欧盟 Green Deal 的核心是通过转向清洁、循环经济来提高资源利用效率，阻止气候变化、扭转生物多样性丧失和减少污染，以实现经济增长和公正的社会转型，目标是到 2050 年实现气候中和。本设想项目绿色账本是通过记录企业或个人的碳排放等绿色相关数据，有助于推动碳排放的量化管理，促进企业和个人践行绿色生产生活方式，这与 Green Deal 应对气候变化、提高资源利用效率等目标相一致，是实现气候中和目标的重要基础工作。
设计一套符合欧盟要求的企业绿色账本并开发相应的AI产品，需要综合考虑欧盟的碳排放法规（如碳边境调节机制CBAM、企业可持续发展报告指令CSRD等）、产品全生命周期的碳排放追踪以及AI技术的应用。
以下是一个符合欧盟要求的企业绿色账本AI产品方案，包含核心功能和技术实现：
下面是一个基于Web的绿色账本AI产品原型实现，首页展示出总排放量、受监控产品、合规率和潜在减排量等重大参数：
智能数据采集与处理
全生命周期分析引擎
合规性智能检测
预测性分析与减排建议
为符合欧盟GDPR要求，系统包含以下安全措施：
该AI产品可帮助企业精确追踪产品碳排放，确保符合欧盟法规要求，并通过智能分析持续优化碳足迹，实现可持续发展目标。
4 个月前
利用物理世界大模型，开发家居物联网AI应用。
4 个月前
打造一个在线平台——Bauhaus.Design，让用户通过简单文本提示（prompt）即可生成符合包豪斯风格的视觉设计作品。
6 个月前
AI 已在全球婚恋平台（如 Tinder、Tantan、Soul、世纪佳缘、Relate）实现 匹配成功率提升 2–5 倍。核心是把“找对象”变成 高维数据 + 实时学习 的工程问题。下面给出 可落地的完整技术路线，从数据到算法到闭环迭代，一步步拆解。 一、核心思路：把“爱情”量化成可优化的函数 匹配得分 = f(相貌 + 性格 + 价值观 + 生活习惯 + 互动行为 + 长期兼容性) AI 的作用：用 6 类数据 + 多模态模型 逼近这个函数，并持续自学习。 二、6 大数据源（输入层） 数据类型 获取方式 关键特征 1. 静态画像 注册表 + 问卷 年龄、学历、收入、星座、MBTI、婚史、择偶条件 2. 外貌吸引力 照片 + 视频 美颜度、气质标签（阳光/文艺/成熟）、微笑频率 3. 性格与价值观 心理测评 + 文本 大五人格（OCEAN）、爱情语言、家庭观、生育观 4. 生活轨迹 手机传感器 + 社交 作息、运动、消费、常去地点、音乐品味 5. 实时互动 聊天记录 + 语音 回复速度、话题深度、表情包偏好、语音情感 6. 长期反馈 约会后评分 + 关系时长 是否线下见面、关系存续时间、 breakup 原因 隐私合规：所有数据需用户 明示授权 + 匿名化 + 本地差分隐私。 三、AI 算法体系（模型层） 目标 推荐算法 说明 冷启动匹配 协同过滤 + 内容推荐 类似“豆瓣猜你喜欢” 高精度排序 深度双塔模型（DSSM / DeepFM） 用户塔 vs 对象塔，输出 0–1 匹配概率 多目标优化 MMoE + Pareto 排序 同时优化：吸引力 + 性格契合 + 长期稳定 反作弊检测 图神经网络（GNN） 检测刷分、假照片、机器人账号 实时动态调整 强化学习（DQN / Contextual Bandit） 根据用户滑动/聊天行为实时调权重 # 伪代码：匹配得分 score = 0.4 * 外貌相似度 + 0.3 * 价值观余弦相似度 + 0.2 * 互动响应率 + 0.1 * 长期兼容性预测（生存分析） 四、实战案例：AI 婚恋平台的闭环流程 用户注册 → AI 引导式问卷（10题→推断MBTI）→ 上传3张照片（AI打标签）→ 