APP - 架构与流程粗略解析

第一步：多模态数据输入 (Inputs)

📥用户数据源

主动输入

  • 问卷: 基本信息、每日问卷、月经状态
  • 交互: AI聊天文本、语音日记、上传的食物/场景照片、体检报告PDF/图片
  • 购物: 商城购买记录、浏览历史

被动/设备采集

  • 穿戴设备: 戒指/手表 (情绪、运动、日间心率)
  • 监测设备: 睡眠监测报告（包括使用情况）
  • APP行为: 微步骤完成/跳过情况
  • 环境信息: 当前时间、地理位置（需授权）、预设的场景信息、天气情况
⬇️

第二步：核心处理引擎 (Core Processing Engine)

⚙️记忆提炼与决策中枢

这是系统的大脑，负责将原始、混乱的输入数据转化为结构化、可利用的智能信息。

输入

  • 上一步的所有“用户数据源”。

处理逻辑

  1. 多模态数据处理引擎:
    • ASR: 语音日记/指令 → 文字
    • CV: 食物照片 → 食物名称、卡路里、营养成分；体检报告图片 → 关键指标和数值
    • NLP: 聊天记录/问卷文本 → 意图识别、情绪分析、实体提取
  2. 记忆与标签化:
    • 处理后的数据存入**[记忆数据库]** (原始但结构化，可回溯)。
    • 提炼关键信息，生成**[标签库]** (例如: `情绪:焦虑`, `目标:减重`, `风险:感染中度`, `商机:益生菌`)。
  3. 用户画像更新:
    • 所有记忆和标签，实时更新**[结构化用户画像]**。画像包含长期标签、短期标签、用户行为模式、AI为用户下的定义。。。
  4. 规则决策引擎:
    • 持续监控**[记忆数据库]**和**[标签库]**的变化。
    • 根据预设规则库（如 `IF 标签='失眠' AND 购买='褪黑素'`），决定下一步触发哪个APP功能，触发的APP功能包括：数字人展示状态变化、发起问候语、指导微步骤变化。

输出

  • 可供查询的**[记忆数据库]**
  • 可更新迭代的**[标签库]**
  • 动态的**[结构化用户画像]**
  • 发送给APP各功能的**[指令]** (例如: `向用户推送报告解读`, `更新数字人状态为'悲伤'`, `生成晨间问候语`)
补充的关键点: **“规则与决策引擎”**，它是连接数据和功能的桥梁，是实现智能触发的核心。没有它，系统就不知道该在何时做什么。
⬇️

第三步：应用功能实现 (App Functions)

🧍1. 数字人展示

输入

  • 决策引擎发来的**状态指令**
  • 来自报告、标签库、数据库: `健康风险`, `情绪状态`, `能量水平`，`微步骤完成情况`等

处理逻辑

  • 前端渲染引擎接收到指令和标签。
  • 根据标签（如`风险:感染`），匹配并播放预设的动画（如`咳嗽.mp4`）。
  • 根据能量水平（如`高`），切换到更有活力的待机动画。

输出

  • 一个会根据用户状态实时变化的动态数字人形象。
关键点: 需要一个庞大且精美的2D/3D动画素材库，并与标签系统做好映射。数据传输需要低延迟，保证实时性。

👋2. 问候语 (主动交互)

输入

  • 决策引擎发来的**主动交互指令**
  • 画像中的具体信息: `昨日设备使用情况`, `最新报告解读`, `当前情绪`，`待完成的微步骤`

处理逻辑

  • 决策引擎判断现在是发起问候的最佳时机（如早晨、APP启动时）。
  • 根据输入信息，从文案库中动态生成或选择一条最合适的问候语。
  • 例如：`IF` 昨日未用设备 `THEN` "Hi，注意到您昨天没有佩戴设备，是忘记了吗？"

