522 lines
22 KiB
Markdown
522 lines
22 KiB
Markdown
# NS2：AI Prompt 细化 — ai-prompt-refinement
|
||
|
||
> 优先级：高（NS1 完成后立即执行，Prompt 细化是 AI 功能闭环的关键）
|
||
> 预估工作量：中等
|
||
> 前置条件：P5-A 已完成（AI 骨架就绪）、NS1 已完成（后端 API 数据结构确定）
|
||
> 参考基准：`docs/prd/specs/P5-miniapp-ai-integration.md`（P5-B 阶段定义）
|
||
|
||
---
|
||
|
||
## 一、背景与目标
|
||
|
||
P5-A 阶段已交付 AI 集成管道：百炼封装、缓存 API、SSE 框架、应用 2/8 完整实现、应用 1/3/4/5/6/7 的触发机制和调用骨架。但应用 1/3/4/5/6/7 的 `build_prompt()` 函数仍为占位骨架，核心数据字段（`consumption_records`、`service_history`、`objective_data` 等）标记为 TODO。
|
||
|
||
本 SPEC 目标：将 6 个应用的 Prompt 拼接函数从骨架升级为完整实现，使 AI 应用能基于真实数据生成有价值的分析结果。
|
||
|
||
### 当前骨架状态
|
||
|
||
| 应用 | 文件 | 骨架状态 | 待细化字段 |
|
||
|------|------|---------|-----------|
|
||
| 应用 1 | `app1_chat.py` | 页面上下文文本化工具留接口 | `page_context`、`screen_content` 各页面文本化 |
|
||
| 应用 3 | `app3_clue.py` | `build_prompt()` 占位 | `consumption_records`（DWD+DWS 订单明细全维度） |
|
||
| 应用 4 | `app4_analysis.py` | `build_prompt()` 占位 | `service_history`、`assistant_info` |
|
||
| 应用 5 | `app5_tactics.py` | `build_prompt()` 占位 | `service_history`、`assistant_info`（同应用 4） |
|
||
| 应用 6 | `app6_note.py` | `build_prompt()` 占位 | `consumption_data`（同应用 3 的 main_data） |
|
||
| 应用 7 | `app7_customer.py` | `build_prompt()` 占位 | `objective_data`（同应用 3 的 main_data） |
|
||
|
||
---
|
||
|
||
## 二、技术架构
|
||
|
||
### 2.1 数据获取层（新建共享模块）
|
||
|
||
Prompt 细化的核心是从数据库获取真实数据并格式化为 AI 可读的 JSON。多个应用共享相同的数据获取逻辑，应抽取为共享模块：
|
||
|
||
```
|
||
apps/backend/app/ai/
|
||
├── data_fetchers/ 🆕 新建
|
||
│ ├── __init__.py
|
||
│ ├── member_data.py # 客户数据获取（消费记录、会员卡、余额等）
|
||
│ ├── assistant_data.py # 助教数据获取（基本信息、服务历史）
|
||
│ ├── service_history.py # 服务记录获取（助教-客户维度）
|
||
│ └── page_context.py # 页面上下文文本化（应用 1 专用）
|
||
├── apps/
|
||
│ ├── app1_chat.py 🔧 补充页面文本化调用
|
||
│ ├── app3_clue.py 🔧 补充 consumption_records 拼接
|
||
│ ├── app4_analysis.py 🔧 补充 service_history + assistant_info
|
||
│ ├── app5_tactics.py 🔧 补充 service_history + assistant_info
|
||
│ ├── app6_note.py 🔧 补充 consumption_data
|
||
│ └── app7_customer.py 🔧 补充 objective_data
|
||
```
|
||
|
||
### 2.2 数据获取函数设计
|
||
|
||
#### `member_data.py` — 客户数据获取（应用 3/6/7 共用）
|
||
|
||
```python
|
||
async def fetch_member_consumption_data(
|
||
site_id: int, member_id: int, months: int = 3
|
||
) -> dict:
|
||
"""获取客户近 N 个月消费数据（DWD+DWS 全维度）。
|
||
|
||
返回结构对应 P5 spec 中 main_data：
|
||
- consumption_records: 台桌结账 + 商城订单明细列表
|
||
- member_cards: 会员卡明细
|
||
- card_balance_total: 储值卡余额合计
|
||
- stored_value_balance_total: 储值余额合计
|
||
- expected_visit_date: 预计到店日期
|
||
- days_since_last_visit: 距上次到店天数
|
||
"""
|
||
```
|
||
|
||
数据源（全部通过 FDW）：
|
||
- `fdw_etl.v_dwd_settlement_head` + `fdw_etl.v_dwd_table_fee_log`（台桌结账）
|
||
- `fdw_etl.v_dwd_store_goods_sale`（商城订单）