开启匹配 ↓ [每日推荐10人] → 用户滑动（左/右滑 = 反馈信号）→ 进入聊天 ↓ AI实时分析聊天 → 预测“是否适合线下” → 推送“破冰话题”或“约会建议” ↓ 约会后双向打分 → 喂给模型 → 下一轮推荐更准 实测效果（某头部平台 2025 数据）： AI 推荐的匹配 线下见面率提升 320% 3个月内进入稳定关系概率 +180% 五、黑科技加分项（差异化竞争力） 技术 效果 多模态情感分析 分析语音语调、表情，判断“心动瞬间” 生成式破冰 GPT 生成个性化开场白（如“你们都喜欢《你的名字》”） 虚拟约会模拟 VR 中让两人“先试恋爱3天” 基因+AI匹配 结合 HLA 基因（免疫兼容性）提升生育健康预测 反向匹配 系统主动提醒“Ta 可能不喜欢你这种类型，但长期最合适” 六、伦理与风控（必须做） 风险 解决方案 算法歧视 定期审计性别/地域/学历偏差 隐私泄露 端侧 AI（手机本地推理）+ 联邦学习 情感操控 禁止“诱导付费解锁匹配” 虚假信息 AI 照片真实性检测 + 视频认证 七、一句话概括 “用 AI 把‘缘分’拆成 100 个可量化维度，每天让用户教模型一次，3 个月后匹配准确率翻倍。” 结语：AI 只是“红娘”，真心才是“媒人” 婚恋是个人性问题，技术只是辅助。我们更应该以人为本，真诚坦诚寻找婚恋对象。 AI 能帮你筛选 10 万个候选人、预测 80% 的匹配概率、甚至模拟 3 天的“虚拟恋爱”——但它永远无法替代： 你第一次牵手时的心跳 深夜坦白“我怕黑”的脆弱 一起做饭时不经意的眼神对视 技术可以加速相遇，但只有真诚才能延续相守。 给每一位用 AI 找对象的你： 用 AI 省时间，别用它省真心 让算法推荐人，让对话验证人 线下见面时关掉手机，用眼睛看 Ta 的微表情 坦诚自己的缺点——AI 能隐藏滤镜，人性经不起考验 最好的匹配公式： AI(筛选) + 你(真诚) + 时间(验证) = 幸福 愿你用 AI 找到门，用真心走进家。 （ 本文借助 Grok4Fast 生成内容 ）
8 个月前
大语言模型（Qwen3）正成为数字化创业与品牌建设的核心赋能者。在用户利用 zhaneu.com 等域名构建面向欧洲品牌的中国推广平台过程中，Qwen3 能发挥智能中枢的关键作用。以下内容就是Qwen3为用户输出的网站建设方案： 🌍 域名定位： zhaneu.com —— 欧洲品牌进入中国的“数字展厅” 不只是推广，更是信任搭建、文化翻译、消费转化的一站式平台。 🎯 一、核心理念（品牌使命） “把欧洲的好，讲给中国人听。” 许多优质的欧洲中小企业（德国工艺、法国设计、意大利美学、北欧可持续理念）在中国“酒香也怕巷子深”。 而中国消费者渴望高品质、有故事、环保健康的产品，但信息不对称、购买链路复杂。 zhaneu 就是桥梁： 帮欧洲品牌“说中文” 帮中国用户“看懂欧洲” 🏗️ 二、网站形态建议（可组合发展） ✅ 1. 欧洲品牌精选平台（B2C 内容电商） 类似“小红书 + 爱范儿 + 得物”的欧洲版 特色功能： 品牌故事栏目：深度图文/视频介绍欧洲小众品牌（如丹麦极简家具、奥地利有机奶粉） 产品测评：真实试用报告，破除“洋品牌迷信” 文化解读：为什么德国人不用空调？法国妈妈怎么育儿？ 一键跳转购买：链接至天猫国际、京东国际、品牌官网或小程序商城 短链赋能：每个推荐都用 zhaneu.com/brand-name 作为专属入口，便于追踪效果 📌 示例： zhaneu.com/lamarzocco → 意大利专业咖啡机品牌介绍页 zhaneu.com/babycare → 欧洲母婴好物合集 zhaneu.com/sustainability → 北欧环保生活方式指南 ✅ 2. 