先摸清地形,再谈布阵。
- 输入
- 知识库 · 历史轮次 · 用户目标
- 输出
- 领域简报 + 资料索引
01
单模型一次成文,快则快矣,弊在三处:视角单一、自评自证、上下文互相污染。司南以对抗破之。
02
侦察、出题、辩论、裁定,环环相扣;上下文严格隔离,每条结论都留有余痕。
读知识库与历史轮次,产出领域简报与资料索引,为后续辩论备好同一份底料。
两造各自拟定评分标准并互相驳难,收敛为 final_rubric——先定标尺,后论短长。
依同一份 final_rubric 各自落笔,再互挑破绽,交出可执行、可度量的策略。
硬规则校验 + 逐维评分,输出 strategy / rubric / debate 三件套。
03
各司其职,各守其界。悬停一张卡,看它落在罗盘何处。
先摸清地形,再谈布阵。
先立标尺——什么算好策略?
专挑标尺的松紧之差。
依标尺成篇,条目须落地、可度量。
不推翻你的方案,只揭你的漏洞。
不看气势,只看证据与标尺。
04
纯前端演示,复现一轮辩论与一次 CLI 运行的真实节奏(数据为示意)。
05
一轮辩论,落在 outputs/ 之下:一份策略、一份标尺、一份辩论全记录。命名规则 {prefix}{type}_{domain}_{folder}_{timestamp}.{ext}。
示例 / Sample — 字段与命名依项目真实格式构造,非真实运行结果。
# 电商运营策略 · 提升 90 天复购率
> 领域 ecommerce | Judge 评分 85/100 | 硬规则 100/100
> 生成于 2025-11-04 14:15:00
## 一、目标
90 天内将复购率由 18% 提升至 26%,同期获客成本下降 10%。
## 二、策略条目
### 1. 沉睡用户分层唤醒(P0)
(负责人: 用户增长组 | 时间: 第 1–3 周 | KPI: 唤醒率 ≥ 22%)
- 按 RFM 切分四层,对 R3F2 层下发定向券 + 内容化短信
- 首单后 7 日内触达,避开大促挤占
### 2. 会员权益重定价(P1)
(负责人: 会员运营 | 时间: 第 2–6 周 | KPI: 付费会员渗透 +3pt)
- 权益由「折扣」转向「服务」,降低对毛利的侵蚀
- 对照组保留原权益,四周后看增量
### 3. 复购触点自动化(P1)
(负责人: 营销技术 | 时间: 第 4–8 周 | KPI: 自动化触达贡献 GMV ≥ 15%)
- 拆出「浏览未购」「加购未付」「首单未复」三类旅程
{
"domain": "ecommerce",
"rubric_version": "final",
"debate_rounds": 3,
"dimensions": [
{ "name": "目标清晰度", "weight": 0.20,
"anchors": { "1": "目标模糊", "3": "目标可读", "5": "目标可量化且有时限" } },
{ "name": "可执行性", "weight": 0.30,
"anchors": { "1": "空泛口号", "3": "有动作无责任", "5": "动作/负责人/时间三全" } },
{ "name": "度量完备", "weight": 0.25,
"anchors": { "1": "无 KPI", "3": "KPI 与目标弱相关", "5": "KPI 可采集且能归因" } },
{ "name": "风险意识", "weight": 0.15,
"anchors": { "1": "无风险", "3": "仅列风险", "5": "有风险与对冲动作" } },
{ "name": "成本约束", "weight": 0.10,
"anchors": { "1": "无视成本", "3": "笼统提预算", "5": "有成本区间与取舍" } }
],
"hard_rules": [
"每个条目标注负责人",
"每个条目标注时间窗",
"每个条目含可量化 KPI"
]
}
{
"domain": "ecommerce",
"folder_name": "ecommerce_test",
"rubric_history": [
{ "round": 1, "agent": "RUBRIC_A", "summary": "提出 5 维标尺,权重偏重可执行性" },
{ "round": 1, "agent": "RUBRIC_B", "summary": "指摘风险维度缺对冲动作锚点" },
{ "round": 2, "agent": "RUBRIC_A", "summary": "补风险锚点,下调成本权重至 0.10" },
{ "round": 3, "agent": "JUDGE", "summary": "裁定收敛,final_rubric 定稿" }
],
"strategy_history": [
{ "round": 1, "agent": "STRATEGY_A", "summary": "三阶段六条目,以分层唤醒为先" },
{ "round": 1, "agent": "STRATEGY_B", "summary": "质疑唤醒口径与归因方式" },
{ "round": 2, "agent": "STRATEGY_A", "summary": "补对照实验与归因口径" }
],
"final": { "judge_score": 85, "hard_rule_score": 100 }
}
06
四道机关,保辩论有效、结论可信、运行稳定。
出题组 A⇄B 互通、策略组 A⇄B 互通;组间只回传 final_rubric,杜绝互相串味。
SINAN_<PROVIDER>_API_KEYS 逗号分隔,或 _API_KEY_1/2/3 分行书写,轮询分摊限流。
Pydantic 校验每个 Agent 的 JSON 产物;不合规即重试,绝不静默降级为「看着像对」。
历次辩论沉淀入 knowledge/,SCOUT 检索复用,越用越懂你的领域。
07
备环境、配密钥、跑一轮。Windows / macOS / Linux 皆可。
需 Python 3.10+。Windows 执行 scripts\install.bat,Linux/macOS 执行 bash scripts/install.sh。
写入 .env:最简只需 SINAN_DEEPSEEK_API_KEY 与 SINAN_DEFAULT_PROVIDER=deepseek。
执行 sinan,或 python -m agent;产物落于 outputs/,三件套齐备。
| Provider | 密钥变量 | 备注 |
|---|---|---|
| DeepSeek | SINAN_DEEPSEEK_API_KEY | 默认推荐 |
| Kimi | SINAN_KIMI_API_KEY / SINAN_MOONSHOT_API_KEY | 二名等效 |
| Qwen | SINAN_QWEN_API_KEY / SINAN_DASHSCOPE_API_KEY | 二名等效 |
| GLM | SINAN_GLM_API_KEY / SINAN_ZHIPUAI_API_KEY | 二名等效 |
| Ollama | 无需密钥 | 本地推理 |