SupplyAgent 代码仓库结构总结

1. 阅读基线

本文档完全基于当前代码仓库重新阅读后形成，不继承此前对项目的业务推演或可视化设计理解。

代码快照：

分支：feature/zhangbo
阅读时提交：2ab77ce
Python 要求：>= 3.11
后端：FastAPI + SQLAlchemy 2.x + PyMySQL
Agent：OpenRouter/OpenAI 兼容 API + 自研 Tool/Skill/ReAct 框架
数据源：ODPS（MaxCompute）
数据库：MySQL
对象存储：阿里云 OSS
前端：Vue 3 + TypeScript + Vite

.env 已被 .gitignore 忽略。本文不会记录其中的密码、密钥、数据库地址或 Token。

2. 当前项目的实际定位

当前 SupplyAgent 由两部分组成：

一套通用 AI Agent 运行框架；
一套围绕“需求词、全局分类树、热度、视频和需求生成”的业务系统。

业务系统当前主要完成：

从 ODPS 同步全局分类树和树下元素；
从 ODPS 同步多策略需求池；
将需求词挂到分类树节点；
汇总四项先验热度和真实 ROV/VOV；
把词级热度沿分类树向上聚合；
按单一热度维度生成并保存平台需求；
把需求词连接到真实视频和视频最终选题；
通过 API 和 Vue 页面展示分类树、热力图和下钻证据；
记录 Agent 完整执行过程，生成 HTML，上传 OSS 并在 MySQL 留档。

当前系统的核心业务链路是：

ODPS 全局分类与元素
        ↓
MySQL 全局分类树
        ↑
需求池词语 → 归类 Agent → 需求词挂靠
        ↓
四项先验 + 真实 ROV/VOV
        ↓
词级统计 → 分类树节点聚合 → 四维全局排名
        ↓
需求生成 Agent → generated_demand
        ↓
FastAPI → Vue 分类树/热力图/证据下钻

3. 仓库分层

SupplyAgent/
├── supply_agent/       通用 Agent 框架
├── agents/             业务 Agent 和专属工具
├── supply_infra/       MySQL、ODPS、OSS、定时任务
├── api/                FastAPI 查询接口和静态前端托管
├── web/                Vue 3 业务前端
├── jobs/               数据任务的手动 CLI 入口
├── scripts/            部署、日志上传、日志可视化脚本
├── visualization/      早期/独立的业务设计可视化材料
├── Dockerfile          前端构建 + Python 运行镜像
├── pyproject.toml      Python 包、依赖和命令入口
└── requirements.txt    另一份运行依赖清单

模块之间的依赖方向：

web
  ↓ HTTP
api
  ↓
supply_infra.db.repositories
  ↓
MySQL

agents
  ↓
supply_agent（Agent 框架）
  ↓
supply_infra（数据库/ODPS/OSS）

jobs / scheduler
  ↓
supply_infra.scheduler.jobs
  ↓
ODPS + MySQL + 业务 Agent

4. 通用 Agent 框架：`supply_agent/`

4.1 `supply_agent/config.py`

负责 Agent 侧配置：

OpenRouter API Key、模型和 Base URL；
Agent 最大迭代次数和温度；
Skills 目录；
日志目录和日志开关。

配置来自环境变量或项目根目录 .env，相对路径会解析到项目根目录。

4.2 `supply_agent/llm/client.py`

基于 OpenAI Python SDK 连接 OpenRouter，提供：

同步对话 chat；
异步对话 achat；
同步文本流 stream；
异步文本流 astream；
Tool Calling；
OpenRouter reasoning effort；
LLM 输入和输出日志。

模型可以在运行时切换。

4.3 `supply_agent/tools/`

base.py 提供：

@tool 装饰器；
从 Python 函数签名生成 JSON Schema；
Optional 和基础类型转换；
同步/异步工具执行；
异常转为 JSON 错误结果。

registry.py 提供：

工具注册、删除和查询；
OpenAI ToolDefinition 列表；
根据模型返回的工具名执行工具；
同步和异步执行；
批量注册被 @tool 装饰的函数。

4.4 `supply_agent/skills/`

Skill 机制读取指定目录下的 SKILL.md：

支持 YAML frontmatter 的名称和描述；
启动时把 Skill 目录作为目录索引加入系统提示词；
Agent 通过内置 load_skill 工具按需加载全文；
Skill 加载后会重建系统消息并注入当前上下文。