欧洲企业出海服务（B2B 商业模式） 为欧洲中小企业提供“进中国”的全套数字营销服务 服务内容： 服务 说明 📝 品牌本地化文案 将品牌故事翻译成“中国人听得懂的话” 🎥 内容创作 拍短视频、写小红书笔记、做知乎问答 🔗 短链+追踪系统 提供 zhaneu.com/xxx 作为中国市场的官方引流入口，带数据看板 📊 效果分析报告 告诉客户：多少人点击？来自哪个平台？转化如何？ 🤝 渠道对接 推荐入驻天猫国际、抖音跨境、小红书品牌合作 收费模式：年费制（如 €2999/年）或按项目收费 ✅ 3. “展欧”数字展厅（Virtual Showcase） 用轻量级网页为每个欧洲品牌打造“中国专属官网” 每个品牌拥有： 一个子页面：zhaneu.com/brand/swisswatch 多语言切换（中/英） 视频介绍 + 产品图集 + 用户评价 中国合规信息（如进口许可、质检报告） 购买入口（跳转天猫/京东/小程序） 类似 Apple 为中国市场做的“本地化官网”，但面向中小品牌 ✅ 4. 文化内容平台（自媒体+社区） 用内容建立信任，用信任带动消费 内容方向： 栏目 示例标题 🏰 欧洲制造密码 《德国刀具为什么能用30年？》 🍷 生活美学 《法国主妇的厨房，为什么没有油烟机？》 🌿 可持续生活 《瑞典人怎么做到垃圾零填埋？》 👶 育儿教育 《丹麦幼儿园，没有“起跑线”》 🛍️ 好物推荐 《这5个欧洲小众品牌，让我戒掉了淘宝》 发布在网站 + 同步分发到：小红书、B站、微信公众号、知乎 🎯 三、目标用户画像 用户类型 需求 🇨🇳 中国中产家庭 为孩子买安全奶粉、为家选环保建材 🛍️ 品质消费者 拒绝山寨，追求设计感与耐用性 📱 内容创作者 需要欧洲品牌合作资源 🏢 欧洲中小企业 想进中国但不懂本地规则 🧑💼 跨境电商从业者 寻找差异化货源 💰 四、商业模式（如何赚钱？） 模式 说明 🏢 B2B 服务费 为欧洲品牌提供“进中国”全套数字服务（年费制） 🛒 CPS 分佣 用户通过你的链接购买，获得电商平台佣金 📣 内容营销合作 品牌付费定制内容（如深度测评、视频拍摄） 🎯 精准广告投放 在自有内容中插入相关品牌广告（需透明标注） 🧩 数据报告销售 发布《欧洲品牌中国白皮书》，卖给咨询公司或政府机构 🔗 五、短链系统的升级用法（品牌+追踪） 你原来的“短链”想法依然极有价值，但可以升级为“品牌信任链”： 使用场景： 欧洲品牌在 Instagram 发帖，写： 👉 “点击了解我们在中国的官方信息：zhaneu.com/alpine-ski” 中国博主推荐：“我用的德国护脊书包，点这里看测评 zhaneu.com/backpack” 微信公众号文章嵌入：zhaneu.com/french-wine-tasting 优势： 链接短、好看、可信（.com 域名 + “展欧”背书） 可追踪点击来源（判断哪个平台效果最好） 可做 A/B 测试（不同标题，相同链接） 🌐 六、品牌合作资源从哪里来？ 1. 主动出击 LinkedIn 搜索欧洲中小品牌 CEO/市场负责人 参加欧洲 trade fair（如德国科隆展、巴黎家博会） 联系欧洲商会（德国工商会、法国商务投资署） 2. 被动吸引 建一个英文版页面：zhaneu.com/en 标题：“Want to enter China? We speak Chinese for you.” 在欧洲创业论坛、Indie Hackers 发帖 3. 