|
||
- `fdw_etl.v_dwd_recharge_order`（充值记录）
|
||
- `fdw_etl.v_dim_member_card_account`（会员卡明细）
|
||
- `fdw_etl.v_dws_member_consumption_summary`（消费汇总 + 余额）
|
||
- `fdw_etl.v_dws_member_visit_detail`（到店明细 → 计算预计到店日期）
|
||
|
||
> ⚠️ 金额口径：使用 `items_sum`（= table_charge_money + goods_money + assistant_pd_money + assistant_cx_money + electricity_money），禁止 `consume_money`
|
||
> ⚠️ 会员字段断档（DQ-6/DQ-7）：member_phone/member_name 通过 member_id JOIN dim_member
|
||
|
||
#### `assistant_data.py` — 助教数据获取（应用 4/5 共用）
|
||
|
||
```python
|
||
async def fetch_assistant_info(
|
||
site_id: int, assistant_id: int
|
||
) -> dict:
|
||
"""获取助教基本信息（花名、级别、工龄等）。"""
|
||
|
||
async def fetch_service_history(
|
||
site_id: int, assistant_id: int, member_id: int, months: int = 3
|
||
) -> list[dict]:
|
||
"""获取助教服务该客户的历史记录。"""
|
||
```
|
||
|
||
数据源：
|
||
- `fdw_etl.v_dim_assistant`（基本信息）
|
||
- `fdw_etl.v_dwd_assistant_service_log`（服务记录，按助教+客户筛选）
|
||
- `fdw_etl.v_dws_member_assistant_relation_index`（关系指数）
|
||
- `fdw_etl.v_dws_member_assistant_intimacy`（亲密度）
|
||
|
||
#### `page_context.py` — 页面上下文文本化（应用 1 专用）
|
||
|
||
```python
|
||
async def build_page_text(
|
||
source_page: str, context_data: dict, site_id: int
|
||
) -> str:
|
||
"""将页面数据转换为 AI 可读的结构化文本。
|
||
|
||
根据 source_page 类型，从数据库获取对应数据并格式化。
|
||
"""
|
||
```
|
||
|
||
支持的页面类型及数据获取：
|
||
| source_page | 数据获取 | 文本化内容 |
|
||
|-------------|---------|-----------|
|
||
| `task-detail` | coach_tasks + member + notes + ai_cache | 任务信息 + 客户信息 + 备注 + AI 分析 |
|
||
| `customer-detail` | member + consumption + clues | 客户全信息 + 消费记录 + 维客线索 |
|
||
| `coach-detail` | assistant + tasks + notes | 助教信息 + 任务统计 + 备注 |
|
||
| `board-finance` | finance DWS 汇总 | 财务数据摘要 |
|
||
| `board-customer` | 当前筛选维度 top 列表 | 客户排名摘要 |
|
||
| `board-coach` | 当前筛选维度排名 | 助教排名摘要 |
|
||
| `performance` | salary_calc + daily_detail | 绩效数据摘要 |
|
||
| `my-profile` | user info + assistant binding | 个人信息摘要 |
|
||
|
||
### 2.3 数据库连接模式
|
||
|
||
- 所有 FDW 查询通过 `get_etl_readonly_connection(site_id)` 或 `fdw_etl.*` 视图
|
||
- 业务库查询通过 `get_connection()`
|
||
- 查询前必须 `SET LOCAL app.current_site_id`（RLS 隔离）
|
||
|
||
---
|
||
|
||
## 三、各应用 Prompt 细化详细设计
|
||
|
||
### 3.1 应用 3：客户数据维客线索分析
|
||
|
||
`build_prompt()` 需要拼接的完整 JSON 结构（参考 P5 spec）：
|
||
|
||
```json
|
||
{
|
||
"current_time": "2026-03-08 14:30:25",
|
||
"member_nickname": "客户昵称",
|
||
"main_data": {
|
||
"consumption_records": [
|
||
{
|
||
"settle_date": "2026-03-05",
|
||
"settle_type": 1,
|
||
"items_sum": 280.00,
|
||
"table_charge_money": 180.00,
|
||
"assistant_pd_money": 80.00,
|
||
"assistant_cx_money": 0,
|
||
"goods_money": 20.00,
|
||
"room_name": "VIP-3",
|
||
"duration_minutes": 120,
|
||
"assistant_names": ["张助教"]
