  3. 安全内置:危险操作(建群、拉人、发外部请求、发布)走"Agent 出确认卡 → 人批准 → 执行",全程审计

3. 频道适配层(Channel Adapter)

3.1 统一接口定义

interface ChannelAdapter {
  // ---- 入站 ----
  startListening(): Promise<void>;                        // 长连接/Webhook 启动
  normalizeEvent(raw: unknown): ChannelEvent;             // 原始事件 → 规范模型

  // ---- 出站 ----
  sendMessage(ch: ChannelRef, payload: MsgPayload): Promise<MsgRef>;
  sendCard(ch: ChannelRef, card: CardPayload, actions: CardAction[]): Promise<MsgRef>;
  uploadFile(ch: ChannelRef, file: FilePayload): Promise<FileRef>;

  // ---- 群管理(Agent 工具)----
  createChannel(name: string, members: string[], owner?: string): Promise<ChannelRef>;
  addMembers(ch: ChannelRef, members: string[]): Promise<void>;
  listMembers(ch: ChannelRef): Promise<string[]>;
}

interface ChannelEvent {           // 规范化消息模型
  eventId: string;                 // 去重键
  channelRef: ChannelRef;
  sender: Sender;                  // { type: 'user' | 'bot' | 'system', externalId }
  mentions: string[];              // 被 @ 的成员 externalId
  msgType: 'text' | 'image' | 'file' | 'post' | 'card_action';
  content: Record<string, unknown>;
  raw: Record<string, unknown>;    // 原始 payload,审计用
}

3.2 FeishuAdapter 实现要点

入站(事件订阅,推荐 WebSocket 长连接模式,内网友好):

事件说明处理
im.message.receive_v1群/私聊消息,全量推送(不只 @)规范化 → 去重 → 过滤器 → 路由
card.action.trigger卡片按钮点击(审批确认/取消)规范化 → 审批服务 → 执行工具

@触发过滤器(关键策略):

  • 默认:仅当 mentions 包含机器人时才触发 Agent,其余消息忽略(落日志)
  • 可配置策略:频道级"全部响应"(值班 Agent)、关键词触发、时段控制
  • 过滤器位置:规范化之后、路由之前,纯平台逻辑,与飞书无关

去重/幂等:

  • 飞书事件会重试 → 以 event_id(事件)+ message_id(消息)双重去重
  • messages.external_msg_id 建唯一索引
  • Agent 触发前先查重,防止重复干活

出站:

  • 文本:im/v1/messages(receive_id_type=chat_id)
  • 富文本/文件:post 消息 / 上传文件 API
  • 交互卡片:任务进度卡、审批确认卡、产物交付卡(按钮回调走 card.action.trigger)

群管理工具(Agent Skill 注册):

工具接口token权限审批
创建群聊POST im/v1/chatsTENANT(默认)/USERim:chat✅ 建议
添加群成员POST im/v1/chats/:chat_id/membersTENANT(默认)/USERim:chat:manage✅ 建议
发消息POST im/v1/messagesTENANTim:message内容级策略
  • 建群参数(已实证):name description owner_id(指定真人群主) user_id_list(初始成员) bot_id_list,查询参数 set_bot_manager=true(机器人为群管理员)
  • 拉人:body id_list,查询参数 member_id_type succeed_type
  • 限制:应用身份只能操作通讯录可见范围内的用户(与 IT 确认应用可见范围配置)

3.3 Token 管理服务

class TokenService {
  async tenantToken(): Promise<string>;             // app_id+secret 换,缓存~2h,自动刷新
  async userToken(userId: string): Promise<string>; // OAuth 授权一次,存 refresh_token
}
  • 默认 tenant_access_token(应用身份):Agent 自动建群/拉人/发消息走这条,无需用户参与
  • user_access_token 按需(替用户执行、读用户私有数据时):OAuth 授权流程 + refresh token 轮换 + 按用户缓存
  • token 泄漏防护:token 只存后端、加密存储、按用户隔离

4. 任务适配层(Task Adapter)

4.1 统一接口定义

type TaskStatus = 'todo' | 'in_progress' | 'review' | 'done';

interface TaskAdapter {
  createTask(dto: TaskDTO): Promise<ExternalTaskRef>;
  updateTask(ref: ExternalTaskRef, patch: TaskPatch): Promise<void>;
  completeTask(ref: ExternalTaskRef): Promise<void>;
  setProgress(ref: ExternalTaskRef, status: TaskStatus, progress?: string, deliveries?: string[]): Promise<void>;
  normalizeTaskEvent(raw: unknown): TaskEvent;              // 飞书任务变更 → 平台事件
}

interface TaskDTO {
  title: string;
  description: string;
  assignees: string[];          // 平台用户ID
  due?: Date;                   // 截止时间
  board: string;                // 任务清单/看板
  status: TaskStatus;
  progress?: string;            // Agent 进度描述
  deliveries: string[];         // 交付物摘要
}

4.2 飞书任务映射(FeishuTaskAdapter)

字段映射表(基于 InputTask 模型实证):

平台任务飞书任务字段说明
titlesummary必填
descriptiondescription
duedue截止时间
assigneesmembers直接指派给员工
boardtasklists关联任务清单(看板列)
里程碑is_milestone
重复规则repeat_rule
Agent 状态agent_task_status飞书原生 Agent 字段
Agent 进度agent_task_progress飞书原生 Agent 字段
交付物text_deliveries飞书原生 Agent 字段
幂等client_token防重复创建

状态机映射:

平台飞书
todo未完成(可建在对应 tasklist)
in_progress未完成 + agent_task_status=进行中
review未完成 + agent_task_status=待验收 + 卡片提醒
done已完成(completed_at)

4.3 双向同步引擎

平台 → 飞书(出站):
  Agent/用户创建任务 → FeishuTaskAdapter.create_task → 飞书任务
  任务状态/进度变化 → update_task / set_progress(写 agent_task_progress)
  Agent 交付产物 → 摘要写 text_deliveries + 完整产物链到 Web 端

