用一个小型 AI 助手把“整理需求→生成计划→输出代码骨架”串起来（含示例代码）
用一个小型 AI 助手把“整理需求→生成计划→输出代码骨架”串起来（含示例代码）
很多人用 AI 的方式是“问一句、回一句”，效率提升有限。我更喜欢把 AI 当成一个可嵌入流程的组件：它负责结构化、归纳、生成草稿，而我负责确认关键决策与最终落地。下面我用一个可复用的小例子，演示如何做一个“AI 工作助手”——输入一段杂乱需求文字，它会自动整理成结构化字段，并生成一个可执行的行动清单。代码不追求花哨，重点是可落地、可扩展。
目标场景：把混乱需求变成“可执行任务单”
假设你收到这样一段需求：
> “最近注册机器人很多，邮箱乱七八糟。想拦截一下，但不能影响正常用户注册。最好还能统计拦截量，给我一个排查建议。”
人类处理通常要：提炼需求、找约束、列步骤、再写方案。我们让 AI 做前半段：结构化 + 生成任务单。
示例代码（Python）
> 说明：下面代码以“可替换的 AI 调用函数”为核心结构。你可以把 call_llm() 换成你自己的模型接口（OpenAI / Gemini / 本地模型都行）。示例里用“伪返回”保证代码能跑通，便于你直接改造。
# -- coding: utf-8 --
"""
Mini AI Ops Assistant
- 输入：一段混乱的需求/报错/想法
- 输出：结构化信息 + 可执行行动清单
"""
from dataclasses import dataclass
from typing import Dict, Any, List
import json
import re
@dataclass
class TaskItem:
title: str
rationale: str
steps: List[str]
risk: str
def normalize_text(text: str) -> str:
"""简单清洗：去多余空白、统一换行"""
text = text.strip()
text = re.sub(r"\n{3,}", "\n\n", text)
return text
def call_llm(prompt: str) -> str:
"""
你自己的 LLM 调用接口放这里：
- OpenAI API / Gemini API / 本地模型
这里先用“伪返回”示例，让代码可运行。
"""
fake = {
"background": "网站出现大量机器人注册，邮箱随机，影响数据质量与运营。",
"goal": "在不影响正常用户注册的前提下，显著降低机器人注册。",
"constraints": [
"不能禁止注册",
"不能误伤正常用户（尽量低误杀）",
"希望有统计数据（拦截量、误判可能性）"
],
"risks": [
"拦截策略过严会影响转化",
"仅靠单一规则容易被绕过"
],
"action_plan": [
{
"title": "先做“低干扰”分层拦截",
"rationale": "先用成本最低、误伤最小的手段过滤大部分机器人。",
"steps": [
"启用注册表单的基础反垃圾（隐藏字段/蜜罐、速率限制）",
"对可疑IP/UA做轻度限流（同IP短时间多次注册直接阻断）",
"对邮箱域名做最小黑名单（明显一次性域名）并记录日志"
],
"risk": "需要持续维护黑名单，避免误伤企业邮箱"
},
{
"title": "建立可观测性：记录与报表",
"rationale": "没有数据就无法迭代策略，容易越拦越乱。",
"steps": [
"记录被拦截的IP、UA、邮箱域、触发规则、时间",
"每日报表输出：拦截量、Top IP、Top 域名、规则命中率",
"抽样复核：随机检查被拦截样本，评估误杀"
],
"risk": "日志需注意隐私合规与存储成本"
},
{
"title": "再上“更强”验证：按风险启用",
"rationale": "对高风险流量启用更强验证，保持正常用户体验。",
"steps": [
"对命中多条可疑规则的请求要求二次验证",
"对来自异常地区/异常时段的注册提高验证强度",
"逐步灰度上线，观察注册转化变化"
],
"risk": "验证过重可能导致注册下降"
}
]
}
return json.dumps(fake, ensure_ascii=False)
def build_prompt(user_text: str) -> str:
"""构造提示词：要求输出严格 JSON，便于程序解析"""
return f"""
你是一个冷静理性的站长助手，请把用户输入整理成严格 JSON（不要多余文字）。
字段：
- background: 背景
- goal: 目标
- constraints: 约束数组
- risks: 风险数组
- action_plan: 任务数组，每个任务包含 title, rationale, steps(数组), risk
用户输入：
{user_text}
""".strip()
def parse_llm_json(llm_output: str) -> Dict[str, Any]:
"""解析 LLM 输出（假设为 JSON）"""
try:
return json.loads(llm_output)
except json.JSONDecodeError as e:
raise ValueError(f"LLM output is not valid JSON: {e}")
def to_task_items(plan: List[Dict[str, Any]]) -> List[TaskItem]:
items: List[TaskItem] = []
for p in plan:
items.append(TaskItem(
title=p.get("title", "").strip(),
rationale=p.get("rationale", "").strip(),
steps=[s.strip() for s in p.get("steps", []) if str(s).strip()],
risk=p.get("risk", "").strip()
))
return items
def run_assistant(user_text: str) -> None:
user_text = normalize_text(user_text)
prompt = build_prompt(user_text)
llm_output = call_llm(prompt)
data = parse_llm_json(llm_output)
print("=== Structured Summary ===")
print(f"Background: {data.get('background')}")
print(f"Goal: {data.get('goal')}\n")
print("Constraints:")
for c in data.get("constraints", []):
print(f"- {c}")
print("\nRisks:")
for r in data.get("risks", []):
print(f"- {r}")
tasks = to_task_items(data.get("action_plan", []))
print("\n=== Action Plan ===")
for i, t in enumerate(tasks, 1):
print(f"\n{i}. {t.title}")
print(f" Why: {t.rationale}")
print(" Steps:")
for s in t.steps:
print(f" - {s}")
print(f" Risk: {t.risk}")
if name == "main":
sample = "最近注册机器人很多，邮箱乱七八糟。想拦截一下，但不能影响正常用户注册。最好还能统计拦截量，给我一个排查建议。"
run_assistant(sample)
这段代码怎么扩展成“真正能用”的版本？
你只需要把 call_llm() 换成真实模型调用即可，然后在输出 JSON 后把行动清单写入工单系统、Notion、或数据库。更进一步，你可以加入：
- 规则化模板库：针对“性能问题 / 注册垃圾 / 支付失败 / CDN异常”等建立不同 Prompt；
- 验证闭环：让 AI 每次输出都附带“验证步骤”，你跑完验证后把结果回填，再让 AI 调整策略；
- 安全护栏：遇到高风险动作（改配置、删数据）必须人工确认，避免自动化越权。
评论 0