📚 喵喵的笔记库

05-综合项目-副业AI中台

17分钟阅读

阶段五：综合项目 · 副业 AI 中台

第 9-12 周 | 核心目标：全链路自动化系统（学习+副业+工作串联）

⚠️ v5 变更：研发助手从阶段一移入（选做）；GraphRAG 从阶段二移至此处升级（选做）；Multi-Modal 从 06 文件合并至此（选做）；IP 内容生产 Agent 从 Dashboard 提升为核心模块；模块分必做/选做

底层技能：RAG + MCP + Agent + Fine-tuning + 可观测性 + GraphRAG + Multi-Modal（选做）

Step 1：本阶段资料

| 资料类型 | 具体资料 | 用途 | |----------|---------|------| | 项目 | OpenClaw 源码和文档 | Agent 平台基础 | | 文档 | 选题调研 SOP（Obsidian） | 自动选品 Agent 的业务逻辑 | | 项目 | Humanizer 代码库 | Agent + Fine-tuning 成果复用 | | 项目 | SBTI 小程序代码库 | RAG + GraphRAG 成果复用 | | 文档 | Microsoft GraphRAG 官方文档 | 图谱构建 + community detection | | 工具 | Neo4j（MemMachine 已部署） | GraphRAG 知识图谱存储 | | 文档 | GPT-4o Vision / Qwen-VL 文档 | 多模态 API（选做） | | 工具 | PushPlus API | 微信推送通道 | | 工具 | Tailscale + SSH | 基础设施管理 |

Step 2：本阶段心智模型

心智模型 1：Agent 编排规模化模型

  • 核心思想：单个 Agent 解决单点问题，Agent 编排规模化才能系统化提升效率。核心是从"人驱动 Agent"变成"Agent 驱动人"
  • 关键变量：Agent 数量、通信方式、错误传播、降级策略
  • 应用场景：副业矩阵管理、IP 内容生产、数据监控、全链路自动化
  • 局限性：Agent 越多越难调试，需要完善的可观测性
  • 相关资料：阶段一 Agent 编排知识的扩展应用

心智模型 2：投入产出闭环模型

  • 核心思想：自动化系统的价值 = 节省时间 × 时间价值 - 维护成本。每个 Agent 模块都要算这笔账
  • 关键变量：节省时间（h/周）、维护时间（h/周）、可靠性（成功率）
  • 应用场景：判断哪些环节值得自动化，哪些不值得
  • 局限性：前期投入大，回报周期长，需要坚持

心智模型 3：GraphRAG 知识结构化模型（从阶段二移入）

  • 核心思想：纯向量检索只懂"语义相似"，不懂"实体关系"。GraphRAG 把知识存成实体-关系图谱，检索时同时利用语义相似度和图谱结构
  • 关键变量：实体抽取质量、关系类型设计、community detection 粒度、hybrid retrieval 策略（向量 + 图谱路径）
  • 应用场景：人格理论库（16 型人格之间的关联）、企业知识库、复杂领域问答
  • 局限性：图谱构建成本高；关系设计需要领域知识
  • 相关资料：Microsoft GraphRAG、Neo4j 官方文档

心智模型 4：多模态成本决策模型（从 06 合并）

  • 核心思想：每次加一个模态，API 成本至少翻 2-3 倍。必须问"这个模态真的需要吗？"
  • 关键变量：模态必要性、成本增量、延迟增量、用户体验提升
  • 应用场景：SBTI 报告配图（必要，提升分享率）vs 用户上传图片分析（可选）

Step 3：本阶段分歧点

分歧 1：全面自动化 vs 渐进式自动化？

  • A 方（全面派）：一步到位，所有环节都自动化
  • B 方（渐进派）：先自动化 ROI 最高的环节，逐步扩展
  • 实践倾向：渐进式——先做 IP 内容生产 + 数据监控（ROI 最高），再做选品和开发
  • 为什么重要：全面自动化的维护成本可能超过节省的时间

分歧 2：Centralized Agent vs Distributed Agents？

  • A 方（集中派）：一个超级 Agent 管所有事
  • B 方（分布式派）：每个领域一个 Agent，通过消息总线协调
  • 实践倾向：分布式——OpenClaw 本身就是多 Agent 架构，每个 Skill/子代理负责一个领域
  • 为什么重要：集中式 Agent 越来越难维护，分布式更容易扩展和调试

分歧 3：纯向量 RAG 基线 vs 直接上 GraphRAG？

  • A 方（基线优先派）：先量化阶段二的纯向量 RAG 基线，再升级 GraphRAG，对比数据才有意义
  • B 方（直接升级派）：Neo4j 已经在跑了，直接用
  • 实践倾向：基线优先——用阶段二的 RAGAS 评估结果做对比，量化 GraphRAG 的提升幅度
  • 为什么重要：没有对比数据，不知道 GraphRAG 是否真的比纯向量好