飞书 → 平台(入站):
  用户完成/修改飞书任务 → task 事件订阅 → TaskEvent → 平台任务更新
  (权限: 任务事件需申请对应订阅权限)
  • 冲突策略:平台为准(平台是 source of truth),飞书是协作入口;入站事件仅同步"完成/指派/截止时间"等有限字段,避免回环
  • 回环防护:出站更新时携带标记,入站事件中识别并忽略自己写的变化(或按 updated_by 区分)

5. 核心数据模型

-- 渠道绑定:平台频道 ↔ 外部频道
channel_bindings(id, platform_channel_id, adapter, external_chat_id, created_at)
  UNIQUE(adapter, external_chat_id)

-- 消息(中心实体)
messages(id, channel_id, thread_id NULL, msg_type, sender_type, sender_id,
         content JSONB, external_msg_id, event_id, created_at)
  UNIQUE(adapter, external_msg_id)          -- 去重

-- 任务
tasks(id, channel_id, board_id, title, description, status,
      assignee_type, assignee_id, due, progress, external_ref JSONB,
      client_token, created_at, updated_at)
task_boards(id, name, channel_id, settings JSONB)

-- 产物 + 版本(不可变)
artifacts(id, task_id NULL, producer_agent_id, type, storage_ref, created_at)
artifact_versions(artifact_id, version, content_hash, size, creator_id,
                  storage_ref, created_at)  -- 每次产出新版本,只读

-- 审批
approvals(id, tool_call_id, channel_id, requester, target_tool, payload JSONB,
          status, decided_by, decided_at)
audit_logs(id, actor_type, actor_id, action, target, detail JSONB, created_at)

6. Agent 间协作(群聊即协议)

  • Agent 间协作直接在频道消息中完成:互相 @、认领任务、接力推进,不引入独立的 A2A 协议层
  • 消息即协议:任务、上下文、交付物都在频道消息里流转,天然可审计、可回放
  • 对外互通暂不做;若未来需要接入外部 Agent 生态,再评估 MCP / 协议桥(P4 之后)

7. 分阶段实施路线

阶段内容预估验收标准
P0 打通飞书自建应用+权限申请;消息收发 echo;TokenService1-2 周群里 @机器人能收到回复
P1 频道化ChannelAdapter 抽象+FeishuAdapter;规范化+去重+@过滤器;审批卡;Web 任务看板 MVP3-6 周人-Agent 在飞书群完成一次完整任务闭环
P2 任务+产物TaskAdapter+飞书任务双向同步+Agent 字段回写;产物域+版本管理4-8 周任务在飞书与看板实时一致;产物可版本对比
P3 运行时应用部署预览沙箱;定时/事件触发;云端 7×24 运行;审计报表8-12 周Agent 可托管运行并交付可预览应用
P4 生态MCP 接入;更多渠道(企业微信/Slack);Agent 群协作深化持续多渠道消息互通稳定

P0 优先级最高的事项: 飞书管理员审批(权限 scope)、应用可见范围配置——这两项是外部依赖,先走流程。


8. 风险与注意事项

风险应对
权限审批周期长P0 就申请全部权限(im:chat、im:chat:manage、im:message、task 相关),一次到位
API 限流出站队列+退避重试;卡片/消息批量场景限速
长连接稳定性断线重连+事件补拉(或至少告警);事件按 message_id 幂等
数据合规消息入库需脱敏策略(密钥/敏感字段);审计日志留存;用户 token 加密存储
消息风暴@触发为默认,防 Agent 自我对话循环(同一 Agent 不响应自己的消息)
飞书任务事件权限P2 前置确认 task 事件订阅可用性与 scope

9. 待确认事项(需要你提供)

  1. 数据库 / 消息中间件 / 部署方式(是否 K8s)
  2. Agent 运行时现状:自研 runtime 还是现成框架?接的哪个 LLM?工具调用方式?
  3. 现有模块清单:用户/权限体系、会话存储、文件存储是否已有
  4. 团队规模与工期预期
  5. 飞书管理后台支持度:能否申请自建应用+权限、可见范围怎么配

确认后可将本方案细化为逐模块的落地实施计划(含接口签名、表结构 DDL、任务拆分)。

Agent 最优工具调用路径学习——记忆系统调研洞察(2026-08-18)

调研日期:2026-08-18 需求:从 agent 的执行记录中找出最优工具调用路径,让 agent 以最快时间完成任务 结论性质:仓库/论文信息均为 VERIFIED(GitHub API + arXiv API 实时查询);方法论评价为 ASSUMED(分析推断)

一、核心结论

  1. 不存在"装上一个就能自动找最优路径"的开源记忆系统 —— 这是当前研究前沿,也是平台级差异化机会。
  2. 传统记忆系统(Mem0 / Letta / Graphiti / Cognee)擅长"事实记忆"(用户偏好、上下文、知识),不提供路径优化逻辑。
  3. 需求本质 = 经验学习 / 过程记忆(learning from trajectories),最对口的学术方法是 AWM(Agent Workflow Memory)与 Voyager 技能库思想。
  4. 最实用架构 = 三层自研管线:记录层(Langfuse)→ 提炼层(评分 + LLM 抽象 workflow 模板)→ 复用层(向量检索 + few-shot / 模板匹配)。

二、第一梯队(需求对口,参考价值最高)

