项目现状与改进方向

一、系统终极目标

根据人设和模式，最终选出好的选题

什么是"好的选题"？

一个好的选题需要满足以下标准：

符合人设（匹配度 > 0.7）
- 与人设的实质维度、形式维度、意图维度高度匹配
- 不是热点但不适合这个人设
有市场热度（外部验证得分 > 0.6）
- 当前有用户关注和讨论
- 不是库里有数据但已经过时的选题
适合当前时间点（时间性得分 > 0.7）
- 符合当前季节、节日、公共事件
- 不是随时都能发的常青内容（除非人设需要）
有数据支撑（来源可追溯）
- 来自爆款库的 pattern（有历史成功案例）
- OR 来自外部搜索验证（有当前热度证据）
- 不是 AI 自行推测的选题
推导路径清晰（可解释、可复现）
- 能说清楚"为什么选这个"
- 能展示完整的推导过程
- 能复现选题生成逻辑

综合评分公式

好选题综合得分 = 人设匹配度 × 0.4 + 市场热度 × 0.3 + 时间性 × 0.2 + 数据支撑度 × 0.1

其中：
- 人设匹配度 = (实质维度得分 × 0.4 + 形式维度得分 × 0.3 + 意图维度得分 × 0.3)
- 市场热度 = (内部库支持度 × 0.6 + 外部验证热度 × 0.4)
- 时间性 = 当前时间与选题的时间相关性得分
- 数据支撑度 = 是否有明确的来源证据（0 或 1）

阈值：综合得分 ≥ 0.75 才推荐

二、实现目标的核心能力要求

为了"选出好的选题"，系统需要实现以下核心能力：

1. 路径探索机制

边探索边比较，比较后收敛，再探索再收敛

多轮迭代而非一次性执行
每轮评估路径有效性并淘汰低效路径
基于比较结果调整探索方向

2. 时间性管理

识别和利用不同时间维度的创作机会：

创作可能性：选题在当下的创作价值
创作方法：不同时期适用的内容形式
公共事件：可蹭的热点事件
周期性：年度/季节性重复选题（如春节、高考）

3. 逻辑计算推导封装

把判断逻辑从 AI 黑盒中提取出来，形成可复用、可调优的计算模块

4. 内外双重判断

内部库判断：基于爆款库数据和权重
外部验证：到小红书/微博/知乎等平台验证热度
两者结合综合判断

5. 多样性探索

通过多种方式增加输出多样性：

测试不同模型的输出效果
引入票圈（朋友圈/社群）数据
扩展数据库来源
尝试不同 Agent 策略
自动化探索外部数据（trick 自动化 → agent 化）

三、当前系统现状

输入

人设画像描述（文本格式）

工作流程

基于 PRD/create_process.md 定义的流程：

步骤1：灵感生成，路径游走探索
   ├─ 库内路径：从 Pattern 库/案例库检索
   ├─ 外搜路径：使用外部热点搜索工具（MCP）
   └─ 模型补充路径：库与外搜无法支持时启用

步骤2：灵感与人设匹配度分析
   逐个分析灵感是否与人设匹配

步骤3：选题生成
   基于匹配的灵感 + 关联 pattern → 输出选题

步骤4：反馈沉淀与自我总结
   整合用户反馈与自动评估结论

已实现能力

数据接入：

tool/topic_search.py 已接入爆款库 API（http://192.168.81.89:8000/search）
当前实现：根据关键词检索，返回最多 5 条结果，取第一条（第 37、95 行）

执行控制：

run.py 实现交互式执行（第 324-445 行）
支持运行时暂停（pause 命令）、停止（quit 命令）
支持从已有 trace 恢复执行（--trace 参数，第 293-299 行）

知识管理：

config.py 配置了知识沉淀框架（第 22-40 行）
enable_extraction=True：压缩时提取
enable_completion_extraction=True：任务完成后提取
enable_injection=True：切换 goal 时自动注入

模型配置：

config.py 第 14 行：model="claude-sonnet-4.5"
presets.json 定义了默认 Agent，包含 core, planning, research, browser, topic_search 技能（第 5-10 行）

输出

选题结果保存至 output_1/result.txt，并生成 HTML 可视化报告

四、目标与现状的差距分析

差距 1：缺少路径比较和收敛机制

代码证据：

PRD/create_process.md 第 17-29 行定义了三条路径的探索方式，第 34 行直接进入"灵感与人设匹配度分析"，中间没有路径比较步骤。

现状描述：

三条路径并行执行后直接使用结果
没有对路径质量进行评估的代码模块
没有淘汰低效路径的逻辑
工作流程为单轮执行，不支持"第 2 轮探索"