输出

  • 在APP界面弹出的一条高度个性化的文本/语音问候。
说明: “问候语”，归类为由决策引擎驱动的“主动交互”行为。

📅3. 微步骤安排

输入

  • 长期: [健康管理方案] (由用户画像、商机、事件生成)
  • 短期: 报告情况、昨日微步骤完成情况、用户反馈（喜欢/不喜欢）、当前场景/时间、最新交互（如刚买了益生菌）

处理逻辑

  1. 方案生成: 根据画像中的目标（减肥）和商机（需益生菌），生成一个为期3个月的减重方案（规划）。
  2. 每日生成: 每天，系统根据长期方案，结合短期输入，动态生成当天带时间节点的微步骤列表。
    • `IF` 用户刚买了益生菌 `THEN` 加入“9:00 服用益生菌”。
    • `IF` 用户昨日跳绳完成度高 `THEN` 今天继续推荐或略微增加强度。
    • `IF` 用户点了“不喜欢跑步” `THEN` 从方案中剔除跑步，换成同等效果的其他运动。

输出

  • 一个覆盖全天（营养、运动、情绪、睡眠等）的、可执行的、动态调整的微步骤清单。
关键点: 方案的精华。它结合了**长期规划（健康方案）**和**短期反馈（每日迭代）**，是留住用户的核心。

💬4. AI对话 (健康教练)

输入

  • 用户的文本、语音、图片、视频通话请求。
  • 决策引擎触发的**自动发起对话**指令（如解读报告）。
  • 完整的**[记忆数据库]**和**[用户画像]**的访问权限。

处理逻辑

  • 调用大语言模型（LLM），并注入**Persona（身份）**: "你是一个专业的健康管理教练"。
  • 将用户问题和相关的记忆、画像信息作为上下文（Context）提供给LLM。
  • LLM生成回复。对于报告解读等，使用预设模板+LLM润色，确保结构化和准确性。
  • 根据对话内容，动态生成相关问题推荐。

输出

  • 专业、有同理心的文本/语音回复，结构化的报告解读，视频/语音通话。
关键点: 需要强大的RAG（检索增强生成）技术，确保AI能准确利用用户的个人数据进行回复，而不是空泛的建议。

🛒5. 商城向导

输入

  • 用户的购物相关咨询。
  • 决策引擎根据**[商机]**标签触发的对话。
  • 用户画像中的**[商机]**和**[购买历史]**。

处理逻辑

  • 与AI教练类似，但注入的**Persona**是"商城向导"。
  • 对话更侧重于产品推荐、功效解释、使用方法。
  • 根据用户画像中的潜在需求（如`标签:失眠`），主动推荐商品（如`助眠枕`）。

输出

  • 商品推荐卡片、购买链接、有说服力的产品介绍。
关键点: 明确区分“教练”和“向导”的身份非常重要，可以避免用户反感过度营销，建立信任。

📂6. 储存的数据展示与管理

输入

  • 用户的主动查看请求。
  • 用户的手动编辑、添加、删除操作。

处理逻辑

  • 提供一个清晰、易于理解的界面，用于访问**[记忆数据库]**和**[结构化用户画像]**。
  • 将数据库中的JSON类数据可视化成用户能看懂的日记、图表（如情绪曲线、营养摄入饼图）。
  • 提供增删改查接口，让用户的编辑操作能直接同步回数据库和画像中。

输出

  • 健康记录、情绪日记、营养日记、生活回溯、聊天记忆等可视化界面。
  • 允许用户完全控制自己数据的编辑界面。
关键点: 这是建立用户信任和数据隐私保护的基石。
⬇️

第四步：后端与基础设施 (SaaS Platform)

☁️SaaS云平台

所有上述功能得以运行的基石，提供稳定、可扩展的计算和存储资源。

  • 存储服务: 用于存放记忆数据库、标签库、用户画像、多模态文件（图片/音频）。
  • 计算服务: 运行多模态处理模型、规则引擎、大语言模型等高算力任务。
  • API网关: 为APP前端提供安全、统一的数据接口。
  • 管理后台: 供运营和技术人员监控系统状态、管理用户、更新规则库和AI模型。