|
||
}
|
||
],
|
||
"member_cards": [
|
||
{"card_type": "金卡", "balance": 1500.00, "gift_balance": 200.00}
|
||
],
|
||
"card_balance_total": 1700.00,
|
||
"stored_value_balance_total": 1700.00,
|
||
"expected_visit_date": "2026-03-10",
|
||
"days_since_last_visit": 15
|
||
},
|
||
"reference": {
|
||
"app6_clues": [...],
|
||
"app8_history": [
|
||
{"generated_at": "2026-03-01", "clues": [...]},
|
||
{"generated_at": "2026-02-15", "clues": [...]}
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
实现要点：
|
||
- `consumption_records` 从 `v_dwd_settlement_head` + `v_dwd_table_fee_log` 获取，settle_type IN (1,3)
|
||
- 金额字段逐项拆分（table_charge_money / assistant_pd_money / assistant_cx_money / goods_money），不使用 consume_money
|
||
- `expected_visit_date` 从 `v_dws_member_visit_detail` 的到店间隔推算
|
||
- reference 从 `ai_cache` 获取 app6 + app8 最近 2 套历史
|
||
|
||
### 3.2 应用 4：关系分析/任务建议
|
||
|
||
`build_prompt()` 需要拼接的完整 JSON 结构：
|
||
|
||
```json
|
||
{
|
||
"current_time": "2026-03-08 14:30:25",
|
||
"assistant_info": {
|
||
"nickname": "张助教",
|
||
"level": "高级",
|
||
"hire_date": "2024-06-01",
|
||
"tenure_months": 21,
|
||
"monthly_customers": 45,
|
||
"performance_tier": "A档"
|
||
},
|
||
"service_history": [
|
||
{
|
||
"service_date": "2026-03-01",
|
||
"duration_minutes": 90,
|
||
"items_sum": 250.00,
|
||
"room_name": "VIP-3",
|
||
"is_pd": true
|
||
}
|
||
],
|
||
"task_assignment_basis": "优先召回",
|
||
"customer_data": {
|
||
"system_data": { /* 同应用 3 的 main_data */ },
|
||
"notes": [
|
||
{"recorded_by": "张助教", "content": "客户喜欢打斯诺克", "created_at": "2026-02-28"}
|
||
]
|
||
},
|
||
"reference": {
|
||
"app8_current": {...},
|
||
"app8_history": [...]
|
||
}
|
||
}
|
||
```
|
||
|
||
实现要点：
|
||
- `assistant_info` 从 `v_dim_assistant` + `v_dws_assistant_salary_calc` 获取
|
||
- `service_history` 从 `v_dwd_assistant_service_log` 按助教+客户筛选
|
||
- `customer_data.system_data` 复用 `member_data.fetch_member_consumption_data()`
|
||
- `customer_data.notes` 从 `biz.notes` 获取该客户的全部备注
|
||
- reference 从 `ai_cache` 获取 app8 最新 + 最近 2 套历史
|
||
|
||
### 3.3 应用 5：话术参考
|
||
|
||
结构与应用 4 基本一致，额外增加 `task_suggestion` 字段（应用 4 的返回结果）。
|
||
|
||
实现要点：
|
||
- 复用应用 4 的 `assistant_info` + `service_history` + `customer_data` 获取逻辑
|
||
- `task_suggestion` 从应用 4 的 `run()` 返回值传入（调用链：应用 4 → 应用 5）
|
||
|
||
### 3.4 应用 6：备注分析
|
||
|
||
```json
|
||
{
|
||
"current_time": "2026-03-08 14:30:25",
|
||
"current_note": {
|
||
"content": "客户说下周要带朋友来打球",
|
||
"recorded_by": "张助教",
|
||
"created_at": "2026-03-08 14:25:00"
|
||
},
|
||
"reference": {
|
||
"member_nickname": "王先生",
|
||
"consumption_data": { /* 同应用 3 的 main_data */ },
|
||
"all_notes": [...],
|
||
"app3_clues": [...],
|
||
"app8_history": [...]