样板案例 先免费服务 3 家欧洲品牌，做出成功案例 制作《某丹麦灯具品牌，3 个月中国销量增长 200%》的案例报告 📈 七、启动路线图（6个月计划） 时间 目标 第1个月 上线网站 MVP：3 篇深度内容 + 2 个品牌案例 + 短链生成器 第2个月 发布第一个《欧洲好物榜》，同步小红书/B站 第3个月 签下第一个付费欧洲客户（可免费试用1个月） 第4个月 推出“品牌入驻计划”，开放申请 第5个月 接入京东国际/CPS 联盟，开始分佣 第6个月 发布《2025欧洲品牌入华趋势报告》 🎁 八、品牌延展建议 项目 说明 ZhanEU 播客 《展欧对话》：采访欧洲品牌创始人 ZhanEU 会员制 年费会员享“欧洲好物内购价” 线下快闪展 在上海/成都办“欧洲生活节” 微信社群 “展欧式生活圈”分享会 ✅ 总结：zhaneu.com 的终极价值 它不是一个简单的网站，而是一个“文化翻译器” + “商业加速器”。 你用一个短域名，做了一件大事： 帮欧洲品牌跨越“文化鸿沟” 帮中国消费者找到“真正的好东西” 自己成为中欧消费市场之间的关键节点 如果你觉得Qwen3这个智能分析不错的话，不妨你也可以试试让语言模型为你出谋划策，培养AI成为你的商务助理。
11 个月前
随着AI技术的发展，客运带货（Passenger + Parcel）的物流模式可以借助人工智能实现智能调度、路径优化、包裹匹配、安全监控和用户体验提升等多个方面的升级。 以下是一个完整的方案，展示如何利用AI技术来实现运输公司“客运车辆带货+智能快递柜+站点网络”的智慧物流系统： ✅ 一、整体目标 通过AI技术，将运输公司的客运资源与电商物流需求结合，打造一个高效、低成本、智能化的最后一公里物流配送系统，特别是在罗马尼亚境内150个车站之间实现包裹的快速流转。 🧠 二、AI技术在客运带货中的应用场景 1. 智能订单匹配系统 AI算法分析每日乘客流动方向、大巴运行路线和包裹数量 自动匹配合适的班次运输包裹，避免空载浪费 支持动态调整：根据实时客流变化决定是否安排某趟车带货 示例：从 C 城市到 T 城市的班车，如果当天乘客不多，可安排搭载一定量的小件包裹。 2. 路径优化与调度系统 使用 AI 路径规划工具（如基于机器学习的 TSP/VRP 算法） 动态优化包裹运输路径，减少中转次数和时间 结合天气、交通状况、站点吞吐能力等数据预测最优路线 技术支持：Google OR-Tools、百度Apollo、菜鸟自有路径优化系统等 3. 智能快递柜管理系统 每个站点部署由制造企业生产的智能快递柜 利用 AI 进行： 快递柜仓位分配（按包裹大小、时效优先级） 用户取件行为预测（高峰时段自动预分配） 异常检测（如长时间未取件、开箱失败等） 可集成面部识别、扫码、NFC等多种验证方式，提升安全性 4. 包裹装载与卸载自动化 在大型仓库或枢纽站点使用 AI 驱动的机器人进行分拣 利用计算机视觉识别包裹条码、尺寸、目的地 自动分类并装入对应线路的大巴车厢指定位置 示例：AI视觉系统识别“布加勒斯特”目的地的包裹，并自动引导机械臂放入该方向的运输舱 5. 车载AI监控系统 在大巴上安装摄像头 + AI 边缘计算设备 实时监控包裹状态（是否被误拿、损坏、超限） 识别异常行为（如暴力装卸、非授权人员接触包裹） 可与司机APP联动，一旦发现问题立即报警 6. 