1.立项原因：
赛道留存普遍偏低:健康/减肥类应用是"有限目标 + 高记录摩擦",用户达成或失败后即流失。
通用建议不够个性化:传统应用给的是标准化食谱/计划。但是应该做的是"越用越懂你"的个性化,形成切换成本。
本土化养生场景缺位:市面少有把中医体质、节气、食物寒热温凉属性结构化进产品的健康助手,这是差异化抓手。
2.行业场景与业务背景
国民健康意识上升,体重管理、亚健康调理、慢病预防需求持续扩大;移动端(微信小程序)是最低门槛的触达载体。
LLM 成熟让"对话式个性化健康教练"在体验上首次可行,但也带来安全合规、推理成本、输出可控性三大新挑战。
1.主要功能：
AI 教练对话(双轨:控体重 / 养生;支持语音)
拍照识餐 / 文字识餐(营养估算)
目标与计划(每日计划、211 餐盘法、计划优化、里程碑事件规划)
身体指标记录、周报
体质测试与调理、节气养生、睡眠/情绪关怀
提醒推送、会员订阅与支付、账号与数据合规(注销/导出)
2.描述：
可治理的 AI 教练:把教练能力声明式拆成 14 技能 / 7 人格 / 19 工具 / 37 质量门 / 意图路由包;一条用户消息先做意图分类→路由到对应技能与人格→工具取数→生成→经质量门与安全护栏校验,产出可执行、合规、带可执行动作的结构化回复。
会员与配额:套餐/订单/微信·支付宝支付回调与人工确认审计;按用户配额与每日 AI 成本上限治理用量。
运营可观测:AI 调用全链路脱敏后可检索,运行看板看 fallback/策略命中/成本,异常可回流为评测样本。
1.我全权负责
2.技术栈：
后端:Node.js + Fastify + TypeScript(ESM) + PostgreSQL;zod 做入参校验,JWT 管理会话,自建迁移系统。
C 端:uni-app(Vue3) 微信小程序。
B 端:Vue3 + Element Plus(Vite 构建)。
AI:多 provider(OpenAI 兼容)文本/视觉模型 + qwen-tts 语音;自研教练运行时编排。
架构：
三端分层:小程序(C 端体验)/ Fastify 服务(领域 + AI 运行时)/ Element Plus 治理后台(B 端),共用一套后端 API。
AI 运行时为独立子系统:意图分类 → 能力包路由(skill+persona+response_mode)→ 工具取数 → 模型调用(多 provider 路由 + fallback + 熔断)→ 质量门/响应策略(repair/fallback/block)→ 安全护栏 → 结构化输出;旁路写脱敏 trace 检索索引与成本台账。
数据治理层:Postgres 内建全文检索索引(AI 调用脱敏检索)、敏感访问审计、Agent Eval 评测库。
后台异步 worker:提醒投递、账号注销匿名化、数据导出、保留清理等独立进程。
评论