selfrelease
fad458b2a7
- UIUX 文档：填充 19 个缺口（多主体画像/健康度/AI+看板/增长域/洞察域/创始人端/OODA/助推/商密） - UIUX 文档：插入 6 个新章节（十四~十九），旧章节重编号为二十~三十一，更新目录和交叉引用 - 作业指导书 x5：导航改为 6 域分组，新增 Context Bar/工作模式/Insight Rail/决策线程/多工作区等 UI 概念 - 新建 docs/2-task-uiux.md：50 个代码落地开发任务，按 P0-P6 分优先级 + 8 Sprint 规划 - 后端/前端：大量新增模型、路由、组件（来自之前 Phase 开发）
36 lines
1.4 KiB
Python
36 lines
1.4 KiB
Python
"""AI 决策前哨 Agent。
|
|
|
|
识别关键决策点 → 场景分析。
|
|
"""
|
|
|
|
from app.services.llm_client import LLMClient
|
|
|
|
|
|
async def identify_decision_points(company_context: str) -> list[dict]:
|
|
"""AI 识别企业即将面临的关键决策岔路口。"""
|
|
llm = LLMClient()
|
|
prompt = f"""基于以下企业上下文，识别该企业即将面临的关键决策岔路口（1-3 个）：
|
|
|
|
{company_context[:6000]}
|
|
|
|
以 JSON 数组格式返回：
|
|
[{{"decision_type": "pivot/hiring/funding/product/org", "title": "决策标题", "description": "描述", "signals": ["触发信号"]}}]"""
|
|
result = await llm.chat(prompt, temperature=0.4)
|
|
return result if isinstance(result, list) else []
|
|
|
|
|
|
async def analyze_scenarios(decision: dict) -> dict:
|
|
"""AI 生成场景分析 — A 路线 vs B 路线。"""
|
|
llm = LLMClient()
|
|
prompt = f"""请为以下决策生成场景分析，对比 A 路线和 B 路线：
|
|
|
|
决策：{decision.get('title', '')}
|
|
描述：{decision.get('description', '')}
|
|
|
|
以 JSON 格式返回：
|
|
{{"route_a": {{"description": "A 路线描述", "pros": ["优势"], "cons": ["风险"], "success_probability": 0.7}},
|
|
"route_b": {{"description": "B 路线描述", "pros": ["优势"], "cons": ["风险"], "success_probability": 0.5}},
|
|
"recommendation": "建议"}}"""
|
|
result = await llm.chat(prompt, temperature=0.5)
|
|
return result if isinstance(result, dict) else {}
|