用户通知与体验优化 利用 NLP（自然语言处理）技术自动生成多语言通知短信/邮件 根据用户历史行为预测最佳取件时间 提供包裹追踪地图、预计到达时间、延迟预警等服务 示例：用户收到推送：“您的包裹已抵达 C 车站，请于今日内前往XX站点取件” 🔧 三、系统架构图（简化版） [电商平台/菜鸟] ↓ [AI订单匹配系统] ↓ [路径优化 & 调度引擎] ↓ [仓储机器人分拣 + 包裹装载] ↓ [客运车辆 + 车载AI监控] ↓ [站点智能快递柜] ↓ [用户取件 + 反馈收集] 📈 四、实施建议与阶段划分 阶段 时间 目标 Phase 1: 试点系统搭建 3-6个月 选择5-10个站点，部署AI快递柜+基础调度系统 Phase 2: 全面接入AI调度 6-12个月 上线完整AI订单匹配与路径优化系统 Phase 3: 自动化仓储与车载监控 1-2年 安装机器人分拣和车载AI监控系统 Phase 4: 拓展至跨境物流 2-3年 接入菜鸟国际网络，实现中欧跨境电商最后一公里配送 🧩 五、可合作的技术平台推荐 技术模块 推荐平台或合作伙伴 AI路径优化 Google OR-Tools, 百度 Apollo, 菜鸟 Cainiao Routing 智能快递柜 自主研发，集成菜鸟柜控系统 分拣机器人 极智嘉（Geek+）、快仓、立镖机器人 车载AI监控 商汤科技、旷视科技、华为 Atlas 数据平台 阿里云、AWS IoT Core、微软 Azure IoT 📌 六、盈利与价值创造 价值点 描述 成本降低 利用现有运力，减少额外物流成本 效率提升 AI优化后，平均配送时间缩短15%-30% 增值服务 提供包裹保险、加急派送、逆向物流等服务 数据变现 积累用户行为数据，用于广告投放或电商推荐 ✅ 七、总结 通过引入 AI 技术，运输公司不仅可以实现“客运带货”的高效运作，还可以构建一个智能化、可扩展、面向未来的本地物流生态系统。这不仅能增强公司的盈利能力，还能为罗马尼亚乃至东欧地区的电商发展提供强大基础设施支撑。
1 年前
本文是对创建一套德国人工智能账单和人工智能会计记账系统的分析： 德国市场对高效、合规的会计解决方案需求旺盛，尤其是中小企业和初创企业。结合人工智能（AI）技术和会计领域的专业知识，可以开发出一个创新且实用的 KI-RECHNUNG 系统。以下是技术可行性分析和系统架构建议： 一、技术可行性分析 1. 语言大模型的作用 自然语言处理（NLP）：语言大模型（如通义千问、GPT等）可以帮助用户通过自然语言输入（例如语音或文本）与系统交互。例如： 用户可以用自然语言描述交易：“我今天买了一台电脑，花了1,200欧元，含税。” 系统会自动解析并生成正确的会计分录。 智能问答支持：回答用户关于税务法规、会计准则或系统操作的问题。 自动化文档生成：生成发票、财务报表、税务申报文件等。 2. RAG（检索增强生成）的优势 结合外部知识库：RAG 技术允许语言模型在生成答案时参考外部数据源，例如德国会计准则（HGB）、税务法规、DATEV 数据格式等。 动态更新规则：税务和会计法规经常变化，RAG 可以实时从权威来源（如德国税务局官网或 DATEV API）获取最新信息，确保系统的合规性。 个性化服务：根据企业的行业特点、历史交易数据和税务状况，提供定制化的建议。 3. AI 在会计中的具体应用 自动分类交易：通过机器学习算法，将银行流水自动分类为收入、支出、增值税等类别。 异常检测：识别潜在的错误或欺诈行为，例如重复支付、异常金额等。 预测分析：基于历史数据预测现金流、税务负担或利润趋势。 合规检查：确保所有账目符合德国 HGB 和税法要求。 二、系统架构设计 1. 核心模块 (1) 用户交互层 功能： 提供友好的用户界面（UI），包括 Web 应用和移动应用。 支持自然语言输入（文本/语音）。 显示账单、报表和税务信息。 技术实现： 前端框架：React.js 或 Vue.js。 自然语言接口：集成语言大模型（如通义千问）。 语音识别：使用 ASR（自动语音识别）工具，如 Google Speech-to-Text 或 Whisper。 (2) 数据处理层 功能： 解析用户输入并生成会计分录。 自动分类银行流水和发票。 