|
||
}
|
||
}
|
||
```
|
||
|
||
实现要点：
|
||
- `current_note` 从触发上下文获取（备注提交事件传入）
|
||
- `consumption_data` 复用 `member_data.fetch_member_consumption_data()`
|
||
- `all_notes` 从 `biz.notes` 获取所有助教对该客户的全部备注
|
||
- reference 从 `ai_cache` 获取 app3 + app8 历史
|
||
|
||
### 3.5 应用 7：客户分析
|
||
|
||
```json
|
||
{
|
||
"current_time": "2026-03-08 14:30:25",
|
||
"member_id": 12345,
|
||
"member_nickname": "王先生",
|
||
"objective_data": { /* 同应用 3 的 main_data */ },
|
||
"subjective_data": {
|
||
"notes": [
|
||
{"recorded_by": "张助教", "content": "...", "created_at": "..."}
|
||
]
|
||
},
|
||
"reference": {
|
||
"app8_current": {...},
|
||
"app8_history": [...]
|
||
}
|
||
}
|
||
```
|
||
|
||
实现要点：
|
||
- `objective_data` 复用 `member_data.fetch_member_consumption_data()`
|
||
- `subjective_data.notes` 从 `biz.notes` 获取全部备注，标注创建者
|
||
- 主观信息需在 Prompt 中标注【来源：XXX，请甄别信息真实性】
|
||
- reference 从 `ai_cache` 获取 app8 最新 + 最近 2 套历史
|
||
|
||
### 3.6 应用 1：biz_params 权限隔离（已实现，需确认）
|
||
|
||
> ✅ RNS1.4 已在 `app1_chat.py` 的 `_build_system_prompt()` 中实现 biz_params 拼接。
|
||
|
||
应用 1 通过 `biz_params.user_prompt_params` 向百炼 AI 传入用户身份信息，实现数据查询隔离：
|
||
|
||
```python
|
||
system_content = {
|
||
"task": "你是台球门店的 AI 助手...",
|
||
"biz_params": {
|
||
"user_prompt_params": {
|
||
"User_ID": str(user_id),
|
||
"Role": role, # "助教" | "管理者"
|
||
"Nickname": nickname,
|
||
},
|
||
},
|
||
}
|
||
```
|
||
|
||
权限控制规则（百炼平台侧执行）：
|
||
- 助教身份：仅允许查询与该助教相关的数据，禁止查询其他助教业绩/工资/客户关系等敏感数据，禁止查询门店级财务数据
|
||
- 管理者身份：可查询该门店下所有数据
|
||
- 所有查询必须包含 `site_id` 过滤
|
||
|
||
NS2 需确认事项：
|
||
- 前端调用 `POST /api/chat/conversations/:id/messages` 时，是否正确传入 `user_id`/`role`/`nickname`
|
||
- 后端从 JWT token 中提取用户信息并传入 `_build_system_prompt()`，确保不可伪造
|
||
|
||
### 3.7 应用 1：页面上下文传递与文本化
|
||
|
||
#### 当前问题（P5 PRD 与 RNS1.4 实现的差异）
|
||
|
||
P5 PRD 原始设计：
|
||
```
|
||
前端跳转 chat.html 时传入 source_page + page_context + screen_content
|
||
→ 后端接收后文本化 → 拼接为首条 user message
|
||
```
|
||
|
||
RNS1.4 当前实现：
|
||
```
|
||
前端跳转 chat 页面时仅传入 contextType + contextId（如 task/12345）
|
||
→ 后端 _build_page_context() 为占位实现，page_context 和 screen_content 为空
|
||
→ AI 无法获得页面上下文
|
||
```
|
||
|
||
#### 解决方案：后端根据 contextType 自动获取页面上下文
|
||
|
||
采用方案 B（简化前端，后端自动查询），与 RNS1.4 已有的 `contextType`/`contextId` 参数兼容：
|
||
|
||
```
|
||
前端传入 contextType="task-detail" + contextId="12345"
|
||
→ 后端 build_page_text("task-detail", 12345, site_id)
|
||
→ 后端从数据库获取任务详情、客户信息、备注、AI 分析等
|
||
→ 格式化为结构化中文文本
|
||