Step 4：实操项目

🏷️ 标记说明：✅ 必做 = 核心交付物，⭐ 选做 = 时间允许时做

✅ 模块 1：Multi-Agent 编排层（必做）

设计 2-3 个专用 Agent + 1 个 Orchestrator：

  • 数据 Agent：负责拉取/清洗/分析数据（小程序 DAU、Humanizer 用量、IP 数据、行情数据）

  • 决策 Agent：基于数据 Agent 的分析做建议（选品建议、内容选题、投资信号）

  • 执行 Agent：执行具体动作（PushPlus 推送、生成报告、更新数据库、发布内容）

  • [ ] 设计 Agent 间通信协议（结构化 JSON 消息）

  • [ ] 实现 Orchestrator：接收用户指令 → 分发给专用 Agent → 汇总结果 → 输出

  • [ ] 加上 human-in-the-loop：执行类动作需要人工确认

  • [ ] 错误传播和降级：一个 Agent 失败不影响其他 Agent

  • [ ] 对比单 Agent vs Multi-Agent 的效率和质量

✅ 模块 2：IP 内容生产 Agent（必做，ROI 最高）

把"码侠的AI开发笔记"的内容生产全流程 Agent 化，每周省 5-8 小时。

选题挖掘

  • [ ] Agent 提取评论区高频问题 → 自动生成选题库
  • [ ] 对标账号监控：定期扫描对标账号新爆款 + 评论变化
  • [ ] 验证：每周自动产出 5-10 个选题建议

内容生产流水线

  • [ ] 选题 → 大纲 → 初稿 → 润色 → 多平台适配 → 发布
  • [ ] 多平台适配：一稿适配知乎/小红书/公众号（标题/开头/排版都不同）
  • [ ] 使用 Reflexion 迭代优化初稿质量
  • [ ] 验证：每篇省 40min，质量不降

朋友圈素材

  • [ ] 基于当天工作场景自动生成 2 条朋友圈素材
  • [ ] 验证：每天 5min 搞定

数据追踪

  • [ ] 发布后自动追踪阅读/点赞/评论，周报汇总
  • [ ] 验证：每周省 1h

私域答疑

  • [ ] 基于知识库自动回答常见问题（复用研发助手的技术支持模块）
  • [ ] 验证：每天省 30min

✅ 模块 3：数据监控 Agent（必做）

  • [ ] 统一拉取所有小程序/产品/IP 数据
  • [ ] 异常告警（DAU 暴跌、错误率飙升、阅读量异常）→ PushPlus 推送微信
  • [ ] 定期生成数据周报
  • [ ] 告警疲劳控制：分级告警 + 聚合去重
  • [ ] 验证：异常发现及时性 < 5 分钟

⭐ 模块 4：小程序自动选品 Agent（选做）

  • [ ] 参考 选题调研SOP.md，让 Agent 自动执行选品流程
  • [ ] 定期扫描微信指数 + 搜索竞品
  • [ ] 输出：选题报告（竞品分析 + 蓝海评分 + 开发量估算）
  • [ ] PRD 自动生成：基于调研报告生成 PRD 初稿
  • [ ] 验证：每周自动产出 3-5 个选题建议

⭐ 模块 5：研发助手（选做，从阶段一移入）

原阶段一的 LangChain/LangGraph 实践项目，移至综合项目按需实现。

技术支持 RAG（LangChain 自然使用）

  • [ ] 用 Document Loaders 导入技术文档、FAQ、runbook
  • [ ] 用 Text Splitters 做文档语义分块，存入 VectorStore
  • [ ] 实现 Retriever：用户提问 → 语义检索知识库 → 生成回答
  • [ ] 用 Memory 管理多轮对话上下文
  • [ ] 用 LCEL 组装问答 pipeline（retriever → prompt → llm → parser）

线上故障（LangGraph workflow）

  • [ ] 用 LangGraph 实现 incident workflow：告警分级 → 根因分析 → 自动修复 → 生成报告
  • [ ] 自定义 Tools：SSH 执行命令、Docker API、Git log、日志查询
  • [ ] 用 Structured Output 做告警分级（严重程度/类型/影响范围）
  • [ ] 对接 PushPlus：告警处理结果推送到微信

工程化

  • [ ] 接入 LangSmith 全链路 trace
  • [ ] 用 LangServe 部署为 API

⭐ 模块 6：GraphRAG 升级（选做）

在阶段二纯向量 RAG 基线上升级，用量化数据证明 GraphRAG 的价值。

  • [ ] 构建人格实体关系图谱（Neo4j）：16 型人格之间的关联关系（互补/冲突/相似）
  • [ ] 实现 GraphRAG 检索路径：实体识别 → 图谱遍历 → 向量检索 → 混合排序
  • [ ] 对比纯向量 RAG vs GraphRAG 的检索质量（复用阶段二的 RAGAS 评估 + golden dataset）
  • [ ] 量化提升幅度，输出对比报告
  • [ ] 如果提升显著，升级 SBTI 深度分析的 RAG 管线

⭐ 模块 7：Multi-Modal 集成（选做）

从已删除的 06-MultiModal应用.md 合并。SBTI 报告配图是锦上添花，核心功能优先。

报告配图生成

  • [ ] 设计 SBTI 人格报告的配图风格（16 种人格类型各一套视觉风格）
  • [ ] 实现配图生成 pipeline（人格类型 → 风格描述 → 图片生成 API → 存储）
  • [ ] 配图缓存策略（16 种类型预生成，避免实时生成延迟）
  • [ ] 对接深度报告，配图嵌入报告
  • [ ] 验证：分享率比无配图版本提升 30%+

图片理解（低优先级）

  • [ ] 评估多模态模型选型（GPT-4o vs Qwen-VL vs Claude Vision），对比成本和效果
  • [ ] 实现"图片→人格特征分析"功能（从用户发的图片/朋友圈截图分析人格倾向）
  • [ ] 加上图片安全检测（敏感内容过滤）

Step 4.5：💬 AI 教练对话（做项目时用）

Prompt 1：架构设计（开始前）

我要构建一个副业 AI 中台，覆盖 IP 内容生产、小程序矩阵、量化交易三条线。
请帮我分析：
1. 哪些模块优先级最高？（ROI 最高的先做）
2. 模块之间需要通信吗？怎么通信？
3. 哪些环节必须 human-in-the-loop？
不要直接给方案，引导我根据实际业务做优先级排序。

Prompt 2：IP 内容生产 Agent 设计

我要把"码侠的AI开发笔记"的内容生产全流程 Agent 化。
请帮我分析：
1. 选题 → 大纲 → 初稿 → 润色 → 多平台适配，哪些环节适合自动化，哪些必须人工？
2. 多平台适配的差异点在哪？（知乎 vs 小红书 vs 公众号）
3. Reflexion 迭代在这个场景下怎么实现？几轮迭代合适？

Prompt 3：GraphRAG 升级

阶段二的纯向量 RAG 基线：Faithfulness 0.87，Answer Relevancy 0.91。
我要升级为 GraphRAG。
请帮我分析：
1. 16 型人格的实体关系怎么设计？哪些关系类型最有价值？
2. GraphRAG 的检索路径怎么实现？图谱遍历的深度设多少？
3. 怎么量化 GraphRAG 相比纯向量的提升？

Prompt 4：模型提取（完成项目后）

我刚完成了副业 AI 中台的核心模块。
请帮我归纳：
1. 哪些模块节省的时间最多？为什么？
2. 整个系统的单点故障在哪里？
3. 如果要让系统更稳定，最值得投入什么？
让我先总结，你再补充。

Prompt 5：Multi-Agent 设计

我要给副业 AI 中台设计 Multi-Agent 架构。
请帮我分析：
1. 数据 Agent、决策 Agent、执行 Agent 的职责边界在哪？怎么避免职责重叠？
2. Agent 之间用什么格式通信？JSON schema 怎么设计？
3. Orchestrator 应该有多智能？它自己做决策还是只做路由？
4. 一个 Agent 失败了，怎么保证不影响整体？

Step 5：关 AI 自测

关闭所有资料和 AI，纯靠记忆回答。

  1. 为什么渐进式自动化比全面自动化更适合副业场景？
  2. IP 内容生产 Agent 的哪些环节必须 human-in-the-loop？为什么？
  3. GraphRAG 相比纯向量 RAG 的核心优势是什么？什么场景下差距最大？
  4. 数据监控 Agent 的告警疲劳怎么解决？
  5. Multi-Agent 架构中，如果决策 Agent 给出了错误建议，执行 Agent 应该怎么做？

评分：每题 25 分，≥80 分通过。

Step 6：费曼输出 + 信心校准

一句话版本：用 1 句话说清楚"副业 AI 中台解决了什么问题"。 三分钟版本：给朋友解释你的 AI 中台每周自动帮你做了什么。

信心自评：___/10 分 我最可能在什么地方翻车？

工程化要求（综合项目核心）

  • [ ] 全链路日志追踪（每个 Agent 的输入/输出/耗时/成本）
  • [ ] 成本监控（所有 AI 调用的 token 消耗，按模块统计）
  • [ ] 降级策略（Agent 失败时人工接管，PushPlus 通知）
  • [ ] 评估体系（每个 Agent 模块的输出质量度量）
  • [ ] 配置管理（数据库/配置文件，不用环境变量）
  • [ ] 异常告警（PushPlus 推送到微信，分级告警）

验证指标

✅ 必做模块指标

| 指标 | 目标值 | 测量方式 | |------|--------|----------| | IP 内容生产提效 | 每篇省 40min+ | 时间记录对比 | | 选题 Agent 产出 | 5-10 个/周 | 自动报告 | | 监控告警及时性 | < 5 分钟 | 模拟异常测试 | | 系统可用性 | > 95% | 运行日志统计 | | AI 调用月成本 | 可控且可预测 | 成本监控 | | 每周总节省时间 | > 10h | 日志统计 + 估算 |

⭐ 选做模块指标

| 模块 | 验证方式 | |------|----------| | 小程序自动选品 | 每周 3-5 个选题建议 | | 研发助手 | 技术支持 RAG + 线上故障 workflow 跑通 | | GraphRAG | RAGAS 量化对比报告 | | Multi-Modal | SBTI 分享率提升 30%+ |

关系图谱