与目标的差距：目标要求"边探索边比较，比较后收敛，再探索再收敛"，但当前流程是"一次探索 → 直接用结果"

差距 2：缺少时间维度能力

代码证据：

tool/topic_search.py 第 62-71 行定义的工具函数：

async def topic_search(keywords: List[str]) -> ToolResult:
    """
    根据关键词检索数据库中已有帖子的选题

    Args:
        keywords: 关键词列表
    """

参数只有 keywords，没有时间相关参数。

第 22-33 行的 API 调用：

payload = {"keywords": keywords}

现状描述：

工具只支持关键词检索
API payload 中没有时间范围、事件类型、周期性等参数
无法筛选"最近 7 天"、"周期性"、"公共事件"等时间维度数据

与目标的差距：目标要求识别时间性（创作可能性/创作方法/公共事件/周期性），但当前系统不支持时间维度查询

差距 3：计算逻辑在 AI 推理过程中

代码证据：

run.py 第 166-208 行 _apply_prompt_placeholders 函数将 PRD 文件内容注入 prompt：

system_md_path = base_dir / "PRD" / "system.md"
system_content = system_md_path.read_text(encoding="utf-8")
prompt._messages["system"] = prompt._messages["system"].replace("{system}", system_content)

PRD/create_process.md 第 34 行要求"逐个分析灵感，是否与人设匹配，展示分析过程"，但这是通过 prompt 让 AI 执行，没有独立的计算模块。

现状描述：

匹配度计算、路径评估等逻辑通过 prompt 让 LLM 自行判断
没有独立的 Python 计算模块（如 MatchScoreCalculator 类）
判断过程在 AI 的推理过程中，无法独立调用或调优

与目标的差距：目标要求逻辑计算推导封装为可复用模块，但当前逻辑耦合在 AI 推理过程中

差距 4：只使用内部库数据

代码证据：

PRD/create_process.md 第 24 行定义了"外搜路径：使用外部热点搜索工具（MCP）"，但在 tool/ 目录下只有 topic_search.py 一个工具文件，该工具仅调用内部 API（http://192.168.81.89:8000）。

presets.json 第 9 行配置了 "browser" 技能，但在 run.py 中没有找到调用外部搜索的代码。

现状描述：

仅实现了内部爆款库检索（topic_search 工具）
外部搜索工具在配置中定义但未实际调用
没有"内部得分 × 权重 + 外部得分 × 权重"的综合判断逻辑
选题生成后不验证外部热度

与目标的差距：目标要求"内部库权重 + 外部搜索验证"双重判断，但当前只使用内部库数据

差距 5：单一模型配置

代码证据：

config.py 第 14 行：

model="claude-sonnet-4.5"

run.py 第 260-263 行：

model_from_config = RUN_CONFIG.model
default_model = f"anthropic/{model_from_config}" if "/" not in model_from_config else model_from_config
model = model_from_prompt or default_model

现状描述：

配置文件中写死单一模型
没有多模型对比的代码逻辑
数据源仅有爆款库 API，没有票圈、评论区等其他数据源
没有自动化测试和对比机制

与目标的差距：目标要求多样性（测模型/票圈/库/agent/trick 自动化），但当前系统为单一模型和数据源

五、改进方向

方向 1：建立多轮探索机制

要实现的功能： "探索 → 比较 → 收敛 → 再探索"的迭代流程

需要增加的模块：

路径评分模块（agent/core/path_evaluator.py）
- 对每条路径的结果打分（灵感数量、匹配度、新颖性）
- 输出各路径的质量排序
收敛决策模块（agent/core/path_filter.py）
- 设定质量阈值
- 淘汰低分路径
- 返回保留的路径列表
修改工作流程（PRD/create_process.md）
- 在步骤 1 和步骤 2 之间增加"路径比较与收敛"
- 增加"第 2 轮探索"步骤
- 定义迭代终止条件

验证方式：执行后能在输出中看到：

各路径的评分（如：库内路径 0.8，外搜路径 0.3，模型补充 0.5）
收敛决策（如：淘汰得分 < 0.5 的路径）
第 2 轮探索结果

方向 2：增加时间性能力

要实现的功能：支持时间维度的选题检索和判断

需要修改的模块：

扩展 tool/topic_search.py
- 增加参数：time_range（如 "recent_7d", "recent_30d", "all"）
- 增加参数：event_type（如 "public_event", "evergreen"）
- 增加参数：recurrence（如 "annual", "seasonal", "one_time"）
- 修改 API payload 传递这些参数
后端 API 改造
- 爆款库需要支持时间范围查询
- 数据库需要增加事件类型和周期性字段

