Files

wurenzhi aa2cf560c6 feat: 添加汇率服务和缓存服务，优化数据源和日志服务

refactor: 重构数据源工厂和类型定义，提升代码可维护性

fix: 修复类型转换和状态机文档中的错误

docs: 更新服务架构文档，添加新的服务闭环流程

test: 添加汇率服务单元测试

chore: 清理无用代码和注释，优化代码结构

2026-03-19 14:19:01 +08:00

15 KiB

Raw Blame History

AI Strategy (Crawlful Hub)

定位：Crawlful Hub AI 策略文档 - 描述多 AI 协作方案、任务分配策略及决策流程。 更新日期: 2026-03-18 注意：本文档不重复 Task_Overview.md 中的任务列表，仅描述 AI 协作策略。

1. 多 AI 协作架构

1.1 架构概览

┌─────────────────────────────────────────────────────────────┐
│                     Brain (调度中心)                         │
│                  全局调度与决策                              │
└─────────────────────────────────────────────────────────────┘
                              │
          ┌───────────────────┼───────────────────┐
          ▼                   ▼                   ▼
┌─────────────────┐  ┌─────────────────┐  ┌─────────────────┐
│   AI Agent 1    │  │   AI Agent 2    │  │   AI Agent N    │
│  (前端/插件)    │  │  (后端/数据)    │  │  (分析/决策)    │
└─────────────────┘  └─────────────────┘  └─────────────────┘
          │                   │                   │
          └───────────────────┼───────────────────┘
                              ▼
                    ┌──────────────────┐
                    │   Task Queue     │
                    │   (BullMQ)       │
                    └──────────────────┘

1.2 角色定义

角色	职责	能力范围
Brain	全局调度、任务分配、冲突解决	不直接生成代码
AI Agent	原子任务包闭环开发	代码生成、测试、部署
AI Analyst	数据分析、报告生成	数据处理、可视化
AI Decision	决策支持、策略优化	算法、预测

1.3 协作原则

一次性分发：每轮下发完整任务包（P0/P1/P2）
连续执行：任务包内连续执行到"完成或明确阻塞"
文件占用锁：同目录协作先声明归属，"谁领取谁编辑"
冲突处理：后写入方必须先 Read 最新内容，增量合并

2. 任务分配策略

2.1 动态分配机制

// 任务分配算法
interface TaskAssignment {
  taskId: string;
  agentId: string;
  priority: 'P0' | 'P1' | 'P2' | 'P3';
  capability: string[];
  estimatedTime: number;
}

// 分配策略
const assignmentStrategy = {
  // 能力匹配
  matchCapability: (task: Task, agent: Agent): boolean => {
    return task.requiredCapabilities.every(cap => 
      agent.capabilities.includes(cap)
    );
  },
  
  // 负载均衡
  balanceLoad: (agents: Agent[]): Agent => {
    return agents.reduce((min, agent) => 
      agent.activeTasks < min.activeTasks ? agent : min
    );
  },
  
  // 优先级排序
  sortByPriority: (tasks: Task[]): Task[] => {
    const priorityOrder = { P0: 0, P1: 1, P2: 2, P3: 3 };
    return tasks.sort((a, b) => 
      priorityOrder[a.priority] - priorityOrder[b.priority]
    );
  },
};

2.2 能力标签

能力标签	说明	适用任务
`frontend`	前端开发	React, UI组件
`backend`	后端开发	API, Service
`plugin`	插件开发	Chrome Extension
`database`	数据库	Schema, Query
`ai-analysis`	AI分析	数据分析, 报告
`ai-decision`	AI决策	算法, 策略
`devops`	运维	部署, 监控

3. 决策流程

3.1 决策层级

Level 1: AI Agent 自主决策
  ├─ 代码实现细节
  ├─ 单元测试用例
  └─ 局部重构

Level 2: Brain 协调决策
  ├─ 跨模块接口设计
  ├─ 任务优先级调整
  └─ 资源冲突解决

Level 3: 人工确认决策
  ├─ 核心业务数据修改（调价、退款）
  ├─ 架构重大变更
  └─ 生产环境部署

3.2 决策流程门禁

SUGGESTED -> PENDING_REVIEW -> EXECUTED/REJECTED

严禁：AI 直接修改核心业务数据（调价、退款、下单）必须：人工在 Console 端确认后方可执行

4. 自省与上报

4.1 自省要求

AI Agent 必须在以下阶段上报"自我问题"：

对话开始时
- 当前任务理解
- 依赖任务状态
- 潜在风险点
执行过程中
- 进度更新
- 阻塞问题
- 需要协调的事项
交付前
- 功能验证结果
- 测试覆盖率
- 已知限制

4.2 上报格式

interface SelfReport {
  stage: 'start' | 'progress' | 'delivery';
  taskId: string;
  agentId: string;
  status: 'normal' | 'blocked' | 'at-risk';
  progress: number; // 0-100
  issues: {
    type: 'dependency' | 'conflict' | 'technical' | 'resource';
    description: string;
    severity: 'low' | 'medium' | 'high';
  }[];
  nextSteps: string[];
}