计算增值税、企业所得税等。 技术实现： 使用 RAG 模型结合外部知识库（如 DATEV 规则、德国税法）。 集成 OCR（光学字符识别）工具（如 Tesseract 或 Google Vision）处理纸质发票。 使用机器学习算法（如分类模型）处理交易数据。 (3) 数据存储层 功能： 存储用户数据、交易记录、发票和报表。 确保数据安全性和隐私保护。 技术实现： 数据库：PostgreSQL 或 MongoDB。 文件存储：AWS S3 或 Azure Blob Storage。 数据加密：符合 GDPR 要求。 (4) 合规与集成层 功能： 确保系统符合德国会计和税务法规。 集成第三方服务（如 DATEV、Elster）。 技术实现： 使用 DATEV API 导入/导出数据。 集成 Elster 接口进行电子税务申报。 定期更新法规数据库。 (5) 分析与报告层 功能： 生成资产负债表、损益表、现金流量表等。 提供财务分析和预测。 技术实现： 数据可视化工具：Power BI、Tableau 或自定义图表库（如 D3.js）。 使用时间序列分析和预测模型（如 ARIMA 或 LSTM）。 三、关键技术栈 1. AI 和 NLP 语言模型：通义千问、GPT-4、BERT 等。 RAG 框架：LangChain、FAISS 或 Pinecone。 OCR 工具：Tesseract、Google Vision。 2. 数据处理 机器学习：Scikit-learn、TensorFlow、PyTorch。 数据管道：Apache Kafka、Airflow。 3. 前后端开发 前端：React.js、Vue.js。 后端：Node.js、Django、Flask。 API 集成：RESTful API、GraphQL。 4. 数据库与存储 关系型数据库：PostgreSQL、MySQL。 NoSQL 数据库：MongoDB。 文件存储：AWS S3、Azure Blob Storage。 5. 安全与合规 加密：AES-256、SSL/TLS。 身份验证：OAuth 2.0、JWT。 GDPR 合规：数据匿名化、访问控制。 四、实施步骤 1. 需求分析 调研目标用户（德国中小企业和初创企业）的需求。 确定核心功能（如账单生成、税务申报、报表生成）。 2. 数据准备 收集德国会计和税务法规的数据。 构建训练数据集（如历史交易记录、发票样本）。 3. 模型开发 微调语言模型以适应会计领域。 训练 RAG 模型以结合外部知识库。 4. 系统开发 开发前后端应用。 集成 DATEV 和 Elster 接口。 5. 测试与优化 进行功能测试、性能测试和合规性测试。 根据用户反馈优化系统。 6. 上线与推广 部署到云平台（如 AWS、Azure）。 推广至目标市场，提供免费试用或订阅模式。 五、商业价值与前景 1. 商业模式 订阅模式：按月或按年收费。 增值服务：提供高级功能（如预测分析、税务咨询）。 合作伙伴：与税务顾问合作，扩大客户群。 2. 市场机会 德国中小企业数量庞大，对高效、合规的会计解决方案需求强烈。 AI 技术的应用可以显著降低人工成本，提高效率。 3. 竞争优势 利用语言大模型和 RAG 技术，提供更智能、更个性化的服务。 专注于德国市场，深度适配本地法规和用户习惯。 如果你对本方案的技术实现有专业能力，或者想讨论具体的开发计划，请随时与想法提出者联系：juningermany (微信) ！
21 天前
AiPPT: 一句话、一分钟、一键搞定
29 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI