教练备课:结构化任务
备课需要读取会员资料、筛选动作、组合训练内容。将 AI 接入原有“新建训练计划”,复用已有数据和编辑能力,减少额外录入与跨工具搬运。
优先解决:输出怎样成为可保存、可执行的业务对象。
场馆系统已有会员、体测、动作库与训练记录。AI 的切入点,是帮助教练更快形成可编辑计划,并支持销售与运营的日常内容任务。
备课需要读取会员资料、筛选动作、组合训练内容。将 AI 接入原有“新建训练计划”,复用已有数据和编辑能力,减少额外录入与跨工具搬运。
优先解决:输出怎样成为可保存、可执行的业务对象。日常问答、活动策划、成交话术需要不同的角色设定与表达方式。使用独立小助理入口,以场景 Prompt 和多轮对话支持持续修改。
优先解决:同一个入口怎样适应不同任务与上下文。参与场景分析、需求收敛与 AI 方案设计,围绕会员数据引用、动作召回、生成结果回填和会话状态梳理产品规则,并承接交互、UI 与交付协作。页面进一步呈现我对检索质量、生成校验与 Agent 编排的优化思考。
原产品方案的关键,是建立“业务数据 → 候选动作 → 模型输出 → 业务字段”的映射。模型负责组合,系统负责关联,教练保留最终判断。
优先读取最近体测数据,其次读取会员档案;教练补全训练部位与强度。
最多选择 3 个部位,每个部位随机召回 20 个动作,不足则全部返回。
组合角色与规则、候选动作库、会员信息;约束仅引用给定动作 ID。
ERNIE-3.5-128K 返回 JSON,记录 Token 用量并解析业务字段。
回填新建训练计划,教练可修改动作、组数、重量、次数与建议,再保存。
动作名称用于阅读,动作 ID 用于绑定系统动作;单位与数值分别输出,才能回填已有训练表单,并关联动作详情。
{
"动作列表": [{
"动作ID": "21",
"动作名称": "俯卧撑",
"组数": 3,
"重量的单位": "空",
"重量的数值": "空",
"次数的单位": "次",
"次数的数值": "12"
}],
"其他": [{ "训练建议": "由教练审阅并完善" }]
}流式输出用于提供及时反馈,完整 JSON 到齐后再解析并回填。格式与 ID 可以由程序校验,训练内容是否适合会员仍需教练确认;自动生成不应越过原有编辑与保存环节。
原方案已包含基于数据库的动作召回。下一步优化的重点,是从“取到动作”进一步走向“取到适合当前任务、能够解释的候选动作”。
| 产品问题 | 原产品方案 | 优化设计 |
|---|---|---|
| 召回范围 | 按训练部位筛选,每部位随机取 20 条。 | 先校验数据访问权限,再按部位、器械与教练确认的限制条件筛选。 |
| 召回方式 | 数据库字段匹配,最多 60 条候选进入 Prompt。 | 结构化条件直接查询;自由文本需求用关键词与向量混合召回,再按 ID 去重。 |
| 候选排序 | 原方案采用随机抽样。 | 按目标匹配、器械可用性与动作覆盖排序;保留命中依据,便于教练判断。 |
| 上下文组织 | 动作 ID、名称、训练部位随 Prompt 传入。 | 动作记录作为检索单元,补充必要属性;按 Token 预算控制候选量,避免整库输入。 |
| 未命中处理 | 不足 20 条时返回现有动作。 | 零命中则提示条件缺口;请求用户调整,不生成库外 ID,不自动放宽限制。 |
用户已经明确选择部位时,字段筛选更直接。出现动作别名、自然语言目标或动作说明检索需求时,再增加语义召回,把检索到的动作记录作为生成依据。
动作库需要稳定 ID、规范名称、部位、器械等元数据。缺少适用条件时,向量相似度也无法替代业务判断。新增字段需先经过专业审核与数据治理。
本次优化设计:在原有固定生成流程上,增加任务追问、按需检索与校验修复。模型决定何时补充信息或重新检索,程序控制工具权限、重试上限与保存边界。
Agent 优化设计 · 点击节点查看规则(交互示意,无模型调用)
search_actions(只读)
权限校验、字段格式、ID 校验、用户确认与保存使用确定性规则。无需让模型自主决定每一步,便于排查失败和控制调用成本。
“换成现有器械能完成的动作”等修改需求,由模型理解后调用检索工具;返回新的候选结果,重新编排并校验。计划始终以草稿交给教练。
AI 小助理使用 ERNIE-Speed-128K。用户先选择任务场景,再持续追问与修改;场景决定角色设定,会话规则决定模型记住什么。
通用内容咨询
system 为空 · temperature 0.8目标、流程、行动与风险
活动策划专家 · temperature 1.0围绕产品卖点组织表达
销售专家 · temperature 0.8每次请求按顺序传入用户提问和模型回复,默认仅携带最近 10 轮。原方案在超出上下文限制报错时逐轮删除更早内容;新对话不携带旧会话。
页面单次展示 100 条会话信息,与模型接收 10 轮上下文是两个不同边界。历史保存不等于每次都送给模型。
预留输出空间,优先保留当前任务与最新问题,再裁剪完整的历史问答对;长任务可在用户确认后保存摘要。避免将所有错误都当作超长报错重试,网络、权限和额度错误应分别处理。
原需求已记录输入、输出与总 Token 用量,并区分训练计划与通用问答的模型配置。下一步应把生成质量、实际采用和单位成本放在同一条链路上观察。
| 维度 | 观察指标 | 支持什么决策 |
|---|---|---|
| 检索 | 候选覆盖、零召回、无效 ID 比例 | 是否需要补动作数据、调整过滤或引入语义召回 |
| 生成 | JSON 解析率、规则通过率、修复次数 | 区分 Prompt、模型与业务规则的问题 |
| 采用 | 生成后保存率、修改动作比例、教练审核反馈 | 识别“能看”与“能用”之间的差距 |
| 成本 | 首字耗时、总耗时、每份已保存计划的调用成本 | 把失败与重试计入成本,比较不同模型方案 |
固定一组经教练审核的会员与任务样本,对比原随机召回、属性过滤及混合检索方案。覆盖缺失资料、稀缺部位、器械不匹配、重复动作与格式错误等场景,先看质量,再看时延与成本。
明确什么是合格草稿、何时应该追问、失败后如何恢复,以及是否值得增加模型调用。用可观察的标准支持方案取舍,而不是只比较回答是否流畅。