5. 质量保障

5.1 代码质量门禁

指标	目标值	检查方式
测试覆盖率	≥ 80%	自动化测试
类型安全	100%	TypeScript strict
代码规范	0 警告	ESLint
文档完整	100%	JSDoc

5.2 验证流程

代码生成
    │
    ▼
静态检查 (ESLint/TypeScript)
    │
    ▼
单元测试
    │
    ▼
集成测试
    │
    ▼
人工 Review (关键模块)
    │
    ▼
部署验证

6. AI节点自动决策体系

6.1 核心理念

节点化设计：每个决策动作是一个节点（Node），节点可以是 AI 生成建议、条件判断、执行动作、通知等
数据驱动：每个节点依赖历史数据 + 实时数据来生成建议
自动推进：节点间用逻辑流或条件流连接，AI 根据上下文和规则自动选择下一节点
可回溯与干预：每个节点都有日志，初期可允许人工干预，后期高置信度节点可完全自动执行

6.2 节点类型

节点类型	功能	输入数据	输出数据
决策节点（Decision Node）	AI 根据数据生成建议或选择动作	历史数据、实时数据、外部数据	JSON动作方案 + 置信度 + 风险等级
条件节点（Condition Node）	根据规则或状态判断执行路径	决策节点输出 + 实时数据	执行路径（自动执行/人工确认/阻止执行）
执行节点（Action Node）	调用 API、脚本或系统操作	确认后的动作方案	执行状态（成功/失败）
人工确认节点（Human Approval Node）	人类对 AI 建议进行修改或确认	决策节点输出 + 条件判断结果 + 数据参考	最终动作方案
日志节点（Log Node）	记录整个节点数据、结果	所有节点输入输出	日志记录（唯一ID，全链路追踪）
历史数据更新节点	将执行结果回写历史库	执行结果	历史数据库更新
报表分析节点（Report/Analytics Node）	生成报表和趋势分析	历史数据 + 节点日志	报表、趋势分析、总结

6.3 数据分类

数据类别	内容	用途
历史数据	广告投放历史（CTR、CVR、ROI）、价格历史、销售历史、TOB批发订单历史	预测调价或预算策略、判断调价幅度
实时数据	当前库存、价格、预算、广告状态、实时ROI、异常指标	决定节点是否可执行、支持条件节点判断分支
外部数据	节假日、竞品价格、市场趋势、供应链状态、汇率	影响广告投放策略和定价

6.4 决策流程门禁

SUGGESTED -> PENDING_REVIEW -> EXECUTED/REJECTED

严禁：AI 直接修改核心业务数据（调价、退款、下单）
必须：人工在 Console 端确认后方可执行

7. 业务闭环设计

7.1 TOC（零售单笔闭环）

[输入数据] → [AI决策节点] → [条件判断节点] → [人工确认节点] → [执行节点]
     ↓
[日志节点] → [历史数据更新节点] → [报表分析节点] → [优化反馈节点] → 回到 [AI决策节点]

输入数据：单笔订单、客户历史购买、库存状态、广告数据、市场趋势
决策节点：AI 生成动作建议（是否调价、是否推荐促销、广告曝光调整）
条件节点：检查库存、预算、置信度、风险
人工确认节点（可选）：处理低置信度或高风险动作
执行节点：系统执行调价、广告调整、库存扣减
日志节点：记录每个操作和决策过程
历史数据更新节点：更新库存、销售、广告效果、ROI
报表分析节点：生成订单收益、库存波动、广告转化报表
优化反馈节点：AI 根据报表优化下一轮决策

7.2 TOB（批发/整柜闭环）

输入数据：批发订单、客户等级、库存、供应商状态、市场趋势
决策节点：AI 生成分配方案、价格方案、库存调拨方案
条件节点：检查库存、供应商能力、风险等级
人工确认节点：处理库存紧张或低置信度分配
执行节点：系统生成订单、调拨库存、同步 ERP
日志节点：全链路记录决策与执行状态
历史数据更新节点：回写分配结果、客户反馈、库存变化
报表分析节点：生成分配效率、库存周转率、客户满意度报表
优化反馈节点：AI 根据历史表现优化分配策略

7.3 功能模块闭环示例

功能模块	节点应用说明
广告价格调节	决策节点生成调价方案 → 条件节点判断库存和预算 → 人工确认或自动执行 → 执行节点调整广告价格 → 日志 → 历史更新 → 报表分析
产品调价	决策节点生成价格建议 → 条件判断 ROI、库存 → 人工确认 → 执行调价 → 日志 → 历史更新 → 报表分析
批发订单分配	决策节点生成分配方案 → 条件节点判断库存和客户优先级 → 人工确认或自动分配 → 执行节点生成订单 → 日志 → 历史更新 → 报表分析
库存管理	决策节点预测缺货/过量 → 条件节点判断安全库存 → 人工确认 → 执行节点调拨或采购 → 日志 → 历史更新 → 报表分析
促销活动	决策节点生成活动策略 → 条件节点判断库存/ROI → 人工确认 → 执行节点发布活动 → 日志 → 历史更新 → 报表分析

