1. 这篇文章真正要解决的问题你有没有过这样的经历年初立下Flag要每天健身、学英语、读书结果不到一个月就默默放弃。或者你开发了一个帮助用户养成习惯的小程序却发现用户活跃度断崖式下跌根本“催不动”这正是许多个人开发者和产品经理面临的经典困境我们精心设计的监督工具用户为什么不用是提醒不够频繁还是激励不够诱人最近我在B站AI创造公开赛中看到一个名为“我做了个监督小程序却不想催你”的项目它提供了一个截然不同的解题思路。这个项目没有采用传统的“打卡提醒”强监督模式而是尝试用AI构建一种更温和、更智能的陪伴式监督。本文将深入拆解这个项目的核心逻辑。我们不止步于复述其功能而是要探究一个更深层的问题在用户普遍对“被监督”感到反感的今天如何利用AI技术设计出用户真正愿意长期使用的习惯养成产品我们将从产品理念、技术实现特别是AI Agent的应用、代码实战到避坑指南为你完整呈现如何构建一个“不招人烦”的智能监督助手。无论你是想学习AI与小程序结合的最新实践还是正在为自家产品的用户留存问题寻找灵感这篇文章都将提供可直接落地的参考。2. 从“监督”到“陪伴”产品理念的范式转变在深入代码之前我们必须先理解这个项目背后的核心理念这是它区别于市面上无数打卡App的关键。传统的习惯养成工具其逻辑本质上是“行为主义”的设定目标如每天跑步→ 定时提醒Push通知→ 完成打卡获得积分/勋章→ 未完成则惩罚连续记录中断。这套系统简单有效但也带来了明显的副作用监督压力。用户将工具视为一个冰冷的监工一旦产生逆反心理或暂时性失败就容易彻底放弃。“不想催你”这个项目其理念更接近“人本主义”和“认知行为疗法”。它试图将AI从“监督者”转变为“陪伴者”或“教练”。其目标不是确保用户100%执行计划而是帮助用户理解自己、接纳波动、并可持续地调整计划。这种转变体现在几个关键设计点上动态目标协商AI不会死板地要求用户执行原定计划。当用户多次未完成时AI会主动建议“是否将目标从‘每天学习2小时’调整为‘每周学习10小时’”让计划更贴合用户真实的生活节奏。归因分析与共情当用户未完成任务时AI不会简单标记为“失败”而是会引导用户记录原因如“今天加班太累”、“身体不适”并给予理解性的反馈如“辛苦了休息也是为了更好地前进。我们明天再试试”正向反馈循环奖励机制不仅与“是否完成”挂钩更与“用户的努力程度”、“自我觉察的深度”相关联。即使任务没完成但认真记录了原因和感受也能获得积极的认可。这种理念下技术实现的重点就从“如何更精准地推送提醒”变成了“如何让AI更自然地理解用户状态并做出个性化互动”。这正是AI Agent技术可以大显身手的地方。3. 技术架构核心AI Agent 驱动的交互引擎这个项目的技术骨架是一个典型的“前端小程序 后端服务端 AI 服务”的三层架构但其灵魂在于后端如何组织AI能力来驱动交互。用户输入 │ ▼ 微信小程序前端 (UI/交互层) │ (HTTPS API) ▼ 后端服务 (Node.js/Python) ├── 用户状态管理模块 (存储目标、记录、历史) ├── 对话理解与路由模块 (NLU) ├── **AI Agent 协调引擎** (核心) │ ├── 目标评估Agent │ ├── 情绪感知Agent │ ├── 计划调整Agent │ └── 激励生成Agent └── 外部AI服务调用 (如文心一言、GPT API) │ ▼ 生成个性化响应更新用户状态核心模块解析对话理解与路由模块解析用户发送的文本如“今天不想学了”、“我完成了阅读任务”识别其意图是汇报完成、表达困难、请求帮助还是单纯聊天和关键实体任务名、情绪词、原因。AI Agent 协调引擎这是项目的大脑。它不是一个单一的AI模型而是一组分工协作的“智能体”Agent。目标评估Agent分析用户历史完成数据判断当前目标的合理性太简单太难。情绪感知Agent从用户输入中识别情绪状态积极、疲惫、沮丧、焦虑为后续回应定调。计划调整Agent在评估和感知的基础上生成调整目标的建议如拆分任务、延长期限、降低难度。激励生成Agent根据用户当前状态和成就生成个性化的鼓励话语避免千篇一律的“加油”。外部AI服务调用上述各个Agent的具体推理和文本生成能力通常通过调用如OpenAI GPT、文心一言、通义千问等大模型的API来实现。关键在于设计好的**系统提示词System Prompt**来让大模型扮演好特定Agent的角色。这种架构的优势在于可解释性和可迭代性。每个Agent的职责明确我们可以单独优化“情绪感知”的准确度或调整“计划调整”的策略而不影响整体系统。4. 环境准备与关键技术选型要复现或借鉴这样一个项目你需要准备以下开发环境和技术栈。4.1 开发环境操作系统Windows 10/11, macOS, 或 Linux (如Ubuntu 20.04)。Node.js推荐 LTS 版本 (如 v18.x 或 v20.x)。这是后端服务的常见选择。Python可选版本 3.8。如果你计划使用一些成熟的AI框架如LangChain或进行更复杂的模型微调Python环境会更方便。代码编辑器VS Code (推荐) 或 WebStorm。微信开发者工具用于小程序端的开发、调试和预览。4.2 技术选型建议小程序前端原生微信小程序开发使用WXML、WXSS、JS或使用跨端框架如Taro、Uni-app需考虑包大小和性能。后端服务语言Node.js (Express/Koa框架) 或 Python (FastAPI/Flask框架)。Node.js在IO密集型、实时交互场景有优势Python在AI生态集成上更丰富。数据库轻量级可选 SQLite (开发测试)、MySQL/PostgreSQL (生产)文档型可选 MongoDB更适合存储用户灵活的行为日志。AI能力接入国内可稳定访问百度文心一言ERNIE、阿里通义千问、智谱AIGLM、月之暗面Kimi。这些平台提供标准的API接口需申请API Key。核心依赖用于调用AI API的SDK例如openai库兼容多种API、各厂商官方SDK。关键第三方服务用户认证直接使用微信小程序登录能力。云存储/部署考虑腾讯云开发TCB或阿里云函数计算FC实现免运维部署尤其适合个人开发者。5. 核心流程拆解一次完整的智能交互是如何发生的让我们跟随一个用户场景看看数据是如何在系统中流动的。场景用户“小明”设定目标“每周跑步3次”。本周第三次他发送消息“今天下雨而且感觉有点累不想跑了。”步骤1用户输入与上传小明在小程序聊天框输入文字点击发送。小程序前端通过wx.request将消息{userId: ‘xxx’, content: ‘今天下雨…’, taskId: ‘run_week’}发送至后端API。