→ 拼接为首条 user message 的 page_context 字段
|
||
```
|
||
|
||
#### contextType 映射表
|
||
|
||
| 前端 contextType | 后端数据获取 | 文本化内容 |
|
||
|-----------------|-------------|-----------|
|
||
| `task-detail` | coach_tasks + member + notes + ai_cache | 任务信息 + 客户信息 + 备注 + AI 分析 |
|
||
| `customer-detail` | member + consumption + clues | 客户全信息 + 消费记录 + 维客线索 |
|
||
| `coach-detail` | assistant + tasks + notes | 助教信息 + 任务统计 + 备注 |
|
||
| `board-finance` | finance DWS 汇总（按当前筛选条件） | 财务数据摘要 |
|
||
| `board-customer` | 当前筛选维度 top 列表 | 客户排名摘要 |
|
||
| `board-coach` | 当前筛选维度排名 | 助教排名摘要 |
|
||
| `performance` | salary_calc + daily_detail | 绩效数据摘要 |
|
||
| `my-profile` | user info + assistant binding | 个人信息摘要 |
|
||
| `task-list` | 长按的任务摘要 + 客户-助教关系 | 任务概要 |
|
||
| `customer-service-records` | 服务记录列表 | 服务记录摘要 |
|
||
|
||
#### 前端需要补充的参数
|
||
|
||
当前前端仅传 `contextType` + `contextId`，对于看板类页面需要额外传入筛选条件：
|
||
|
||
| contextType | 必传参数 | 可选参数 |
|
||
|-------------|---------|---------|
|
||
| `task-detail` | contextId（taskId） | — |
|
||
| `customer-detail` | contextId（memberId） | — |
|
||
| `coach-detail` | contextId（assistantId） | — |
|
||
| `board-finance` | — | `timeDimension`（时间维度）、`areaFilter`（区域筛选） |
|
||
| `board-customer` | — | `dimension`（排序维度）、`typeFilter`（类型筛选） |
|
||
| `board-coach` | — | `dimension`、`projectFilter`、`timeDimension` |
|
||
| `performance` | — | `timeDimension` |
|
||
| `task-list` | contextId（taskId） | — |
|
||
| `my-profile` | — | — |
|
||
|
||
#### 实现要点
|
||
|
||
- 每个页面类型对应一个文本化函数，在 `data_fetchers/page_context.py` 中实现
|
||
- 文本化输出为结构化中文描述（非 JSON），便于 AI 理解上下文
|
||
- 数据量控制：每个页面上下文不超过 2000 字符，避免 token 浪费
|
||
- 敏感信息脱敏：不传入 member_phone 等断档字段
|
||
- 看板类页面：若前端未传筛选条件，使用默认值（如 board-finance 默认"本月"）
|
||
- 错误降级：数据获取失败时，page_context 传入"页面上下文获取失败"，不阻断对话
|
||
|
||
---
|
||
|
||
## 四、数据库审查
|
||
|
||
### 4.1 数据获取涉及的表
|
||
|
||
| 数据获取函数 | 涉及表 | 连接方式 |
|
||
|-------------|--------|---------|
|
||
| `fetch_member_consumption_data` | v_dwd_settlement_head, v_dwd_table_fee_log, v_dwd_store_goods_sale, v_dwd_recharge_order, v_dim_member_card_account, v_dws_member_consumption_summary, v_dws_member_visit_detail | FDW |
|
||
| `fetch_assistant_info` | v_dim_assistant, v_dws_assistant_salary_calc | FDW |
|
||
| `fetch_service_history` | v_dwd_assistant_service_log, v_dws_member_assistant_relation_index, v_dws_member_assistant_intimacy | FDW |
|
||
| `build_page_text` | 以上全部 + biz.coach_tasks, biz.notes, biz.ai_cache, public.member_retention_clue | FDW + 业务库 |
|
||
|
||
### 4.2 无需新建表
|
||
|
||
本 SPEC 不需要新建数据库表。所有数据获取基于 NS1 已建立的 FDW 映射和 P4/P5-A 已建立的业务表。
|
||
|
||
### 4.3 性能考虑
|
||
|
||
- `fetch_member_consumption_data` 涉及 7 张 FDW 表查询，建议：
|
||
- 消费记录限制最近 3 个月（WHERE settle_date >= NOW() - INTERVAL '3 months'）
|
||
- 单次查询最多返回 100 条记录
|
||
- 考虑使用 NS1 中建议的 `biz.task_detail_cache` 缓存聚合结果
|
||
- 页面文本化（应用 1）需要实时获取数据，建议设置 5 秒查询超时
|
||
|
||
---
|
||
|
||
## 五、调用链与数据流
|
||
|
||
### 5.1 消费事件链
|
||
|
||
```
|
||
新结算单到达
|
||
→ 应用 3.build_prompt(member_data) → 百炼 API → ai_cache
|
||
→ 应用 8.run() → member_retention_clue
|
||
→ 应用 7.build_prompt(member_data + notes) → 百炼 API → ai_cache
|
||
→ 应用 4.build_prompt(assistant_data + member_data) → 百炼 API → ai_cache
|
||
→ 应用 5.build_prompt(app4_result) → 百炼 API → ai_cache
|
||
```
|
||
|
||
### 5.2 备注提交事件链
|
||
|
||
```
|
||
备注提交
|
||
→ 应用 6.build_prompt(note + member_data) → 百炼 API → ai_cache
|
||
→ 应用 8.run() → member_retention_clue
|
||
```
|
||
|
||
### 5.3 应用 1 对话流
|
||
|
||
```
|
||
用户点击 AI 入口
|
||
→ 前端传入 contextType + contextId（+ 可选筛选参数）
|
||
→ 后端 build_page_text(contextType, contextId, site_id, filters?)
|
||
→ 从数据库获取对应页面数据，格式化为结构化中文文本
|
||
→ 拼接为首条 user message 的 page_context 字段
|
||
→ 注入 biz_params（User_ID/Role/Nickname）到 system prompt
|
||
→ SSE 流式调用百炼 API
|
||
```
|
||
|
||
> ⚠️ 与 P5 PRD 原始设计的差异：P5 设计为前端传入 `source_page` + `page_context` + `screen_content`，
|
||
> RNS1.4 实际实现为前端传入 `contextType` + `contextId`，后端自动查询数据库获取上下文。
|
||
> NS2 沿用 RNS1.4 方案（后端自动获取），不要求前端传入原始页面数据。
|
||
|
||
---
|
||
|
||
## 六、参考文档
|
||
|
||
| 文档 | 路径 | 用途 |
|
||
|------|------|------|
|
||
| P5 AI 集成 spec | `docs/prd/specs/P5-miniapp-ai-integration.md` | Prompt JSON 结构定义、调用链时序 |
|
||
| AI 应用 Prompt | `docs/prd/ai-app-prompts.md` | 8 个应用的 System Prompt、biz_params 定义 |
|
||
| AI 需求文档 | `docs/prd/AI需求2.md` | 8 个应用的详细需求表、传参格式 |
|
||
| AI 应用→页面映射 | `docs/reports/2026-03-20__ai_app_page_mapping.md` | 各应用输出内容在哪个页面的什么位置展示 |
|
||
| API 契约 | `docs/miniprogram-dev/API-contract.md` | 接口响应格式（决定数据结构） |
|
||
| DWD-DOC 标杆 | `docs/reports/DWD-DOC/` | 金额口径、字段语义权威参考 |
|
||
| AI 应用骨架代码 | `apps/backend/app/ai/apps/app*.py` | 当前骨架实现（含 biz_params 已实现） |
|
||
| 百炼客户端 | `apps/backend/app/ai/bailian_client.py` | API 调用封装 |
|
||
| 缓存服务 | `apps/backend/app/ai/cache_service.py` | ai_cache 读写 |
|
||
| NS1 接口设计 | `docs/prd/Neo_Specs/NS1-xcx-backend-api.md` | 后端数据结构参考 |
|
||