8. 规则引擎（初期备用方案）

8.1 设计定位

目的：在 AI 决策模型尚未充分训练或 token 不可用的情况下，保证业务能继续自动化运行
特点：
- 逻辑简单、可配置
- 不依赖 token 调用
- 作为 AI 决策节点的备用或初期执行层

8.2 规则引擎与 AI 决策的关系

[业务触发] → [规则引擎检查] → [规则命中?] 
                                    ├── 是 → [按规则执行] → [日志记录]
                                    └── 否 → [AI决策节点] → [条件判断] → [执行]

8.3 规则类型

规则类型	说明	示例
阈值规则	基于数值阈值的判断	库存 < 安全库存 → 触发补货
时间规则	基于时间周期的判断	每日 00:00 检查广告预算
组合规则	多条件组合判断	ROI > 1.5 且库存充足 → 自动增加广告预算
异常规则	异常检测与处理	CTR 下降 > 30% → 触发人工确认

8.4 规则配置示例

interface Rule {
  id: string;
  name: string;
  condition: {
    type: 'threshold' | 'time' | 'composite' | 'anomaly';
    expression: string;
  };
  action: {
    type: 'auto_execute' | 'human_approval' | 'notification';
    payload: object;
  };
  priority: number;
  enabled: boolean;
}

// 示例规则
const rules: Rule[] = [
  {
    id: 'RULE-001',
    name: '库存不足自动补货',
    condition: {
      type: 'threshold',
      expression: 'inventory < safety_stock'
    },
    action: {
      type: 'human_approval',
      payload: { action: 'restock', quantity: 'suggested_amount' }
    },
    priority: 1,
    enabled: true
  },
  {
    id: 'RULE-002',
    name: '高ROI广告自动加预算',
    condition: {
      type: 'composite',
      expression: 'roi > 1.5 AND inventory > min_stock'
    },
    action: {
      type: 'auto_execute',
      payload: { action: 'increase_budget', amount: 100 }
    },
    priority: 2,
    enabled: true
  }
];

8.5 演进路径

阶段	规则引擎	AI决策节点
初期	主导，处理大部分标准场景	辅助，处理复杂场景
中期	处理简单、确定性场景	主导，处理需要预测和优化的场景
后期	作为异常处理和兜底机制	全链路自动决策

9. 自动化程度演进

阶段	特征	人工干预
初期	AI建议 + 人审核，人工操作占主导	高干预，大部分决策需要人工确认
中期	对置信度高、低风险的操作可自动执行	中等，人工处理异常和低置信度决策
后期	AI全链路决策 + 自动执行	低干预，仅异常或低置信度操作人工介入

阈值管理

置信度阈值、风险等级、操作类型均可配置
支持按业务模块（TOC/TOB）设置不同阈值
支持自适应阈值：系统根据历史执行效果自动调整

10. 与 Task_Overview.md 的关系

10.1 职责划分

文档	职责	内容
Task_Overview.md	任务追踪	所有任务的详细列表、状态、依赖
AI_Strategy.md	策略描述	AI 协作机制、决策流程、质量保障、节点自动决策体系

10.2 避免重复

Task_Overview.md 是唯一的任务源
AI_Strategy.md 不重复定义任务
AI_Strategy.md 描述如何执行任务的策略

11. 相关文档

Task Overview - 任务追踪（唯一任务源）
Business ClosedLoops - 业务闭环
System Architecture - 系统架构
AI Module List - AI模块清单

本文档描述 AI 协作策略，不重复任务列表，最后更新: 2026-03-19

15 KiB Raw Blame History Unescape Escape

AI Strategy (Crawlful Hub)

1. 多 AI 协作架构

1.1 架构概览

1.2 角色定义

1.3 协作原则

2. 任务分配策略

2.1 动态分配机制

2.2 能力标签

3. 决策流程

3.1 决策层级

3.2 决策流程门禁

4. 自省与上报

4.1 自省要求

4.2 上报格式

5. 质量保障

5.1 代码质量门禁

5.2 验证流程

6. AI节点自动决策体系

6.1 核心理念

6.2 节点类型

6.3 数据分类

6.4 决策流程门禁

7. 业务闭环设计

7.1 TOC（零售单笔闭环）

7.2 TOB（批发/整柜闭环）

7.3 功能模块闭环示例

8. 规则引擎（初期备用方案）

8.1 设计定位

8.2 规则引擎与 AI 决策的关系

8.3 规则类型

8.4 规则配置示例

8.5 演进路径

9. 自动化程度演进

阈值管理

10. 与 Task_Overview.md 的关系

10.1 职责划分

10.2 避免重复

11. 相关文档

15 KiB

Raw Blame History