验证方式：能成功调用：

topic_search(
    keywords=["养生"],
    time_range="recent_7d",
    event_type="public_event"
)

方向 3：封装计算逻辑

要实现的功能：把判断逻辑从 prompt 中提取为独立 Python 模块

需要增加的模块：

匹配度计算器（agent/core/match_calculator.py）

class PersonaMatchCalculator:
   def __init__(self, weights: dict):
       self.weights = weights

   def calculate(self, persona: dict, inspiration: dict) -> float:
       # 计算实质维度得分
       # 计算形式维度得分
       # 计算意图维度得分
       # 加权求和
       return score

路径比较器（agent/core/path_comparator.py） ```python class PathComparator: def score_path(self, path_result: dict) -> float: # 评估路径质量 return score

def rank_paths(self, all_paths: list) -> list:

   # 排序路径
   return sorted_paths

```

验证方式：

能独立调用计算模块
输出时展示计算过程和公式
修改权重配置后立即生效

方向 4：建立内外双重判断

要实现的功能：在内部库判断基础上增加外部热度验证

需要增加的模块：

外部热度验证工具（tool/external_heat_check.py）
```
@tool
async def check_external_heat(
   topic: str,
   platforms: List[str] = ["xiaohongshu", "weibo", "zhihu"]
) -> ToolResult:
   # 到各平台搜索关键词
   # 返回：帖子数、互动量、最新讨论时间
   return heat_score
```
1. 综合判断模块（agent/core/综合评分.py） python class CombinedScorer: def calculate(self, internal_score, external_score): return internal_score * 0.6 + external_score * 0.4
修改工作流程
- 在步骤 3"选题生成"后增加外部验证步骤
- 输出时展示内部和外部数据

验证方式：选题输出包含：

内部库数据（如：该 pattern 历史成功率 80%）
外部热度数据（如：小红书近 7 天 1200 条相关帖子）
综合得分

方向 5：增加多样性

要实现的功能：支持多模型对比和多数据源

需要增加的模块：

多模型对比脚本（tools/multi_model_runner.py）
```
async def compare_models(persona, models):
   results = {}
   for model in models:
       results[model] = await run_with_model(persona, model)
   return comparison_report
```
1. 扩展数据源配置（config.py） python DATA_SOURCES = { "pattern_library": "http://192.168.81.89:8000", "moments": "待配置", "comments": "待配置", }
自动化测试流程（tests/run_batch_test.py）
- 准备标准测试用例（tests/test_cases.json）
- 批量执行不同配置
- 生成对比报告（tests/results/comparison.html）

验证方式：能看到多模型对比报告，包含：

Claude 生成的 5 个选题
GPT 生成的 5 个选题
DeepSeek 生成的 5 个选题
差异分析

六、总结

系统终极目标：根据人设和模式，选出好的选题（综合得分 ≥ 0.75）

当前状态：

已实现人设到选题的基础流程
已接入内部爆款库 API
支持交互式执行和知识沉淀框架
单一模型、单一数据源、单轮执行

为什么现在选不出"好的选题"（主要差距）：

工作流程为单轮执行，缺少路径比较和收敛机制 → 无法找到最优选题
工具只支持关键词检索，不支持时间维度查询 → 选题可能不适合当前时间点
计算逻辑通过 prompt 让 AI 执行，没有独立的计算模块 → 评分不透明、无法调优
只使用内部库数据，外部搜索未实际调用 → 无法验证市场热度
单一模型配置，无多模型对比能力 → 选题质量无法对比优化

如何才能选出"好的选题"（改进优先级）：

P0：建立路径比较和收敛机制（方向 1）
P1：增加时间性能力（方向 2）+ 建立内外双重判断（方向 4）
P2：封装计算逻辑（方向 3）+ 增加多样性（方向 5）

现状.md 14 KB Permalink Geschiedenis Ruwe

项目现状与改进方向

一、系统终极目标

什么是"好的选题"？

综合评分公式

二、实现目标的核心能力要求

1. 路径探索机制

2. 时间性管理

3. 逻辑计算推导封装

4. 内外双重判断

5. 多样性探索

三、当前系统现状

输入

工作流程

已实现能力

输出

四、目标与现状的差距分析

差距 1：缺少路径比较和收敛机制

差距 2：缺少时间维度能力

差距 3：计算逻辑在 AI 推理过程中

差距 4：只使用内部库数据

差距 5：单一模型配置

五、改进方向

方向 1：建立多轮探索机制

方向 2：增加时间性能力

方向 3：封装计算逻辑

方向 4：建立内外双重判断

方向 5：增加多样性

六、总结

现状.md 14 KB

Permalink Geschiedenis Ruwe