步骤2意图识别与状态获取后端接收到请求首先通过一个轻量级的NLU模块可以是规则匹配也可以用小模型进行意图识别。识别结果为report_skip_with_reason(带原因的跳过汇报)。同时从数据库查询小明本周的跑步记录已跑2次和该任务的历史数据。步骤3AI Agent 协同工作这是最核心的步骤。后端服务组织一次对大模型的调用但这次调用承载了多个Agent的“思考”。# 示例使用 OpenAI 兼容 API (如智谱GLM) 进行 Agent 推理 import openai # 配置API基础信息此处以智谱AI为例 client openai.OpenAI( api_keyyour_glm_api_key, base_urlhttps://open.bigmodel.cn/api/paas/v4/ # GLM的API端点 ) def generate_ai_response(user_input, user_history, task_status): # 构建一个复杂的 System Prompt 来定义AI的角色和思考流程 system_prompt 你是一个习惯养成教练擅长鼓励和引导用户而不是施加压力。请根据以下模块逐步思考并生成最终回复 1. 【情绪感知】分析用户输入“{user_input}”中表达的情绪和潜在原因。关键词{reason_keywords}。 2. 【目标评估】用户当前任务“{task_name}”状态为{task_status}。评估其目标的合理性及本次未完成的影响。 3. 【计划调整建议】基于以上分析是否需要建议用户调整目标如改为本周2次如果需要给出具体、温和的建议。 4. 【激励生成】生成一段不超过100字的回复。要求a) 共情用户提及的原因b) 认可用户已付出的努力已完成{completed_times}次c) 传递“灵活性”和“可持续性”比“严格坚持”更重要的理念d) 语气温暖、支持。 请直接输出最终回复不要输出思考过程。 .format( user_inputuser_input, reason_keywords下雨累, task_name每周跑步3次, task_status本周已完成2/3次, completed_times2 ) # 组织对话历史让AI有上下文 messages [ {role: system, content: system_prompt}, {role: user, content: user_input} ] try: response client.chat.completions.create( modelglm-4, # 指定模型 messagesmessages, temperature0.7, # 控制创造性不宜过高以保证稳定性 max_tokens500 ) ai_reply response.choices[0].message.content return ai_reply except Exception as e: # 降级处理返回预设的鼓励语 return “听起来你今天需要休息。没关系倾听身体的声音也是自律的一部分。已经完成两次跑步很棒了我们明天再看看状态如何” # 调用函数 final_reply generate_ai_response(“今天下雨而且感觉有点累不想跑了。”, user_history, task_status)步骤4响应返回与状态更新将AI生成的回复例如“下雨天确实不适合户外运动你的决定很明智。身体感到疲惫时强迫自己反而容易受伤。本周你已经成功完成了两次跑步这已经很棒了如果愿意我们可以把第三次移到周末或者这周就保持两次的成果你觉得呢”返回给小程序前端。同时在数据库更新该任务的状态。这里不是标记为“失败”而是可能记录为“主动跳过原因天气/疲劳”并关联AI的回复。这为后续分析用户行为模式积累了宝贵数据。步骤5前端展示与交互小程序前端收到回复后以聊天气泡的形式展示。界面UI应营造轻松、友好的氛围避免使用红色、感叹号等带来压迫感的元素。6. 关键代码实现示例让我们聚焦于几个关键的后端Node.js代码片段。6.1 后端服务入口与路由 (app.js)// app.js - 使用 Express.js const express require(express); const bodyParser require(body-parser); const userRouter require(./routes/user); const taskRouter require(./routes/task); const chatRouter require(./routes/chat); // 处理AI对话的核心路由 const app express(); app.use(bodyParser.json()); // 注册路由 app.use(/api/user, userRouter); app.use(/api/task, taskRouter); app.use(/api/chat, chatRouter); // 重点对话接口 const PORT process.env.PORT || 3000; app.listen(PORT, () { console.log(Server running on port ${PORT}); });6.2 核心对话处理接口 (routes/chat.js)// routes/chat.js const express require(express); const router express.Router(); const { handleUserMessage } require(../agents/coordinator); // 引入Agent协调器 const { verifyToken } require(../middleware/auth); // 简单的JWT验证中间件 // POST /api/chat/message router.post(/message, verifyToken, async (req, res) { try { const { userId, content, taskId } req.body; if (!content || content.trim() ) { return res.status(400).json({ error: 消息内容不能为空 }); } // 1. 获取用户当前任务状态从数据库 const userTask await Task.findOne({ userId, _id: taskId }).populate(history); const taskStatus { name: userTask.name, target: userTask.target, completed: userTask.completedCount, history: userTask.history }; // 2. 调用AI Agent协调引擎处理消息 const aiResponse await handleUserMessage(userId, content, taskStatus); // 3. 保存本次交互记录 const newRecord new InteractionRecord({ userId, taskId, userMessage: content, aiResponse: aiResponse.text, // aiResponse可能包含文本和元数据 intent: aiResponse.detectedIntent, timestamp: new Date() }); await newRecord.save(); // 4. 根据AI建议可能更新任务状态例如同意了调整目标 if (aiResponse.suggestedAdjustment) { await updateTaskTarget(taskId, aiResponse.suggestedAdjustment); } // 5. 返回AI回复给前端 res.json({ success: true, reply: aiResponse.text, meta: aiResponse.meta // 可包含建议调整、表情符号等扩展信息 }); } catch (error) { console.error(处理消息失败:, error); res.status(500).json({ success: false, reply: 哎呀教练好像走神了请稍后再试。, error: Internal server error }); } }); module.exports router;6.3 AI Agent协调引擎核心 (agents/coordinator.js)// agents/coordinator.js const { callLLM } require(../services/llmService); // 封装好的大模型调用服务 const { analyzeIntent } require(./intentAgent); const { evaluateGoal } require(./evaluationAgent); async function handleUserMessage(userId, userInput, taskStatus) { // Step 1: 基础意图识别可规则小模型结合 const baseIntent await analyzeIntent(userInput); // Step 2: 构建给大模型的“思考指令”System Prompt // 这里融合了多个Agent的职责 const systemPrompt 你是一个习惯养成教练“小伴”。请按以下步骤思考并生成回复 1. 情绪与归因识别用户话语中的情绪和原因。用户说“${userInput}” 2. 目标评估用户当前任务“${taskStatus.name}”进度为 ${taskStatus.completed}/${taskStatus.target}。评估其合理性。 3. 决策与建议基于1和2决定是鼓励继续、建议调整目标还是单纯共情。调整建议需具体。 4. 生成回复用温暖、支持、不施加压力的口吻写一段话。认可努力接纳感受强调进步而非完美。 输出格式{“reply”: “你的回复文本”, “adjustment”: “可选的具体调整建议如无则null”, “intent”: “${baseIntent}”} ; // Step 3: 调用大模型 const llmResponse await callLLM([ { role: system, content: systemPrompt }, { role: user, content: userInput } ]); // Step 4: 解析大模型的返回通常是JSON字符串 let parsedResponse; try { parsedResponse JSON.parse(llmResponse); } catch (e) { // 如果模型返回的不是标准JSON降级处理 parsedResponse { reply: llmResponse || 我理解你的感受我们慢慢来。, adjustment: null, intent: baseIntent }; } return parsedResponse; } module.exports { handleUserMessage };6.4 大模型服务封装 (services/llmService.js)// services/llmService.js - 以通义千问为例 const axios require(axios); async function callLLM(messages, model qwen-max) { const API_KEY process.env.DASHSCOPE_API_KEY; // 从环境变量读取 const url https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation; const data { model, input: { messages }, parameters: { temperature: 0.8, top_p: 0.8, result_format: message // 或 text } }; try { const response await axios.post(url, data, { headers: { Authorization: Bearer ${API_KEY}, Content-Type: application/json } }); // 根据通义千问返回格式解析 return response.data.output.text || response.data.output.choices[0].message.content; } catch (error) { console.error(调用大模型API失败:, error.response?.data || error.message); throw new Error(AI服务暂时不可用); } } module.exports { callLLM };7. 