| RNS1.4 任务计划 | `.kiro/specs/rns1-chat-integration/tasks.md` | 当前 chat 模块实施进度 |
|
||
|
||
---
|
||
|
||
## 七、预审查清单（SPEC 启动前确认）
|
||
|
||
### 7.1 数据结构
|
||
|
||
1. **消费记录字段范围**：`consumption_records` 中每条记录需要包含哪些字段？是否需要包含折扣信息（discount_manual/discount_other）？是否需要包含支付方式明细（balance_pay/cash_pay/online_pay）？
|
||
2. **服务记录字段范围**：`service_history` 中每条记录需要包含哪些字段？是否需要包含台桌类型（room_category）和客户评价？
|
||
3. **备注内容截断**：`all_notes` 中每条备注是否需要全文传入？长备注是否截断？截断长度？
|
||
4. **会员卡明细粒度**：`member_cards` 是否需要包含卡号、开卡日期、有效期等详细信息，还是只需要卡类型和余额？
|
||
|
||
### 7.2 Prompt 优化
|
||
|
||
5. **Token 预算**：每个应用的首条 Prompt 的 token 上限是多少？百炼 API 的单次请求 token 限制？
|
||
6. **数据时间窗口**：消费记录默认取近 3 个月，是否需要可配置？不同应用是否需要不同时间窗口？
|
||
7. **空数据处理**：当客户无消费记录/无备注/无服务历史时，Prompt 如何处理？是否需要特殊提示词？
|
||
|
||
### 7.3 页面文本化（应用 1）
|
||
|
||
8. **文本化格式**：页面上下文是输出为结构化中文文本还是 JSON？AI 对哪种格式理解更好？
|
||
9. **数据量控制**：每个页面上下文的字符上限？是否需要根据页面类型动态调整？
|
||
10. **实时性要求**：应用 1 的页面上下文是否需要实时获取最新数据？还是可以使用缓存（如 task_detail_cache）？
|
||
|
||
### 7.4 性能与安全
|
||
|
||
11. **FDW 查询并发**：多个数据获取函数是否可以并发执行（asyncio.gather）？FDW 连接池是否支持？
|
||
12. **数据脱敏**：传入百炼 API 的数据中，哪些字段需要脱敏？member_phone 已断档不传，还有其他敏感字段吗？
|
||
13. **错误降级**：某个数据获取函数失败时（如 FDW 超时），是否跳过该部分继续生成 Prompt？还是整体失败？
|
||
|
||
---
|
||
|
||
## 八、任务清单（草案，SPEC 细化后调整）
|
||
|
||
### Batch A：共享数据获取层
|
||
- [ ] T1：创建 `data_fetchers/member_data.py`（客户消费数据获取，应用 3/6/7 共用）
|
||
- [ ] T2：创建 `data_fetchers/assistant_data.py`（助教信息 + 服务历史获取，应用 4/5 共用）
|
||
- [ ] T3：创建 `data_fetchers/page_context.py`（页面上下文文本化框架，应用 1 专用）
|
||
|
||
### Batch B：Prompt 拼接实现
|
||
- [ ] T4：完善 `app3_clue.py` 的 `build_prompt()`（客户消费数据 → 维客线索分析）
|
||
- [ ] T5：完善 `app4_analysis.py` 的 `build_prompt()`（助教+客户数据 → 关系分析）
|
||
- [ ] T6：完善 `app5_tactics.py` 的 `build_prompt()`（复用应用 4 数据 + task_suggestion）
|
||
- [ ] T7：完善 `app6_note.py` 的 `build_prompt()`（备注+客户数据 → 备注分析）
|
||
- [ ] T8：完善 `app7_customer.py` 的 `build_prompt()`（客户全量数据 → 运营策略）
|
||
|
||
### Batch C：应用 1 页面文本化 + 前端配合
|
||
- [ ] T9：实现各页面类型的文本化函数（task-detail/customer-detail/board-*/performance 等）
|
||
- [ ] T10：补充 `app1_chat.py` 的 `_build_page_context()` 调用文本化函数，根据 `contextType` 路由到对应文本化函数
|
||
- [ ] T11：前端补充看板类页面的筛选参数传递（board-finance/board-customer/board-coach 跳转 chat 时传入当前筛选条件）
|
||
- [ ] T12：确认 biz_params 端到端正确性（前端 JWT → 后端提取 user_id/role/nickname → system prompt 注入 → 百炼权限隔离生效）
|
||
|
||
### Batch D：联调与验证
|
||
- [ ] T13：端到端联调（触发事件 → Prompt 拼接 → 百炼调用 → 缓存写入 → 前端展示）
|
||
- [ ] T14：应用 1 页面上下文联调（各入口页面 → contextType/contextId → 后端文本化 → AI 对话验证上下文感知）
|