项目来源状态核心方法参考价值
AWM Agent Workflow MemoryCMU,arXiv:2409.07429,2024-09论文,无官方开源实现(GitHub 实测搜索确认)从历史轨迹提取常用子流程(workflow),抽象成带参数模板,新任务先匹配已学 workflow 引导行动★★★★★ 与需求几乎原文复述,方法清晰可复现
Voyager 技能库MineDojo/Voyager,MIT,⭐7.1k2024-04 停更成功轨迹 → LLM 抽象成可复用技能(带接口描述),任务越做越快★★★★ 方法论可改造为"工具调用路径技能"
ExpeL清华 LeapLabTHU/ExpeL,Apache-2.0,⭐2362024-12 更新从成功/失败经验提取"洞察"(insights),新任务自动套用★★★★ 完整开源代码,提取-注入流程可直接参考
Reflexionnoahshinn/reflexion,MIT,⭐3.2k,NeurIPS 20232025-01 更新失败后反思并写回记忆(verbal RL),管理"负路径"★★★ 与"最短路径"互补:知道坑在哪才不走弯路

三、第二梯队(2026 前沿论文,未成熟)

  • FlowBank(2026-06-09):Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse —— 预计算 + 复用工作流
  • VCE-Skill(2026-08-17):技能自进化,工具版本变化时自动修正旧技能 —— 生产环境实用性强
  • AgentHER(2026-03-22):Hindsight Experience Replay,把失败轨迹重标记为成功路径再训练 —— 反直觉但有效
  • ELITE(2026-03-25):经验学习 + 意图感知迁移,跨任务泛化
  • LatentGym(2026-06-13):跨任务经验学习的可控制测试台

四、工程底座(平台建设会用到)

  • Langfuse(Apache-2.0,⭐33.3k,活跃):开源 LLM 可观测平台,天然记录轨迹/工具调用/耗时/token 成本,带评分功能 —— 数据层来源
  • DSPy(MIT,⭐37.4k,活跃):声明式定义 agent 流程,自带自动优化器(BootstrapFewShot / MIPRO),可从轨迹自动学最佳示例
  • LangMem(MIT,⭐1.6k,活跃):LangChain 系记忆工具包,可做记忆提取
  • 自研 Postgres + JSONB 也可替代 Langfuse(存轨迹 JSON + 评分)

五、推荐架构(三层管线)

┌─ 记录层 ─────────────┐   ┌─ 提炼层 ──────────────┐   ┌─ 复用层 ─────────────┐
│ Langfuse / Postgres   │   │ 评分:成功率×耗时×成本   │   │ 新任务 → 向量检索相似  │
│ 记录:轨迹/工具序/耗时/  │ → │ 高分轨迹 → LLM 抽象     │ → │ 历史 → 注入最优轨迹    │
│ token 成本            │   │ workflow 模板(AWM 法)  │   │ few-shot / 模板匹配   │
└───────────────────────┘   └───────────────────────┘   └───────────────────────┘

落地节奏:

  • 第一版(数天):Langfuse 记录 + 评分排序 → 新任务检索相似轨迹 few-shot 注入
  • 第二版(护城河):AWM 式 workflow 模板提取 + 运行时匹配复用
  • 第三版:DSPy 自动优化 或 VCE-Skill 式技能自进化

六、证据清单

  • GitHub API 实时查询(2026-08-18):mem0ai/mem0 ⭐63.5k、letta-ai/letta ⭐24.3k、getzep/graphiti ⭐30k、topoteretes/cognee ⭐30.1k、MineDojo/Voyager ⭐7.1k、LeapLabTHU/ExpeL ⭐236、noahshinn/reflexion ⭐3.2k、langfuse/langfuse ⭐33.3k、stanfordnlp/dspy ⭐37.4k、langchain-ai/langmem ⭐1.6k
  • arXiv API 实时查询(2026-08-18):AWM arXiv:2409.07429、FlowBank 2026-06-09、VCE-Skill 2026-08-17、AgentHER 2026-03-22、ELITE 2026-03-25、LatentGym 2026-06-13
  • AWM 无官方实现:GitHub 仓库搜索实测为空

Amazon 智能广告系统 · 触发层与突变判定方案(v0.1)

目标:配置好目标之后系统自动跑。第一阶段用轮询起步。 本文只定两件事:怎么触发 Agent 运行、数值突变怎么判定。 不覆盖:广告层级/粒度设计(品线/model/campaign 另文讨论)、模型选型、报表字段字典。


1. 核心结论(TL;DR)

  1. 缺的不是"事件机制",是一个触发层。 亚马逊本身有推送能力(Marketing Stream / SP-API Notifications),只有广告报表 API 是拉取式(异步报表)。所以"没有事件"是伪命题,真问题是"没有统一的事件入口"。
  2. 换个抽象:不要问"怎么触发 Agent",要问"谁生产事件"。 调度器只是事件生产者之一,Agent 只订阅事件、不关心事件从哪来。以后接上官方推送,只是再加一个生产者,Agent 层不改。
  3. 廉价触发层(0 token)与昂贵决策层(LLM)必须分开。 十万个实体不可能每个都喂给模型;触发层的核心指标是误召率,不是召回率。
  4. 一条"突变" = 出目标带 AND 统计显著 AND 数据成熟 AND 不在冷却期。
  5. 判定门槛由动作的可逆性决定,不是全局一个数字。

2. 数据源与事件能力

来源推送能力内容用途置信度
Amazon Marketing Stream有,推送到 SQS 或 Kinesis Firehose小时级数据集:sp-traffic、sp-conversion、budget-usage、sd/sb-traffic、sb-clickstream、campaigns、adgroups、ads、targets;另有 sponsored-ads-campaign-diagnostics-recommendations、sp-budget-recommendations小时级效果 + 预算消耗 + 亚马逊自身的诊断建议VERIFIED(亚马逊官方参考实现 amzn/amazon-marketing-stream-examples)
SP-API Notifications有,走 EventBridge 或 SQS,支持 CEL 过滤表达式订单、Listing、库存等变化断货/掉购物车/listing 变更 → 立即停投VERIFIED(官方文档原文)
Ads 报表 API v3无推送(异步:请求 → 轮询状态 → 下载)全量历史每日批量落库经验一致

SP-API 官方原文:

  • “Instead of polling for information, your application can receive information directly from Amazon when an event generates a notification to which you are subscribed.”
  • “Build a backup mechanism … in the event of an unexpected outage or delay in notification delivery.”

