小麦乐动返回作品集
小麦乐动

让 AI 生成的计划,
真正进入
教练的工作流。

AI 训练计划与多场景小助理
从业务需求、动作召回,到结构化生成与人工确认。

查看 AI 生成链路
小麦乐动运动健身产品主视觉
已有业务系统 × 动作库 × 大模型

先确定 AI 应该接手哪一段工作。

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。

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。

场馆运营:开放式任务

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。

我的参与

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。

  1. 场景收敛教练备课 / 场馆运营
  2. 方案定义数据、Prompt 与模型分工
  3. 流程接入生成 → 编辑 → 保存
  4. 迭代设计检索质量与 Agent 校验

从一段回答,到一份可编辑的训练计划。

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。

  1. 01

    会员与训练信息

    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。

  2. 02

    动作库召回

    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。

  3. 03

    Prompt 组装

    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。

  4. 04

    结构化生成

    ERNIE-3.5-128K 返回 JSON,记录 Token 用量并解析业务字段。

  5. 05

    编辑与确认

    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。

用动作 ID 连接生成与业务

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。

数据优先级
最近体测 → 会员档案 → 手动补充
结构化字段
动作、组数、重量单位与值、次数单位与值、训练建议
输出边界
原方案约束仅选候选动作;教练在编辑态确认内容
业务字段映射示意 · 非训练建议
{
  "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" }]
}

产品判断:可解析,不等于可直接执行。

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。

动作库不是附件,而是生成的约束来源。

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”。

原产品方案与本次检索优化设计
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。

什么时候值得引入 RAG?

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。

先补数据,再换检索算法

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。

让 Agent 有工具,也有停止条件。

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)

检索动作

search_actions(只读)

输入
部位、可用器械、允许使用的动作范围与检索词。
输出
带动作 ID、属性与命中原因的候选集合。
产品规则
先执行权限和属性过滤;自然语言需求再使用关键词与向量召回。按 ID 去重、排序后提供给模型。
异常回路
候选不足时说明缺口并追问;不放宽权限与安全限制,不编造库外动作。
校验失败 → 定向修复;信息不足 → 追问;通过 → 人工确认

确定的环节交给工作流

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。

变化的任务交给 Agent

“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。

查看关键异常与产品处理
库外或失效 ID
拒绝回填对应动作,返回校验错误;只允许从有效候选中重选。
无器械匹配
说明缺少什么条件,交由教练修改;不静默扩大候选范围。
JSON 不完整
完整响应结束后校验;有限次数修复失败则保留输入并转人工编辑。
训练量不合理
交由教练审核总时长、动作组合与负荷;不将原文中的“强度越大、动作越多”直接作为质量标准。

多场景问答,重点在上下文的管理。

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。

日常问答

通用内容咨询

system 为空 · temperature 0.8

活动策划

目标、流程、行动与风险

活动策划专家 · temperature 1.0

成交话术

围绕产品卖点组织表达

销售专家 · temperature 0.8

历史可查,上下文有界。

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。

10 轮
模型默认上下文窗口
30 分钟
回复后无新提问,自动结束会话
500 字符
单次用户输入上限
  1. 输入非空校验 / 场景选择
  2. 生成流式反馈 / 禁止重复发送
  3. 完成复制结果 / 继续追问
  4. 归档新对话 / 历史可恢复问答

进一步优化:在请求前管理 Token 预算。

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。

验证标准,要从“生成了”走到“用起来”。

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。

后续评测与上线观察方案
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

对照评测,逐步升级

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。

产品经理负责定义判断依据

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。