运行、测试与效果验证7.1 本地运行克隆后端代码安装依赖npm install。配置环境变量在项目根目录创建.env文件填入你的数据库连接字符串和AI平台API Key。DATABASE_URLmongodb://localhost:27017/habit_coach DASHSCOPE_API_KEYyour_aliyun_api_key_here PORT3000启动后端服务npm start或node app.js。控制台应显示Server running on port 3000。使用API测试工具用 Postman 或 curl 测试/api/chat/message接口。curl -X POST http://localhost:3000/api/chat/message \ -H Content-Type: application/json \ -H Authorization: Bearer your_jwt_token \ -d { userId: test_user_123, content: 今天工作好忙完全忘了看书。, taskId: read_book_001 }验证响应应收到一个JSON响应包含success: true和一个符合“教练”口吻的reply字段。7.2 小程序端联调在微信开发者工具中导入小程序项目。修改小程序配置文件app.json中的host为你的本地服务器地址需在微信后台配置合法域名或开启开发环境不校验域名。在小程序页面中调用wx.request发送消息查看界面是否能正常收发并展示AI回复。7.3 效果验证要点功能性AI是否能正确理解“完成”、“跳过”、“求助”、“闲聊”等不同意图人性化回复是否避免了机械感是否在不同情境下首次完成、连续失败、用户抱怨有不同的、恰当的语气业务逻辑当AI建议调整目标时后端是否正确更新了数据库中的任务目标稳定性在大模型API调用失败时降级策略是否生效是否返回了友好的默认回复8. 常见问题与排查思路问题现象可能原因排查方式解决方案小程序发送消息后无响应或报错request:fail1. 后端服务未启动或崩溃。2. 小程序配置的服务器域名不正确或未在微信后台配置。3. 本地开发未开启“不校验合法域名”。1. 检查后端控制台日志确认服务是否在运行。2. 检查微信开发者工具控制台的Network面板查看请求详情和错误码。3. 核对小程序项目设置中的域名列表。1. 重启后端服务检查端口占用。2. 在微信公众平台配置服务器域名request合法域名。3. 开发阶段勾选“不校验合法域名、web-view域名、TLS版本”。调用AI API返回超时或错误1. 网络问题。2. API Key 无效或过期。3. 请求格式不符合API要求。4. 模型服务额度用尽或限流。1. 在后端服务日志中查看详细的错误信息。2. 使用curl或 Postman 直接测试AI厂商的API端点。3. 检查账单和调用额度。1. 增加请求超时时间加入重试机制如指数退避。2. 重新生成并配置正确的API Key。3. 严格按照厂商API文档调整请求体格式。4. 购买额度或切换备用API Key。AI回复内容不符合预期如太啰嗦、不相关1. System Prompt 设计不佳指令不清晰。2.temperature参数设置过高导致随机性太强。3. 对话历史messages组织有误。1. 打印出实际发送给AI的完整messages进行审查。2. 尝试简化Prompt分步骤明确指令。3. 将temperature调低如0.3-0.7。1. 迭代优化System Prompt使用“角色定义任务步骤输出格式”的清晰结构。2. 对关键任务如目标调整可要求AI以指定JSON格式返回便于程序化处理。3. 引入输出内容的后处理过滤。数据库连接失败1. 数据库服务未启动。2. 连接字符串错误。3. 网络或防火墙限制。1. 检查数据库进程如sudo systemctl status mongod。2. 使用数据库客户端工具测试连接。3. 查看后端启动时的连接错误日志。1. 启动数据库服务。2. 修正.env文件中的连接字符串。3. 配置正确的数据库访问权限。用户会话状态混乱1. 未正确处理用户身份userId。2. 对话历史记录关联错误。3. 后端服务无状态但依赖了本地内存。1. 检查每个API请求是否都正确携带并验证了用户token。2. 检查数据库查询条件确保userId和taskId准确。3. 确保所有状态都持久化到数据库。1. 强化JWT中间件确保从token中解析出的userId被正确使用。2. 所有用户相关的数据操作都必须显式使用userId作为查询条件。3. 避免使用全局变量存储用户状态。9. 最佳实践与工程建议Prompt工程是核心项目的“智能”程度很大程度上取决于你如何设计System Prompt。建议分角色撰写明确告诉AI“你是一个…的教练”。结构化思考链使用“请按以下步骤思考1… 2… 3…”的格式引导AI进行逻辑推理。控制输出格式要求AI以JSON等格式输出便于后端解析和后续处理。持续迭代收集bad cases奇怪的回复不断优化Prompt。成本与性能优化缓存策略对于常见、通用的问候语或固定回答如“你好”可以不调用大模型直接返回缓存结果。异步处理非实时必要的操作如保存详细交互日志、生成周报可以放入消息队列异步执行避免阻塞主响应。模型选型在保证效果的前提下优先选择性价比更高的模型如国内的中等规模模型并在非核心对话中使用。用户体验与安全设置频率限制防止用户恶意刷接口消耗AI额度。内容安全过滤在将用户输入发送给AI前以及将AI回复返回给用户前都应进行敏感词、不良信息的基础过滤。可以利用各大云平台提供的内容安全API。明确能力边界在UI上提示用户AI是习惯教练不能替代专业医疗、心理或法律建议。数据驱动迭代记录完整交互保存用户输入、AI回复、识别出的意图、建议的调整等。这是优化模型和Prompt的黄金数据。定义关键指标除了传统的“日活/月活”更应关注“平均单用户对话轮次”、“用户主动发起对话的比例”、“目标调整建议的采纳率”等能反映“陪伴”价值的指标。A/B测试对不同的Prompt版本或交互策略进行小流量A/B测试用数据决定哪种方式更能提升用户长期留存。构建一个“不想催你”的监督小程序技术实现只是骨架真正的血肉在于对用户心理的洞察和对AI交互的精心设计。它不再是一个冷冰冰的工具而是一个有同理心的数字伙伴。这种从“工具”到“伙伴”的转变或许是所有希望提升用户粘性的产品值得探索的方向。你可以从本文提供的架构和代码示例起步注入你自己的产品思考打造出独一无二的智能习惯教练。 AI Agent驱动智能习惯养成：从监督到陪伴的产品架构与实现