→ 调度兜底必须永远保留,即使以后全量接了推送。


3. 触发层架构

3.1 事件生产者清单

生产者产生的事件频率第一阶段
调度器(兜底,必须有)data_window_closed每日 1 次上
异常检测器(纯代码)anomaly_detected15–60 分钟上
动作后置任务verify_due(T+24h / T+7d)延迟队列上
平台 / 人工goal_changed事件驱动上
Marketing Stream 消费者hourly_metrics_arrived、budget_pacing_abnormal每小时第二阶段
SP-API 通知消费者stockout、listing_changed事件驱动第二阶段

3.2 事件契约(关键字段)

event_id, event_type, entity_type, entity_id,
metric, window_start, window_end, revision,
observed, baseline, evidence, produced_by, produced_at,
dedup_key = entity_id + metric + window + revision

3.3 幂等与串行

  • 同一 revision 永不重复检测:数据回填会产生"同一天的第二个版本",必须用 revision 区分。
  • 同一实体同一时刻只允许一个决策在跑(per-entity 锁),否则两个 Agent 互相打架。
  • 动作落地必须整批一次提交,不允许中间态。

4. 轮询落地(第一阶段)

4.1 节奏:每个层级有自己的时间尺度

窗口频率判定内容允许动作
快窗每小时 / T+0花费、曝光、点击、预算消耗调预算、暂停(可逆)
慢窗每天(T-7 ~ T-1 已定型)ACOS / ROAS / CVR调出价、加否定词、结构调整
复盘每周 / 每月趋势、规则沉淀人工

4.2 数据成熟度(关键约束)

指标何时可用能否定型说明
曝光 / 点击 / 花费小时级可以快窗可用
订单 / 销售额T+1 起逐步回填不能,7–14 天才定型归因窗口
ACOS / ROAS / CVR依赖转化数据不能不可用于 T+0 判定

结论:快窗只判"钱",慢窗才判"效"。 不要用未定型的转化数据做决策。

4.3 一轮轮询的标准流程

  1. 拉取数据(报表 + 预算消耗)→ 落库,标 maturity(raw/partial/final)与 revision
  2. 更新目标偏离度(对照目标带)
  3. 跑检测器 → 生成候选事件
  4. 过五条件判定 → fired / suppressed(抑制原因必须落库)
  5. fired → 建 run 任务入队;无事件则静默退出(不花 token)
  6. Agent 消费:只处理异常池,输出结构化动作
  7. Guardrail 校验 → dry-run 或执行 → 写处置台账
  8. 建 verify_due 延迟任务 → T+7 回写结果

5. 突变判定

5.1 先分清两套坐标

概念定义例子
目标偏离偏离 KPI 目标ACOS 目标 25%,现在 32%
统计异常偏离该实体自身历史常态一直 10%,今天 18%

合成规则:

触发动作 = 出目标带 AND 统计显著 AND 数据成熟 AND 不在冷却期
只记事件 = 统计异常 但 未出目标带      (预警 / 抓机会,不动手)
定时复盘 = 长期偏出目标带 但 无突变     (结构性问题,走周级评审)

两个反例(最容易犯的错):

  • ACOS 从 10% 涨到 18%,统计上是巨大异常,但离 25% 目标还很远 → 触发就是白花钱。
  • 常年 ACOS 40% 的实体,永远不会"突变",但它才是真正该动的东西。

5.2 三个检测器(各治一种病,要一起上)

检测器治什么算法起点参数
基线稳健 z 分数突发尖峰 / 深坑用同星期几的近 4 周中位数做基线:z = 0.6745 × (x − median) / MADz 绝对值 ≥ 3.5
EWMA近期整体抬升S_t = α·x_t + (1−α)·S_(t−1),越过 ±3σ_Eα ≈ 0.2–0.3
CUSUM慢性漂移(最容易被漏)C⁺ = max(0, C⁺_(t−1) + x_t − μ − k),k = 0.5σh ≈ 4–5σ
  • 必须用 MAD,不用标准差:广告数据重尾,一次爆单就撑大 σ,之后再也检不出任何异常。
  • 必须上 CUSUM:阈值法只能抓"一天掉了 40%",抓不到"每天降 3%、连降 10 天"这类水平永久迁移(竞品降价、评价变差、listing 被改)——这是广告优化里最常见的真实问题。
  • 参数是 SPC 教科书通用起点值,必须用自己账号的历史数据回调。

5.3 五条件判定:凑齐才算事件

#条件判定为什么
1幅度超分位数阈值(P95 / P5)或稳健 z ≥ 3.5防噪声
2持续性小时级连续 2 窗,日级连续 3 天同向单点波动不改
3显著性近 30 天点击 < 10 只记录;订单数变化过泊松检验小样本的比例类指标毫无意义
4成熟度快窗只判即时指标,转化类等慢窗见 4.2
5可归因自己 24h 内动过手的实体 → 打"待观察",不触发否则 Agent 会自己触发自己 → 震荡

5.4 门槛由动作风险决定,不是全局一个数字

动作可逆性代价门槛
调预算 ±20%高(随时改回)小低:快窗 1 小时异常即可动
调出价 ±10%高小中:慢窗 1 天 + 持续 2 天
加否定词中中中高:慢窗 3 天
暂停 / 归档低(丢历史、要重新积累)大高:慢窗连续 3 天 + 人工确认

5.5 阈值校准三步法(不拍脑袋)

  1. Shadow mode 先跑 2–4 周:检测器全开,只记不报、不动手。
  2. 人工标注 top 100 真伪 → 算精确率 → 调阈值直到"每账号每天 3–10 条事件"。
  3. 持续看两个健康度:事件率稳定性(每天条数不能忽多忽少)、误报率。上线后每周回看。

5.6 记录什么(三张表)