当前仓库根目录的 skills/ 被 .gitignore 忽略，因此代码支持 Skill，但仓库没有可随代码分发的业务 Skill 内容。

4.5 `supply_agent/agent/`

core.py 的 Agent 负责组装：

LLMClient；
ToolRegistry；
SkillRegistry；
AgentLoop；
AgentLogger。

对外提供：

run；
arun；
stream；
astream。

loop.py 实现标准 ReAct/Tool Calling 循环：

系统消息 + 对话历史
        ↓
调用 LLM
        ↓
有工具调用？──否──→ 返回最终结果
        │是
        ↓
执行工具并写入 Tool Message
        ↓
下一轮 LLM

达到最大迭代次数时，同步和普通异步运行会追加一条用户消息，要求模型给出当前最佳答案；流式路径则直接发出 Max iterations reached。

4.6 `supply_agent/logging/`

每次 Agent 运行生成：

人类可读 .log；
结构化 .jsonl。

日志记录：

run_start；
完整 LLM 输入；
模型输出和 reasoning；
工具调用参数和结果；
Skill 加载；
run_end。

运行结束后：

将日志渲染成 HTML；
上传 .log、.jsonl、.html 到 OSS；
把 HTML 公网地址写入 oss_logs；
上传失败只记录错误，不影响 Agent 主结果。

5. 三个业务 Agent

5.1 `demand_belong_category_agent`

目标：把需求词挂到真实存在的全局分类树节点。

工具：

query_global_tree_category：读取整棵树或指定子树；
batch_insert_demand_belong_category：批量写入需求词、分类 ID 和原因。

业务流程：

查看顶层分类；
选择最相关分支；
逐层下钻；
不确定时停在更可靠的上层节点；
将结果写入 demand_belong_category。

系统提示允许一个词选择一个或多个高置信节点，但当前数据库和写入工具以 name 唯一：

demand_belong_category.name 有唯一约束；
同一次请求也按 name 去重；
因此当前实现实际上只能保存“一词一个分类节点”；
多挂靠尚未在当前表结构中实现。

定时任务会把新需求词按 100 个一批交给该 Agent。

5.2 `generate_demand_agent`

目标：从分类树局部热度和已挂靠需求词中，按单一维度生成平台需求结果。

支持的来源维度只有四项先验：

ext_pop：外部热度；
plat_sust_pop：平台持续热度；
plat_ly_pop：平台去年同期热度；
recent_pop：近期热度。

一次运行只允许处理一个维度。

工具：

query_latest_biz_dt：取两张统计表都有数据的最新日期；
query_category_tree_by_dim：查看指定维度有数据的树；
query_category_leaves_by_dim：定位有数据的叶子节点；
query_demand_words_by_category：查询节点或子树下的真实需求词；
query_category_path：补充根到节点的路径；
batch_save_generated_demands：写入 generated_demand。

输出结构固定为：

source_dim
  └── overall_direction
        └── summary_event
              └── demand_name

重要约束：

demand_name 必须原样来自 demand_belong_category.name；
Agent 不能新造需求词；
summary_event 尽量对应一个需求，最多轻量合并 2～3 个强相关需求；
写入时保存类目、路径、维度 avg/count 快照、reason、业务日和 run_id；
同一次工具调用按 (source_dim, demand_name) 去重；
当前 generated_demand 没有数据库唯一约束，不同 run 可以重复生成相同需求。

真实 ROV/VOV 当前不属于该 Agent 的 source_dim，也没有参与其单维生成工具链。

5.3 `find_agent`

目标：根据需求词、参考视频标题和相关点，寻找老年受众更可能观看和分享的抖音视频。

当前注册的业务工具包括：

douyin_search：调用外部抖音关键词搜索服务；
douyin_search_tikhub：调用 TikHub 搜索并保留 search_id/backtrace 分页状态；
douyin_user_videos：按作者 sec_uid、排序和游标扩展历史作品；
douyin_detail：按 content_id 获取视频详情和可播放地址；
get_content_fans_portrait：获取视频点赞用户画像；
get_account_fans_portrait：获取作者粉丝画像；
batch_fetch_portraits：批量获取视频画像，并可同时获取作者画像；
normalize_age_portraits：标准化 50- 等年龄桶及双侧证据；
audit_video_discovery_process：结束前审计多词、翻页、扩展、证据和双池分流；
qwen_video_analyze：调用千问视频模型解析视频；
create_video_discovery_run：创建可追踪的找片运行；
record_video_search_page：保存 Agent 自主搜索词、扩展来源、游标与本页结果；
batch_save_video_candidate_evaluations：保存证据、评分并分为正式推荐/人工备选/淘汰；
query_video_discovery_state：查询搜索树和候选分池；
review_video_discovery_candidate：记录用户对推荐或备选的人工选择结果。

搜索和详情接口有约 10 秒的请求间隔限制。

Agent 以需求相关性、老年受众倾向和分享价值的联合目标做判断。系统提示明确区分 “分享量高”和“受众偏老”两类证据，使用视频点赞画像作为内容侧证据、作者粉丝画像作为账号先验，并对画像缺失或冲突降低置信度。搜索词由 Agent 根据需求、参考标题、相关点和途中发现的有效标签自主决定；支持多关键词、游标翻页和标签扩展。与需求无关但老年倾向、分享价值双高的视频保存在人工备选池。

搜索过程持久化到：

video_discovery_run：任务输入、意图、状态与计数；
video_discovery_search：逐关键词、逐游标页的搜索轨迹；
video_discovery_candidate：视频详情、双侧画像、标签、评分、分池与人工审核状态。

6. 基础设施：`supply_infra/`

6.1 配置

supply_infra/config.py 管理：

MySQL；
ODPS；
APScheduler；
阿里云 OSS；
Agent 日志上传开关。

配置文件固定从项目根目录 .env 读取，不依赖当前工作目录。

6.2 数据库会话

supply_infra/db/session.py：

懒加载全局 SQLAlchemy Engine；
使用连接池和 pool_pre_ping；
get_session() 自动提交；
异常时自动回滚；
init_db() 通过 ORM metadata 创建缺失表。

6.3 Repository 规则

业务 Agent、API 和定时任务原则上不直接执行 MySQL SQL，而是通过 Repository：

基础 CRUD；
批量插入；
insert ignore；
upsert；
条件查询；
批量更新。

ODPS 查询仍在 supply_infra/odps/client.py 内直接组织 SQL。

6.4 ODPS 客户端

当前读取的主要 ODPS 数据：

public_pattern_mining_category：全局分类；
pattern_mining_element：树下元素；
dwd_multi_demand_pool_di：多策略需求池；
dwd_topic_decode_result_di：视频解析和最终选题；
dwd_video_produce_plan_stat_hour：真实 ROV/VOV。

6.5 OSS 客户端

负责：

生成对象路径；
上传本地文件；
返回 CDN 公网地址。

7. MySQL 数据模型

当前 ORM 定义 10 张表。

表	作用	关键唯一性/关联
`global_tree_category`	全局分类树节点	`source_id` 唯一；`parent_id` 形成树
`global_tree_element`	ODPS 元素与分类挂靠	`(name, category_id)` 唯一
`multi_demand_pool_di`	按日同步的策略需求池	代码按 `(strategy, demand_id, biz_dt)` 管理差异
`demand_belong_category`	需求词归属分类	`name` 唯一；当前一词只能保存一个分类
`demand_belong_pool_rel`	需求词与需求池行的匹配边	`(demand_belong_category_id, multi_demand_pool_di_id)` 唯一
`demand_popularity_stats`	词级六维 avg/count	`(demand_category_id, biz_dt)` 唯一
`category_tree_weight`	分类树节点六维聚合和四维排名分	`(category_id, biz_dt)` 唯一
`multi_demand_video_detail`	视频标题与最终选题 JSON	`vid` 唯一
`generated_demand`	需求生成 Agent 输出	按 run_id 记录，无数据库唯一约束
`oss_logs`	Agent 日志 HTML 的 OSS 地址	按 agent_name 查询

7.1 关键关系

global_tree_category.id
  ├── global_tree_category.parent_id
  ├── global_tree_element.category_id
  ├── demand_belong_category.category_id
  ├── category_tree_weight.category_id
  └── generated_demand.category_id

demand_belong_category.id
  ├── demand_popularity_stats.demand_category_id
  ├── demand_belong_pool_rel.demand_belong_category_id
  └── generated_demand.demand_belong_id

multi_demand_pool_di.id
  └── demand_belong_pool_rel.multi_demand_pool_di_id

这些关联在 ORM 中主要以整数 ID 表达，没有使用 SQLAlchemy relationship，也没有显式数据库 ForeignKey。

8. 热度数据的真实代码口径

8.1 策略到四项先验的映射

代码把需求池策略映射为：

ODPS strategy	统计字段	页面含义
`新热事件`	`ext_pop`	外部热度
`逐月`	`plat_sust_pop`	平台持续热度
`去年同期阳历`	`plat_ly_pop`	去年同期热度
`去年同期阴历`	`plat_ly_pop`	去年同期热度
`当下供需gap`	`recent_pop`	近期热度

8.2 真实 ROV/VOV

从近 7 日 dwd_video_produce_plan_stat_hour 获取人工 AGC 和自动 AGC 数据：

ROV = 回流 UV / 分发曝光 PV；
VOV = 拉回曝光 PV / 分发曝光 PV；
同一特征值存在多行时，优先保留 rov_diff、vov_diff 较高的一行；
按特征值与 demand_name 精确匹配，回填 multi_demand_pool_di。

8.3 词级统计

对每个 demand_belong_category.name：

在当日 multi_demand_pool_di.demand_name 中执行子串 LIKE 匹配；
按策略收集非零 weight；
分别计算四项先验的 avg/count；
汇总匹配行的真实 ROV/VOV avg/count；
写入 demand_popularity_stats。

因此当前词与需求池的匹配核心是字符串包含关系，不是分词索引、向量匹配或显式语义关系。

8.4 分类树节点聚合

分类节点聚合六个独立维度：

外部热度；
平台持续热度；
去年同期热度；
近期热度；
真实 ROV；
真实 VOV。

每个节点统计其整个子树内有需求词挂靠的节点：

节点维度 avg = Σ(挂靠点 avg × count) / Σ(count)
节点维度 count = Σ(count)

结果写入 category_tree_weight。

8.5 四维排名分和全局热度

update_category_tree_rank_scores.py 只对四项先验排名：

各维只让 count > 0 的节点参与；
按 avg 降序排名；
同分取平均名次；
映射到 (0, 1]；
无数据节点为 0；
total_score 是四个排名分直接相加，范围 [0, 4]。

真实 ROV/VOV 会被聚合并通过 API 返回，但当前不进入 total_score。

前端显示“全局热度”时再使用 total_score / 4 映射为 0～1 色阶。

单一维度热度则由前端根据该维所有有数据节点的 avg 做百分位色阶，不直接使用数据库中的四维 rank score 字段。

9. 定时任务和数据流水线

9.1 已注册的两个定时任务

supply_infra/scheduler/app.py 当前只注册：

每天 02:30：同步昨天的全局树和元素；
每天 12:00：同步当天的策略需求池并执行后续完整流水线。

时区来自 SCHEDULER_TIMEZONE。

9.2 全局树同步

sync_global_tree_odps_to_mysql：

拉取有效元素；
拉取全部分类；
从元素命中的分类向上补齐祖先；
按 ODPS source_id 去重；
已有分类保持不变，只插入新分类；
给新分类分配 MySQL ID 并转换 parent_id；
写入元素及其 MySQL category_id。

该任务是增量插入，不会根据 ODPS 当前状态自动删除或更新历史分类。

9.3 策略需求池完整流水线

sync_multi_demand_pool_odps_to_mysql 实际执行顺序：

比较 ODPS 与 MySQL 当日去重行数；
行数不同时执行差异同步；
对当日所有 demand_name 按空格拆词；
调用归类 Agent 处理未出现过的新词；
建立需求词与需求池的子串匹配边，并回填词级 video_list；
获取并回填近 7 日真实 ROV/VOV；
计算词级六维 avg/count；
计算整棵分类树六维聚合；
计算四项先验全局排名分和 total_score；
同步全部待处理视频的标题和最终选题。

当前有一个同步判断风险：只要 ODPS 和 MySQL 行数相同，就跳过需求池差异拉取；如果内容发生变化但总行数不变，该轮不会发现这些变化。

9.4 手动任务入口

jobs/ 提供：

初始化数据库；
启动 Scheduler；
单独同步需求池视频；
回填视频列表和标题；
单独计算词级热度；
单独计算树节点权重；
单独计算四维排名；
单独同步需求词与需求池关系。

10. FastAPI：`api/`

服务端口：8080。

接口	作用
`GET /health`	健康检查
`GET /api/category-tree?biz_dt=YYYYMMDD`	返回嵌套分类树、六维 avg/count、total_score 和挂靠词数
`GET /api/demand-belong-category`	返回所有有效需求词挂靠
`GET /api/demand-belong-category/{id}/videos`	返回需求词关联的视频标题和最终选题 JSON
`GET /api/demand-belong-oss-logs`	返回归类 Agent 的 OSS 日志列表

如果 web/dist 存在，FastAPI 会把它挂到 /，同一个 8080 服务同时提供 API 和生产前端。

API 当前是同步 SQLAlchemy 查询，没有分页、鉴权或缓存。

11. Vue 前端：`web/`

11.1 路由

路由	页面
`/`	平台全局需求地图
`/demand-tree`	传统横向分类树
`/demand-process`	需求归类 Agent 日志
`/demand-map`	重定向到 `/`

当前顶部导航只显示“平台全局需求地图”，另外两个页面有路由但没有导航入口。

11.2 平台全局需求地图

GlobalDemandMapView.vue 并行读取：

完整分类树和热度；
全部需求词挂靠。

IcicleHeatTree.vue 使用 Canvas 绘制从左到右的冰柱树：

每层固定 200px 宽；
全局状态适配视口高度；
选择层级或聚焦节点后按可读高度纵向扩展；
最大逻辑画布高度 24000px；
实际 Canvas 始终只有视口大小，只绘制可见区域；
普通滚轮滚动；
拖拽平移；
Ctrl/Command + 滚轮 缩放；
点击节点聚焦子树；
支持层级起点和祖先面包屑。

热力标签：

全局树结构；
全局热度 total_score；
外部热度；
平台持续热度；
去年同期热度；
近期热度。

API 虽然返回真实 ROV/VOV，但当前冰柱图标签没有提供真实 ROV/VOV 的独立切换入口。

11.3 节点证据下钻

分类节点存在需求词时显示搜索标识。点击后通过 DemandPathPanel.vue 展开：

当前分类节点
  → 细节元素/需求词
  → 真实视频实例
  → 最终选题 JSON

这里展示的是 demand_belong_category 需求词，不是 generated_demand 中由生成 Agent 产出的四层平台需求。

当前前端没有读取或展示 generated_demand 的 API。

11.4 传统分类树页面

CategoryTree.vue 使用 Vue DOM 递归组件展示：

默认展开 3 层；
支持选择展开深度；
支持手动展开和收起；
支持按维度过滤有数据的节点；
支持拖动画布；
支持导出包含数据的独立 HTML；
同样可以下钻需求词、视频和最终选题。

11.5 需求归类过程页面

读取 demand_belong_category_agent 的 oss_logs，按时间倒序显示，点击打开 Agent 运行过程 HTML。

12. 部署和运行

12.1 Python 命令入口

pyproject.toml 注册：

supply-api；
supply-scheduler；
supply-visualize。

12.2 本地开发

后端：

python -m api

前端：

cd web
npm install
npm run dev

Vite 在 5173，将 /api 代理到 127.0.0.1:8080。

12.3 Docker

Docker 使用两阶段构建：

Node 20 构建 Vue；
Python 3.11 安装项目和 ODPS 可选依赖；
把 web/dist 放入 Python 镜像；
通过 python -m api 启动 8080。

scripts/docker-deploy.sh 可以构建并向指定镜像仓库推送时间戳标签和 latest。

13. 当前代码已经实现的能力

通用同步/异步 Agent 和 Tool Calling；
动态 Skill 加载机制；
三个业务 Agent；
全量 Agent 日志和 OSS 发布；
ODPS 到 MySQL 的全局树同步；
多策略需求池增量同步；
新词自动归类；
需求词与需求池匹配边；
真实 ROV/VOV 回填；
词级六维统计；
分类树六维向上聚合；
四项先验排名和 total_score；
单维度平台需求生成与落库；
视频标题和最终选题同步；
FastAPI 查询接口；
Vue 全局冰柱热力图；
分类节点到需求词、视频和最终选题的下钻；
Docker 构建和部署脚本。

14. 当前代码未完成或存在偏差的部分

14.1 需求多挂靠尚未实现

demand_belong_category.name 唯一，当前一个需求词只能保存一个 category_id。系统提示中的“一词多个节点”无法真实落库。

14.2 `generated_demand` 未进入产品展示

需求生成 Agent 已能写 generated_demand，但：

没有对应 API；
前端没有需求清单；
没有与内容、反馈的展示闭环；
当前全局图下钻的是需求词，不是最终生成需求。

14.3 后验没有进入全局综合分

真实 ROV/VOV 已采集、聚合并由 API 返回，但：

不进入 total_score；
不进入 generate_demand_agent 的 source_dim；
当前主热力图没有 ROV/VOV 标签；
尚未形成“后验反向调整最终需求排序”的完整实现。

14.4 `find_agent` 的外部证据仍可增强

当前已持久化搜索轨迹、正式推荐和人工备选，但画像接口提供的是点赞用户而非真实转发用户。后续若能补充转发用户画像、分年龄观看留存、相似视频和批量搜索接口，可进一步提高老年分享判断的直接性与多词多页探索效率。

14.5 关系语义较弱

当前主要关系是：

树父子；
需求词到单一分类；
需求词和需求池的字符串子串匹配；
需求词到视频列表。

尚没有独立的语义关系表、关系类型、关系 reason、置信度和人工审核状态。

14.6 同步完整性风险

需求池同步先比较总行数。总行数相同但内容变化时，会跳过 ODPS 明细同步。

14.7 测试体系缺失

当前仓库没有 tests/，并且 .gitignore 直接忽略 tests/，会阻止正常提交测试目录。

14.8 文档已滞后

现有 README.md、ARCHITECTURE.md 和 agents/README.md 包含已经不存在或未实现的结构，例如：

video_content 模型/Repository；
find_agent 的保存和历史查询工具；
旧的 Agent 数量和数据流。

后续应以本文和源码为准，并更新旧文档。

15. 当前本地运行环境与数据库状态

15.1 本地 Python 环境不匹配

当前机器默认环境：

Python 3.10.19；
SQLAlchemy 1.4.51；
项目根目录没有 .venv。

源码要求：

Python >=3.11；
SQLAlchemy >=2.0。

因此直接使用当前默认 python3 导入数据库层会在 DeclarativeBase 处失败。应建立 Python 3.11+ 虚拟环境后安装项目依赖。

15.2 `.env` 的 MySQL 配置问题

只读连接检查发现：

MYSQL_HOST 的值开头多了一个 =，会导致主机名解析失败；
临时去掉该字符后可以到达 MySQL 服务，但返回错误 1045 Access denied；
需要核对用户名/密码、RDS 白名单或该用户允许连接的 Host 范围。

由于未通过鉴权，本次无法确认数据库真实表数量、行数和最新业务日。本文的数据结构来自当前 ORM 和 Repository 源码，不冒充线上运行态数据。

15.3 前端依赖未安装

当前没有 web/node_modules。Node 20.11.1、npm 10.2.4 已存在，执行前需要先在 web/ 运行 npm install 或 npm ci。

16. 建议的后续阅读顺序

如果继续开发，建议按以下顺序进入代码：

supply_infra/scheduler/jobs/sync_multi_demand_pool_odps_to_mysql.py：理解主业务流水线；
supply_infra/db/models/：理解真实数据对象；
supply_infra/scheduler/jobs/compute_category_tree_weight.py：理解树上热度；
agents/demand_belong_category_agent/：理解需求词挂树；
agents/generate_demand_agent/：理解平台需求生成；
api/services/category_tree.py：理解后端对前端的数据形态；
web/src/components/IcicleHeatTree.vue：理解全局热力图；
web/src/components/DemandPathPanel.vue：理解节点证据下钻；
supply_agent/agent/：理解底层 Agent 执行机制；
supply_agent/logging/：理解可追溯运行日志。

17. 一句话总结

当前 SupplyAgent 是一套以 ODPS 和 MySQL 为数据底座、以全局分类树为组织骨架、以自研 Agent 框架完成需求词归类和单维需求生成、并通过 FastAPI/Vue 展示分类热度与视频证据的业务系统；核心数据流水线已经形成，但多挂靠、最终需求产品化、后验反馈进入综合决策、语义关系图和自动化测试仍未完成。

zhangbo.md 26 KB 히스토리 Raw