1. 这篇文章真正要解决的问题你有没有过这样的经历年初立下Flag要每天健身、学英语、读书结果不到一个月就默默放弃。或者你开发了一个帮助用户养成习惯的小程序却发现用户活跃度断崖式下跌根本“催不动”这正是许多个人开发者和产品经理面临的经典困境我们精心设计的监督工具用户为什么不用是提醒不够频繁还是激励不够诱人最近我在B站AI创造公开赛中看到一个名为“我做了个监督小程序却不想催你”的项目它提供了一个截然不同的解题思路。这个项目没有采用传统的“打卡提醒”强监督模式而是尝试用AI构建一种更温和、更智能的陪伴式监督。本文将深入拆解这个项目的核心逻辑。我们不止步于复述其功能而是要探究一个更深层的问题在用户普遍对“被监督”感到反感的今天如何利用AI技术设计出用户真正愿意长期使用的习惯养成产品我们将从产品理念、技术实现特别是AI Agent的应用、代码实战到避坑指南为你完整呈现如何构建一个“不招人烦”的智能监督助手。无论你是想学习AI与小程序结合的最新实践还是正在为自家产品的用户留存问题寻找灵感这篇文章都将提供可直接落地的参考。2. 从“监督”到“陪伴”产品理念的范式转变在深入代码之前我们必须先理解这个项目背后的核心理念这是它区别于市面上无数打卡App的关键。传统的习惯养成工具其逻辑本质上是“行为主义”的设定目标如每天跑步→ 定时提醒Push通知→ 完成打卡获得积分/勋章→ 未完成则惩罚连续记录中断。这套系统简单有效但也带来了明显的副作用监督压力。用户将工具视为一个冰冷的监工一旦产生逆反心理或暂时性失败就容易彻底放弃。“不想催你”这个项目其理念更接近“人本主义”和“认知行为疗法”。它试图将AI从“监督者”转变为“陪伴者”或“教练”。其目标不是确保用户100%执行计划而是帮助用户理解自己、接纳波动、并可持续地调整计划。这种转变体现在几个关键设计点上动态目标协商AI不会死板地要求用户执行原定计划。当用户多次未完成时AI会主动建议“是否将目标从‘每天学习2小时’调整为‘每周学习10小时’”让计划更贴合用户真实的生活节奏。归因分析与共情当用户未完成任务时AI不会简单标记为“失败”而是会引导用户记录原因如“今天加班太累”、“身体不适”并给予理解性的反馈如“辛苦了休息也是为了更好地前进。我们明天再试试”正向反馈循环奖励机制不仅与“是否完成”挂钩更与“用户的努力程度”、“自我觉察的深度”相关联。即使任务没完成但认真记录了原因和感受也能获得积极的认可。这种理念下技术实现的重点就从“如何更精准地推送提醒”变成了“如何让AI更自然地理解用户状态并做出个性化互动”。这正是AI Agent技术可以大显身手的地方。3. 技术架构核心AI Agent 驱动的交互引擎这个项目的技术骨架是一个典型的“前端小程序 后端服务端 AI 服务”的三层架构但其灵魂在于后端如何组织AI能力来驱动交互。用户输入 │ ▼ 微信小程序前端 (UI/交互层) │ (HTTPS API) ▼ 后端服务 (Node.js/Python) ├── 用户状态管理模块 (存储目标、记录、历史) ├── 对话理解与路由模块 (NLU) ├── **AI Agent 协调引擎** (核心) │ ├── 目标评估Agent │ ├── 情绪感知Agent │ ├── 计划调整Agent │ └── 激励生成Agent └── 外部AI服务调用 (如文心一言、GPT API) │ ▼ 生成个性化响应更新用户状态核心模块解析对话理解与路由模块解析用户发送的文本如“今天不想学了”、“我完成了阅读任务”识别其意图是汇报完成、表达困难、请求帮助还是单纯聊天和关键实体任务名、情绪词、原因。AI Agent 协调引擎这是项目的大脑。它不是一个单一的AI模型而是一组分工协作的“智能体”Agent。目标评估Agent分析用户历史完成数据判断当前目标的合理性太简单太难。情绪感知Agent从用户输入中识别情绪状态积极、疲惫、沮丧、焦虑为后续回应定调。计划调整Agent在评估和感知的基础上生成调整目标的建议如拆分任务、延长期限、降低难度。激励生成Agent根据用户当前状态和成就生成个性化的鼓励话语避免千篇一律的“加油”。外部AI服务调用上述各个Agent的具体推理和文本生成能力通常通过调用如OpenAI GPT、文心一言、通义千问等大模型的API来实现。关键在于设计好的**系统提示词System Prompt**来让大模型扮演好特定Agent的角色。这种架构的优势在于可解释性和可迭代性。每个Agent的职责明确我们可以单独优化“情绪感知”的准确度或调整“计划调整”的策略而不影响整体系统。4. 环境准备与关键技术选型要复现或借鉴这样一个项目你需要准备以下开发环境和技术栈。4.1 开发环境操作系统Windows 10/11, macOS, 或 Linux (如Ubuntu 20.04)。Node.js推荐 LTS 版本 (如 v18.x 或 v20.x)。这是后端服务的常见选择。Python可选版本 3.8。如果你计划使用一些成熟的AI框架如LangChain或进行更复杂的模型微调Python环境会更方便。代码编辑器VS Code (推荐) 或 WebStorm。微信开发者工具用于小程序端的开发、调试和预览。4.2 技术选型建议小程序前端原生微信小程序开发使用WXML、WXSS、JS或使用跨端框架如Taro、Uni-app需考虑包大小和性能。后端服务语言Node.js (Express/Koa框架) 或 Python (FastAPI/Flask框架)。Node.js在IO密集型、实时交互场景有优势Python在AI生态集成上更丰富。数据库轻量级可选 SQLite (开发测试)、MySQL/PostgreSQL (生产)文档型可选 MongoDB更适合存储用户灵活的行为日志。AI能力接入国内可稳定访问百度文心一言ERNIE、阿里通义千问、智谱AIGLM、月之暗面Kimi。这些平台提供标准的API接口需申请API Key。核心依赖用于调用AI API的SDK例如openai库兼容多种API、各厂商官方SDK。关键第三方服务用户认证直接使用微信小程序登录能力。云存储/部署考虑腾讯云开发TCB或阿里云函数计算FC实现免运维部署尤其适合个人开发者。5. 核心流程拆解一次完整的智能交互是如何发生的让我们跟随一个用户场景看看数据是如何在系统中流动的。场景用户“小明”设定目标“每周跑步3次”。本周第三次他发送消息“今天下雨而且感觉有点累不想跑了。”步骤1用户输入与上传小明在小程序聊天框输入文字点击发送。小程序前端通过wx.request将消息{userId: ‘xxx’, content: ‘今天下雨…’, taskId: ‘run_week’}发送至后端API。步骤2意图识别与状态获取后端接收到请求首先通过一个轻量级的NLU模块可以是规则匹配也可以用小模型进行意图识别。识别结果为report_skip_with_reason(带原因的跳过汇报)。同时从数据库查询小明本周的跑步记录已跑2次和该任务的历史数据。步骤3AI Agent 协同工作这是最核心的步骤。后端服务组织一次对大模型的调用但这次调用承载了多个Agent的“思考”。# 示例使用 OpenAI 兼容 API (如智谱GLM) 进行 Agent 推理 import openai # 配置API基础信息此处以智谱AI为例 client openai.OpenAI( api_keyyour_glm_api_key, base_urlhttps://open.bigmodel.cn/api/paas/v4/ # GLM的API端点 ) def generate_ai_response(user_input, user_history, task_status): # 构建一个复杂的 System Prompt 来定义AI的角色和思考流程 system_prompt 你是一个习惯养成教练擅长鼓励和引导用户而不是施加压力。请根据以下模块逐步思考并生成最终回复 1. 【情绪感知】分析用户输入“{user_input}”中表达的情绪和潜在原因。关键词{reason_keywords}。 2. 【目标评估】用户当前任务“{task_name}”状态为{task_status}。评估其目标的合理性及本次未完成的影响。 3. 【计划调整建议】基于以上分析是否需要建议用户调整目标如改为本周2次如果需要给出具体、温和的建议。 4. 【激励生成】生成一段不超过100字的回复。要求a) 共情用户提及的原因b) 认可用户已付出的努力已完成{completed_times}次c) 传递“灵活性”和“可持续性”比“严格坚持”更重要的理念d) 语气温暖、支持。 请直接输出最终回复不要输出思考过程。 .format( user_inputuser_input, reason_keywords下雨累, task_name每周跑步3次, task_status本周已完成2/3次, completed_times2 ) # 组织对话历史让AI有上下文 messages [ {role: system, content: system_prompt}, {role: user, content: user_input} ] try: response client.chat.completions.create( modelglm-4, # 指定模型 messagesmessages, temperature0.7, # 控制创造性不宜过高以保证稳定性 max_tokens500 ) ai_reply response.choices[0].message.content return ai_reply except Exception as e: # 降级处理返回预设的鼓励语 return “听起来你今天需要休息。没关系倾听身体的声音也是自律的一部分。已经完成两次跑步很棒了我们明天再看看状态如何” # 调用函数 final_reply generate_ai_response(“今天下雨而且感觉有点累不想跑了。”, user_history, task_status)步骤4响应返回与状态更新将AI生成的回复例如“下雨天确实不适合户外运动你的决定很明智。身体感到疲惫时强迫自己反而容易受伤。本周你已经成功完成了两次跑步这已经很棒了如果愿意我们可以把第三次移到周末或者这周就保持两次的成果你觉得呢”返回给小程序前端。同时在数据库更新该任务的状态。这里不是标记为“失败”而是可能记录为“主动跳过原因天气/疲劳”并关联AI的回复。这为后续分析用户行为模式积累了宝贵数据。步骤5前端展示与交互小程序前端收到回复后以聊天气泡的形式展示。界面UI应营造轻松、友好的氛围避免使用红色、感叹号等带来压迫感的元素。6. 关键代码实现示例让我们聚焦于几个关键的后端Node.js代码片段。6.1 后端服务入口与路由 (app.js)// app.js - 使用 Express.js const express require(express); const bodyParser require(body-parser); const userRouter require(./routes/user); const taskRouter require(./routes/task); const chatRouter require(./routes/chat); // 处理AI对话的核心路由 const app express(); app.use(bodyParser.json()); // 注册路由 app.use(/api/user, userRouter); app.use(/api/task, taskRouter); app.use(/api/chat, chatRouter); // 重点对话接口 const PORT process.env.PORT || 3000; app.listen(PORT, () { console.log(Server running on port ${PORT}); });6.2 核心对话处理接口 (routes/chat.js)// routes/chat.js const express require(express); const router express.Router(); const { handleUserMessage } require(../agents/coordinator); // 引入Agent协调器 const { verifyToken } require(../middleware/auth); // 简单的JWT验证中间件 // POST /api/chat/message router.post(/message, verifyToken, async (req, res) { try { const { userId, content, taskId } req.body; if (!content || content.trim() ) { return res.status(400).json({ error: 消息内容不能为空 }); } // 1. 获取用户当前任务状态从数据库 const userTask await Task.findOne({ userId, _id: taskId }).populate(history); const taskStatus { name: userTask.name, target: userTask.target, completed: userTask.completedCount, history: userTask.history }; // 2. 调用AI Agent协调引擎处理消息 const aiResponse await handleUserMessage(userId, content, taskStatus); // 3. 保存本次交互记录 const newRecord new InteractionRecord({ userId, taskId, userMessage: content, aiResponse: aiResponse.text, // aiResponse可能包含文本和元数据 intent: aiResponse.detectedIntent, timestamp: new Date() }); await newRecord.save(); // 4. 根据AI建议可能更新任务状态例如同意了调整目标 if (aiResponse.suggestedAdjustment) { await updateTaskTarget(taskId, aiResponse.suggestedAdjustment); } // 5. 返回AI回复给前端 res.json({ success: true, reply: aiResponse.text, meta: aiResponse.meta // 可包含建议调整、表情符号等扩展信息 }); } catch (error) { console.error(处理消息失败:, error); res.status(500).json({ success: false, reply: 哎呀教练好像走神了请稍后再试。, error: Internal server error }); } }); module.exports router;6.3 AI Agent协调引擎核心 (agents/coordinator.js)// agents/coordinator.js const { callLLM } require(../services/llmService); // 封装好的大模型调用服务 const { analyzeIntent } require(./intentAgent); const { evaluateGoal } require(./evaluationAgent); async function handleUserMessage(userId, userInput, taskStatus) { // Step 1: 基础意图识别可规则小模型结合 const baseIntent await analyzeIntent(userInput); // Step 2: 构建给大模型的“思考指令”System Prompt // 这里融合了多个Agent的职责 const systemPrompt 你是一个习惯养成教练“小伴”。请按以下步骤思考并生成回复 1. 情绪与归因识别用户话语中的情绪和原因。用户说“${userInput}” 2. 目标评估用户当前任务“${taskStatus.name}”进度为 ${taskStatus.completed}/${taskStatus.target}。评估其合理性。 3. 决策与建议基于1和2决定是鼓励继续、建议调整目标还是单纯共情。调整建议需具体。 4. 生成回复用温暖、支持、不施加压力的口吻写一段话。认可努力接纳感受强调进步而非完美。 输出格式{“reply”: “你的回复文本”, “adjustment”: “可选的具体调整建议如无则null”, “intent”: “${baseIntent}”} ; // Step 3: 调用大模型 const llmResponse await callLLM([ { role: system, content: systemPrompt }, { role: user, content: userInput } ]); // Step 4: 解析大模型的返回通常是JSON字符串 let parsedResponse; try { parsedResponse JSON.parse(llmResponse); } catch (e) { // 如果模型返回的不是标准JSON降级处理 parsedResponse { reply: llmResponse || 我理解你的感受我们慢慢来。, adjustment: null, intent: baseIntent }; } return parsedResponse; } module.exports { handleUserMessage };6.4 大模型服务封装 (services/llmService.js)// services/llmService.js - 以通义千问为例 const axios require(axios); async function callLLM(messages, model qwen-max) { const API_KEY process.env.DASHSCOPE_API_KEY; // 从环境变量读取 const url https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation; const data { model, input: { messages }, parameters: { temperature: 0.8, top_p: 0.8, result_format: message // 或 text } }; try { const response await axios.post(url, data, { headers: { Authorization: Bearer ${API_KEY}, Content-Type: application/json } }); // 根据通义千问返回格式解析 return response.data.output.text || response.data.output.choices[0].message.content; } catch (error) { console.error(调用大模型API失败:, error.response?.data || error.message); throw new Error(AI服务暂时不可用); } } module.exports { callLLM };7. 