表关键字段
时序值entity_type, entity_id, metric, window_start, window_end, value, n_samples, maturity(raw/partial/final), revision
事件event_id, entity, metric, detector, severity, baseline, observed, evidence, fired/suppressed, suppress_reason
处置台账event_id → action → executed_at → verify_due → outcome

三个要点:

  • baseline / observed / evidence 三件套必须一起存,否则事后无法复核"当时为什么触发"。
  • 被抑制的事件也要存(被冷却期挡的、样本量不够的、未成熟的)→ 这是后面调阈值的唯一依据。
  • 单实体一天最多一条聚合事件,防止 100 实体 × 24 小时 = 2400 条通知把人埋了。

5.7 坑清单

  • 别对"日比率"求平均:ACOS 必须 Σcost / Σsales,不是 mean(日 ACOS)。
  • 别用标准差(重尾吃异常),用 MAD / IQR。
  • 别漏掉"零":0 曝光、0 花费、0 订单是最强的信号,但 z 分数会把它吃掉 → 单独一条绝对值规则。
  • 别用同一个阈值管大实体小实体:量级差 100 倍,阈值必须按实体分位数自适应。
  • 检测窗口不能小于数据到达间隔:每天拉一次数据却做小时级检测 = 纯噪声。
  • 更高级的变化点检测(PELT / 贝叶斯在线变点)先别上,CUSUM 够用了。

6. 安全与兜底(起手默认值,需回测校正)

项起手默认值
同实体冷却24 小时
改动后观察窗3–7 天(学习期),只记录不决策
单次调价幅度≤ 30%
单次预算增幅≤ 20%
单实体每日结构改动≤ 1 次
样本量门槛近 30 天点击 < 10 不进入自动化池
上线路径dry-run → 灰度 → 全量
Agent 不可用降级到保守规则;什么都不做 > 乱动

7. 最小可跑版本(约两周)

  1. 每日定时拉报表 + 预算消耗 → 落库(含 maturity / revision)。
  2. 纯代码实现目标偏离 + 三个检测器,全开但只记不报。
  3. 建好时序表 / 事件表 / 抑制台账 / 处置台账。
  4. 跑满 2 周 shadow,用真实数据标定阈值。
  5. 放开快窗动作(调预算)→ 观察 1 周。
  6. 再放开慢窗动作(出价 / 否定词)。
  7. 最后接 Marketing Stream,替换掉部分轮询(此时 Agent 层不用改)。

8. 待定问题(Open Questions)

  • 广告层级 / 粒度设计(品线 / model / campaign)—— 另文讨论
  • 站点是否为独立预算维度
  • Marketing Stream 接入时点与工程成本
  • 学习期相关参数的账号级验证(建议与账号经理确认)

9. 证据与置信度

  • VERIFIED:Marketing Stream 的存在性、推送方式(SQS / Kinesis Firehose)与数据集清单(来源:亚马逊官方参考实现仓库 amzn/amazon-marketing-stream-examples);SP-API Notifications 的推送方式、CEL 过滤表达式、官方自带 backup 机制的建议(来源:亚马逊官方文档原文)。
  • 教科书通用值:稳健 z 阈值 3.5、EWMA α、CUSUM 的 k/h —— 来自 SPC 文献的通用起点,不是亚马逊文档数字,需用自己账号数据回调。
  • ASSUMED / 行业共识:改动会打断学习期、报告数据回填的具体天数 —— 需账号级验证。
  • 本文未核对:Ads API v3 具体字段可写性(如分时预算规则、portfolio 预算上限),以官方 API 文档实测为准。

生成:阿啸(Hermes Agent)· 2026-10-16

「跟·背·诵」中文口才练习 App — 产品方案 v0.1

本文是产品方案(PRD 骨架),不是代码实现文档。核心设计决策:三个功能模块彻底独立,共享一套素材库与记录底座,互不强制串联。


摘要(三十秒版)

  • 做什么:把赵玉平「跟、背、诵」15 分钟口才法,做成一个手机 App。三个模块各自独立可练、可记录、可分享、可单独统计成长。
  • 最大差异点:素材主体是用户自己的音频(自己的汇报录音、老板的讲话、自己的讲课),不是公共素材库。市面上的跟读产品全是英语、全是公共素材。
  • 为什么是三个模块而不是一条流水线:三招治的毛病不同(语感 / 内容 / 发声),用户的痛点也不同。强制串联会让只想练一项的人流失。功能分开是产品结构,不是教学法倒退。
  • MVP 只做三件事:三个模块各自的"练一次"闭环 + 一条练习记录 + 一张分享卡。不做社区广场、不做 AI 讲师、不做课程商城。
  • 验证方式:先自己连续用 21 天。自己练不下去,这个产品不成立,不用再往下投。

1. 一句话定位

「用你自己的声音当教材,练到敢开口、说得清。」

三个模块各管一件事:

模块一句话治什么
跟听着原声,滞后半秒跟着说语感、节奏、断句、嘴型(输入)
背只给关键词,把内容背出来内容储备、开场前 30 秒的本能化(内化)
诵出声朗读,看自己的音量与停顿音量、气息、吐字归音(输出)

2. 为什么现在做(机会与空位)

现有品类代表产品已覆盖缺口
英语跟读打分英语流利说、扇贝、配音秀逐句跟读 + 音准打分 + 打卡只有英语;不打分就没法玩;素材是公共的
中文朗读社交为你读诗、朗读亭、荔枝 FM录音、美化、分享偏文艺表演,不练"说话"
打卡社群工具小打卡、知识星球圈子、作业、排行榜没有练习工具本身,全靠自觉
线下演讲训练头马俱乐部、口才培训班真人反馈门槛高、频率低、不在手机上

空位判断:中文"职场口才"赛道里,没有一个把「听—背—说」做成日循环的工具型产品。英语跟读已经验证过"跟读 + 即时反馈"的留存模型,把这套机制移植到中文表达场景,是已验证模式的迁移,不是从零猜需求。

真正的护城河不是功能,是素材私有化:英语 App 的素材是公共版权内容,谁都能拿;你的素材是用户自己的工作音频,越用越厚,迁移成本极高。


3. 目标用户与场景

主用户(Persona A:本人)

  • 工作 8–10 年的技术/管理岗,带小团队,需要向上汇报、对外讲方案
  • 自评"吐词不清晰、怯场",不缺知识,缺开口的量和反馈
  • 每天能挤出的时间:通勤 20 分钟、睡前 15 分钟
  • 设备:手机 + 蓝牙耳机

次用户(Persona B:职场新人 / 销售 / 教师)

  • 需要背产品话术、讲课稿、面试自我介绍
  • 对"打分"敏感,需要可见的进步曲线

三个高频场景

  1. 通勤地铁上(跟):戴耳机,听一句跟一句,不需要看屏幕——这是唯一能在地铁做的模块。
  2. 睡前 10 分钟(背):只显示关键词,出声背一遍,回放听自己哪里卡。
  3. 早起或独处(诵):需要出声,环境要求最高,通常在家里。

场景差异是三个模块必须分开的第一性理由:**它们的使用环境、时长、单手可操作性完全不同。**把三个塞进一条强制流水线,等于要求用户每天在同一个地点待满 15 分钟。


4. 功能架构总览:三个独立模块 + 一个共享底座

┌───────────────  App  ───────────────┐
│  今日(三张并列卡,各自一键开始)    │
│                                      │
│  ┌──────┐   ┌──────┐   ┌──────┐     │
│  │ 跟   │   │ 背   │   │ 诵   │     │  ← 三个模块,独立入口
│  │跟读器│   │背诵卡│   │诵读台│     │
│  └──┬───┘   └──┬───┘   └──┬───┘     │
└─────┼──────────┼──────────┼─────────┘
      │          │          │
┌─────┴──────────┴──────────┴─────────┐
│           共享底座                   │
│  素材库 · 练习记录 · 音频存储         │
│  日目标环 · 小组 · 分享卡模板         │
└──────────────────────────────────────┘

模块独立性的四条硬规则

  1. 独立入口:首页三张卡并列,点哪张进哪张,不存在"必须先跟再背"。
  2. 独立判定:每个模块有自己的评价指标和达标线,互不换算成总分(避免"我背了 3 段所以跟读不用练"的错觉)。
  3. 独立成长:三个模块各有一条连续天数(streak)、各自的能力曲线、各自的成就徽章。
  4. 独立卸载:只做"背"的用户也能完整使用产品,不出现"请先完成跟读"的拦截。

共享只做三件事

  • 同一素材:一条素材在三个模块里有三种练法(素材详情页三个按钮)。
  • 同一个日环:当天任一模块练满 5 分钟即算"今日已练",日环按分钟累计。
  • 同一套记录与分享:一张时间轴,一张卡。

5. 模块一:跟(影子跟读)

目标

让用户在不看稿的情况下,把语流、节奏、断句"贴"到原声上。

入口

首页卡「跟」→ 直接进练习页(不做素材选择页,今日素材已按计划排好;另有"换一条"按钮)。

用户流程(一条主线,四次点击以内)

步骤界面说明
1耳机检查检测到未接耳机时提示"建议戴耳机"(不强制,影响对齐精度)
23 秒预备拍显示素材标题 + 时长,不显示全文(默认隐藏文稿,可手动开启)
3播放 + 录音原声先出声,用户滞后约半秒跟上;界面只有波形和倒计时,不给文字
4回放双轨波形叠加(原声灰、自己蓝)+ 一条"滞后曲线"
5结论卡一句人话:"平均滞后 0.6 秒,有 3 处抢拍,第 2 句跟丢了"

判定与反馈(v1 不接任何 AI 服务)

用能量包络互相关做时间对齐,不用语音识别:

  1. 两条音轨都按 20 ms 帧计算短时能量,得到两条包络曲线;
  2. 以 2 秒为窗口滑动,对每个窗口做互相关,取峰值位置 → 该窗口的滞后量 lag(t);
  3. 峰值相关系数低于阈值(建议 0.35)判定为"跟丢";
  4. 汇总三个指标:
指标定义达标参考
平均滞后mean(lag)0.3–0.7 秒为佳(太小=跟读器延迟,太大=听不懂)
抢拍率lag < 0 的窗口占比< 10%
跟丢次数相关系数低于阈值的窗口数单条 ≤ 2 次

这套算法的价值:不需要 ASR、不需要联网、不上传音频,纯本地计算,成本为零,且对"节奏"这件事的刻画比对字更准。

「跟」模块特有功能

  • 变速:0.8× / 1.0× / 1.2×(0.8× 用于第一次接触长句)
  • 循环一句:长按某句只循环这一句
  • 盲跟模式:完全不显示任何文字(默认)

MVP 做 / 不做

  • 做:双轨录音、双轨回放、滞后曲线、3 个指标、变速、换素材
  • 不做:逐字纠音、方言识别、AI 评分、跟读排行

6. 模块二:背(关键词背诵)

目标

把"自己领域内的内容"变成开口就能说的东西——不要求一字不差。

入口

首页卡「背」→ 素材卡列表(按"最近在背 / 快到复习日"排序)→ 点卡进练习。

用户流程

步骤界面说明
1读一遍显示全文 + 关键词高亮,30 秒
2关键词模式全文收起,只留 3–7 个关键词(可点击"偷看"一次,偷看留痕)
3出声背同时录音,倒计时按素材长度自动给
4回放播放自己的录音;候选(v2)显示逐字覆盖率
5自评三档顺 / 卡 / 断(Must,一秒钟点完)

判定

  • v1 只做自评:顺(一遍过)/ 卡(忘词但接上了)/ 断(中断重来)+ 是否偷看。
  • 复习节奏:连续 2 次「顺」→ 该素材自动进入 7 天后复习(简化版间隔重复,只做 3 档:1 天 / 3 天 / 7 天)。
  • v2 可选:ASR 覆盖率(关键词命中率),只做提示不做评分,避免"背错一个字就零分"的挫败感。

「背」模块特有的产品判断

  • 必须能建"自己的素材":这是与所有背诵 App 的分水岭。用户直接粘贴一段自己的汇报稿、填 3 个关键词,30 秒建卡。
  • 不提供"名篇背诵库"作为主路径:古诗文只作为兴趣副线,不进每日推荐。

7. 模块三:诵(出声诵读)

目标

练音量、气息、停顿——把"说得清、听得见"变成肌肉记忆。

入口

首页卡「诵」→ 今日篇目(短、韵脚密、气势足)→ 练习。

用户流程

步骤界面说明
1三动作热身口型夸张 30 秒 / 慢读一句 / 音量抬一号(固定引导,10 秒)
2全文朗读显示全文,大字排版,可开"节拍器"提示停顿
3波形回看音量曲线 + 停顿标记(> 0.8 秒的静音段) + 语速(字/分钟)
4自检清单三条打勾:吐字是否咬住字头 / 字尾有没有吞 / 音量是否比平时大一号
5与原声对比可选:播放同一篇目的标准音(若有)

判定指标

指标定义达标参考
平均音量录音 RMS 均值高于自己过去 7 天均值 = 进步
音量波动标准差过大=忽大忽小,过小=平淡
停顿次数> 0.8 秒静音段按篇目给参考区间,不做绝对评分
语速字数 / 有效发声时长慢读 120–160 字/分钟

「诵」的评价刻意不给百分制:朗读的美感不该被数字化,一旦打分用户就开始"刷分",练声的目的就丢了。


8. 模块之间的关系:可以合,但不许绑

允许的组合(不强制)

  • 素材贯通:同一条素材,素材详情页给三个按钮「跟这条 / 背这条 / 诵这条」。用户想一口气练完一次闭环,是可以的。
  • 推荐组合:系统按"本周建议配比"在今日页顶部给一句话,如"你连续 5 天只练了背,建议今天跟一条"(可忽略)。
  • 一键三连(可选开关):默认关闭。开启后按 跟 → 背 → 诵 顺序自动流转 15 分钟,适合周末有空时用。

禁止的设计(反面清单)

  • ❌ 必须先完成 A 才能用 B
  • ❌ 三招合成一个总分 / 一个等级
  • ❌ 只有走完三步才算"今日完成"
  • ❌ 统一入口强制用户先选素材

为什么这么设计

三招治三种病,用户往往只有一种病。把三件事绑成一件,等于把一个 5 分钟的低门槛动作,变成一个 15 分钟的高门槛动作——这是习惯类产品最典型的流失点。功能分开,是降低启动成本;共享底座,是保留体系感。


9. 素材系统

素材的两种来源

来源说明占比目标(v1)
自录/自传用户上传自己的录音、直接手机录音、粘贴文本60%
公共库新闻联播式短讯、评书片段、演讲片段、短篇名作40%

素材对象字段

字段类型说明
标题文本
类型音/文/音+文「跟」需要音频;「背」「诵」需要文本
时长秒跟读素材建议 30–90 秒
正文文本可空(纯音频素材)
关键词3–7 个「背」模块的核心,建素材时必填
标签多选汇报 / 销售 / 讲课 / 诗词 / 评书 / 新闻
难度1–3按语速与生僻度
来源公共 / 自录自录素材默认仅自己可见

建素材的成本控制

  • 从已有音频建:选文件 → 自动测时长 → 让用户手输 3 个关键词(30 秒完成)
  • 从文本建:粘贴 → 自动断句 → 用户挑关键词(高亮即可)
  • 不做自动转写(v1 不接 ASR),避免"上传后等一分钟"的体验断点

10. 记录与成长

三层记录

层展示内容
单次练习结果页指标、录音、自评、一句话结论
模块各模块首页顶部该模块的连续天数、本周次数、能力曲线(跟:滞后趋势;背:顺率;诵:音量/语速)
全局「我的」页日历热力图、总分钟数、三模块配比饼图

刻意不做的事

  • 不做"综合口才分"(伪量化,一旦做出用户就只想刷分)
  • 不做全站排行榜(口才不是竞技,且会让新手直接退出)

11. 分享与讨论

功能分开后,三个模块的分享内容也应该不同——这是"分享"这件事最容易被做错的地方(所有 App 都发同一张卡)。

模块分享卡内容分享到哪
跟双轨波形 + 平均滞后 0.5 秒小组 / 微信
背素材名 + 关键词 + 连续 12 天小组 / 微信
诵音量曲线 + 语速 + 一段 15 秒音频小组
全局日环 + 本周配比朋友圈 / 微信

讨论:只做小组,不做广场

  • 小组规模 3–5 人,邀请码加入,对应现实中"敢在彼此面前开口"的关系强度
  • 每人每天最多发 1 张卡 + 1 段音频(防刷屏,也让每次发布都有分量)
  • 互评只给标签不给分:稳 / 快 / 清楚 / 有进步(4 选 1)
  • 不做公开广场:冷启动期广场必然是空城,一个空 feed 会把新用户直接劝退

12. 信息架构与关键页面

Tab 1 今日    —— 三张并列卡(跟/背/诵)+ 日环 + 一句推荐
Tab 2 素材    —— 我的素材 / 公共库 / 建素材
Tab 3 记录    —— 日历热力图 + 时间轴
Tab 4 小组    —— 组内动态 + 互评
Tab 5 我的    —— 三条 streak / 三张能力曲线 / 设置

今日页的唯一定律

从打开 App 到开始第一句,不超过 2 次点击。 三张卡都是"点一下就开始",不做二级确认、不做时长选择、不做难度选择。


13. 数据模型(MVP)

-- 素材
material(
  id, user_id, title, type, source, duration_sec,
  text, keywords_json, tags_json, difficulty, audio_path, created_at
)

-- 练习记录(三模块共用一张表,用 module 区分)
practice_record(
  id, user_id, module,          -- 'follow' | 'recite' | 'chant'
  material_id, started_at, duration_sec,
  audio_path,                    -- 用户录音
  metrics_json,                  -- 各模块自己的指标
  self_score,                    -- 背/诵:顺/卡/断;跟:空
  peek_count,                    -- 背:偷看次数
  note
)

-- 指标结构示例
-- follow: {"lag_mean":0.6,"lag_std":0.18,"rush_rate":0.08,"drop_count":1}
-- recite: {"keyword_hit":0.83,"peek":1,"fluency":"顺"}
-- chant:  {"rms_mean":0.21,"rms_std":0.06,"pause_count":7,"cpm":138}

-- 日目标
daily_stat(user_id, date, total_min_sec, modules_done_json, streak_follow, streak_recite, streak_chant)

-- 小组
grp(id, name, invite_code, owner_id)
grp_member(group_id, user_id, role)
grp_post(id, group_id, user_id, record_id, card_image, audio_path, created_at)
grp_reaction(post_id, user_id, tag)

设计要点:三模块共用 practice_record 一张表,但 metrics_json 各自定义——表结构统一(便于时间轴和统计),指标语义分离(避免三招互相污染)。


14. 技术方案

建议技术栈

层选型理由
客户端Web 优先(PWA) • Capacitor 打包一套代码先在自己的手机上跑起来;音频会话受限时用 Capacitor 的原生插件补
音频Web Audio API + MediaRecorder;原生侧 AVAudioSession .playAndRecord边播边录必须显式设置音频会话,否则 iOS 会打断播放
信号处理Python/JS 自写能量包络互相关无依赖、可离线、成本为零
后端Supabase / 自建 Next.js + Postgres用户体系 + 存储 + 小组
存储录音本地优先,云端仅同步元数据隐私是这类产品的信任基础

唯一的真技术难点

耳机漏音导致对齐不准。 处理顺序:

  1. 引导戴耳机(漏音最小时的场景);
  2. 包络相关对轻度混音是鲁棒的(这正是选包络而非波形的原因);
  3. 相关系数过低时,不硬算指标,改为提示"这次录音质量不够,重来一次"——宁可说没测准,也不给假分数。

开发估时(单人,v0)

任务人日
素材库 + 建素材3
跟:录音/播放/对齐/回放8
背:卡片/关键词/自评/复习3
诵:录音/波形/指标3
记录 + 日历 + streak3
分享卡生成2
打磨与真机适配4
合计约 26 人日(3–4 周)

15. 指标体系

指标目标值说明
次日留存≥ 40%习惯产品生死线
7 日连续率≥ 25%撑过 7 天才可能到 30 天
周均练习天数≥ 4 天低于 3 天说明单次太重
模块分布无单一模块 > 75%反映"功能分开"是否真的有意义;若 90% 都在背,说明跟/诵的设计失败
跨模块迁移率≥ 30%用过一个模块的用户,30 天内尝试第二个
单模块周留存各 ≥ 50%分别看,不看合计

模块分布是这套设计的专属指标。功能分开如果最后所有人都只用一个模块,那不如把另外两个砍掉——这个数据要在 v1 之前就拿到。


16. 路线图与 MVP 范围

阶段时间范围验证目标
v0 自用3–4 周跟完整 + 背简版 + 诵简版 + 记录 + 分享卡(仅微信)自己连续 21 天不断。断了自己就别做了
v1 内测+4 周账号体系、小组(3–5 人)、素材上传、三模块数据看板50 人里 7 日连续率 ≥ 25%
v2 公开+8 周ASR 逐字反馈、公共素材库分区、复习算法升级次留 ≥ 40%
变现(再晚)用户过 1 万订阅 ¥12/月 或 ¥98/年付费率 ≥ 3%

MVP 明确不做

社区广场、评论、排行榜、AI 讲师、课程商城、多人语音房、多端云同步、付费墙。


17. 风险与对策

风险概率对策
自己都用不下去高v0 就是验证这件事。不要先做社交再验证习惯
录音隐私顾虑中本地优先,默认不上传;上传需显式勾选
三个模块都做成半成品中高v0 只让「跟」完整,「背」「诵」做到"能用不好看"
用户觉得"没有反馈"中每个模块的结论卡必须是一句人话,不是一堆指标
被大厂抄低抄不走的是用户自己的素材库与练习记录
冷启动没有讨论氛围高不做广场,只做小组;讨论发生在微信群里

18. 证据与置信度

结论等级依据
「跟、背、诵」三招及其要领(半秒滞后、不看稿、背自己领域、出声练嗓音)VERIFIED赵玉平 B 站 BV1pv411u7ZF 等多源一致,2026-10-14 已核原话
吐字归音框架(字头出字 / 字腹立字 / 字尾归音)VERIFIED播音发声教材通用框架
市面上无同类中文「三招」工具产品ASSUMED品类扫描 + 用户自查,未做完整应用商店普查
能量包络互相关可做滞后对齐ASSUMED(教科书方法)信号处理标准做法,本项目未实测;需在真机上验证耳机漏音下的鲁棒性
iOS 边播边录需显式音频会话设置VERIFIED(平台能力)AVAudioSession .playAndRecord • .allowBluetooth
留存基准值(次留 40%、7 日 25%)ASSUMED习惯类产品行业经验值,非本项目实测
开发估时 26 人日ASSUMED基于模块复杂度估算,不含设计与真机调优返工

19. 本文不覆盖

  • 逐字纠音 / 方言识别的算法选型(v2 另文)
  • 商业化与增长策略(等留存跑通再谈)
  • 素材版权与合规(公共素材需逐条确认授权)
  • UI 视觉设计与品牌(本文只定义信息架构与交互流程)