运行、测试与效果验证7.1 本地运行克隆后端代码安装依赖npm install。配置环境变量在项目根目录创建.env文件填入你的数据库连接字符串和AI平台API Key。DATABASE_URLmongodb://localhost:27017/habit_coach DASHSCOPE_API_KEYyour_aliyun_api_key_here PORT3000启动后端服务npm start或node app.js。控制台应显示Server running on port 3000。使用API测试工具用 Postman 或 curl 测试/api/chat/message接口。curl -X POST http://localhost:3000/api/chat/message \ -H Content-Type: application/json \ -H Authorization: Bearer your_jwt_token \ -d { userId: test_user_123, content: 今天工作好忙完全忘了看书。, taskId: read_book_001 }验证响应应收到一个JSON响应包含success: true和一个符合“教练”口吻的reply字段。7.2 小程序端联调在微信开发者工具中导入小程序项目。修改小程序配置文件app.json中的host为你的本地服务器地址需在微信后台配置合法域名或开启开发环境不校验域名。在小程序页面中调用wx.request发送消息查看界面是否能正常收发并展示AI回复。7.3 效果验证要点功能性AI是否能正确理解“完成”、“跳过”、“求助”、“闲聊”等不同意图人性化回复是否避免了机械感是否在不同情境下首次完成、连续失败、用户抱怨有不同的、恰当的语气业务逻辑当AI建议调整目标时后端是否正确更新了数据库中的任务目标稳定性在大模型API调用失败时降级策略是否生效是否返回了友好的默认回复8. 常见问题与排查思路问题现象可能原因排查方式解决方案小程序发送消息后无响应或报错request:fail1. 后端服务未启动或崩溃。2. 小程序配置的服务器域名不正确或未在微信后台配置。3. 本地开发未开启“不校验合法域名”。1. 检查后端控制台日志确认服务是否在运行。2. 检查微信开发者工具控制台的Network面板查看请求详情和错误码。3. 核对小程序项目设置中的域名列表。1. 重启后端服务检查端口占用。2. 在微信公众平台配置服务器域名request合法域名。3. 开发阶段勾选“不校验合法域名、web-view域名、TLS版本”。调用AI API返回超时或错误1. 网络问题。2. API Key 无效或过期。3. 请求格式不符合API要求。4. 模型服务额度用尽或限流。1. 在后端服务日志中查看详细的错误信息。2. 使用curl或 Postman 直接测试AI厂商的API端点。3. 检查账单和调用额度。1. 增加请求超时时间加入重试机制如指数退避。2. 重新生成并配置正确的API Key。3. 严格按照厂商API文档调整请求体格式。4. 购买额度或切换备用API Key。AI回复内容不符合预期如太啰嗦、不相关1. System Prompt 设计不佳指令不清晰。2.temperature参数设置过高导致随机性太强。3. 对话历史messages组织有误。1. 打印出实际发送给AI的完整messages进行审查。2. 尝试简化Prompt分步骤明确指令。3. 将temperature调低如0.3-0.7。1. 迭代优化System Prompt使用“角色定义任务步骤输出格式”的清晰结构。2. 对关键任务如目标调整可要求AI以指定JSON格式返回便于程序化处理。3. 引入输出内容的后处理过滤。数据库连接失败1. 数据库服务未启动。2. 连接字符串错误。3. 网络或防火墙限制。1. 检查数据库进程如sudo systemctl status mongod。2. 使用数据库客户端工具测试连接。3. 查看后端启动时的连接错误日志。1. 启动数据库服务。2. 修正.env文件中的连接字符串。3. 配置正确的数据库访问权限。用户会话状态混乱1. 未正确处理用户身份userId。2. 对话历史记录关联错误。3. 后端服务无状态但依赖了本地内存。1. 检查每个API请求是否都正确携带并验证了用户token。2. 检查数据库查询条件确保userId和taskId准确。3. 确保所有状态都持久化到数据库。1. 强化JWT中间件确保从token中解析出的userId被正确使用。2. 所有用户相关的数据操作都必须显式使用userId作为查询条件。3. 避免使用全局变量存储用户状态。9. 最佳实践与工程建议Prompt工程是核心项目的“智能”程度很大程度上取决于你如何设计System Prompt。建议分角色撰写明确告诉AI“你是一个…的教练”。结构化思考链使用“请按以下步骤思考1… 2… 3…”的格式引导AI进行逻辑推理。控制输出格式要求AI以JSON等格式输出便于后端解析和后续处理。持续迭代收集bad cases奇怪的回复不断优化Prompt。成本与性能优化缓存策略对于常见、通用的问候语或固定回答如“你好”可以不调用大模型直接返回缓存结果。异步处理非实时必要的操作如保存详细交互日志、生成周报可以放入消息队列异步执行避免阻塞主响应。模型选型在保证效果的前提下优先选择性价比更高的模型如国内的中等规模模型并在非核心对话中使用。用户体验与安全设置频率限制防止用户恶意刷接口消耗AI额度。内容安全过滤在将用户输入发送给AI前以及将AI回复返回给用户前都应进行敏感词、不良信息的基础过滤。可以利用各大云平台提供的内容安全API。明确能力边界在UI上提示用户AI是习惯教练不能替代专业医疗、心理或法律建议。数据驱动迭代记录完整交互保存用户输入、AI回复、识别出的意图、建议的调整等。这是优化模型和Prompt的黄金数据。定义关键指标除了传统的“日活/月活”更应关注“平均单用户对话轮次”、“用户主动发起对话的比例”、“目标调整建议的采纳率”等能反映“陪伴”价值的指标。A/B测试对不同的Prompt版本或交互策略进行小流量A/B测试用数据决定哪种方式更能提升用户长期留存。构建一个“不想催你”的监督小程序技术实现只是骨架真正的血肉在于对用户心理的洞察和对AI交互的精心设计。它不再是一个冷冰冰的工具而是一个有同理心的数字伙伴。这种从“工具”到“伙伴”的转变或许是所有希望提升用户粘性的产品值得探索的方向。你可以从本文提供的架构和代码示例起步注入你自己的产品思考打造出独一无二的智能习惯教练。