dev-plan.md 11.1 KB

Edit Raw Blame History


lemonPCRM 分阶段开发计划

基于 lemonPCRM.md 产品需求 + user-flow.md 用户流程制定。
目标：以最小可用单元逐步落地，每阶段交付可独立运行的功能切片。


总体架构回顾
[前端 HTML — 联系人列表 + 五标签画布]
        ↕ SSE / REST
[server — ACP 编排引擎]  ← 已有基础
        ↕ 工具调用
[MCP 工具箱]  ← 待构建
        ↕
[本地知识图谱 (Kùzu / SQLite)]  ← 待构建


Phase 0｜地基夯实（已完成）
目标：确认现有 ACP 内核可稳定驱动 Claude CLI，作为后续所有阶段的底座。


任务
说明
状态


ACP 协议层
ClaudeCliProtocol + SessionPool + AgentManager
✅ 完成


SSE 对话路由
/api/master/chat 多轮流式对话
✅ 完成


文件上传解析
.docx / .pdf 注入对话上下文
✅ 完成


配置体系
backends.json / agents.json / .env
✅ 完成


交付物：可通过 curl 发起多轮 AI 对话，文件内容可注入上下文。


Phase 1｜本体论数据层（第 1 个月）
目标：建立知识图谱数据模型，提供基础 CRUD 能力，AI 可通过工具写入/查询。
1.1 选型与初始化

使用 Kùzu（本地嵌入式图数据库，无服务进程）或 SQLite + JSON 图扩展
在 server/db/ 目录初始化数据库，提供统一的 GraphStore 模块

1.2 核心本体模型
节点（Node）
├── Person        id, name, alias[], avatar, notes, analysisStatus, createdAt
├── Organization  id, name, type, domain
├── Project       id, name, status, description
├── Event         id, type(chat/meeting/post), date, summary, rawText
└── Asset         id, type(photo/video/doc), filePath, mimeType, vectorId

边（Edge）
├── Person  --[KNOWS]-->        Person       (channel, since)
├── Person  --[BELONGS_TO]-->   Organization (role, since)
├── Person  --[PARTICIPATED]--> Event
├── Event   --[CONTAINS]-->     Asset
├── Person  --[MENTIONED_IN]--> Event
└── Person  --[ASSOCIATED]-->   Project


analysisStatus 字段驱动前端联系人状态：none / partial / complete（对应 ⚪🔵🟢）
1.3 MCP 工具箱 v1（基础图操作）
在 server/src/tools/graph/ 实现以下工具，供 Master Agent 调用：


工具名
功能


create_person(name, meta)
创建 Person 节点


get_person(name_or_id)
查询 Person 及其所有关联边


link_persons(a, b, relation, meta)
建立两人之间的关系边


create_event(type, date, summary, persons[])
创建事件并关联参与者


search_graph(query)
全文 + 属性模糊搜索


get_relationship_path(a, b)
找两人之间的最短关系路径


交付物：可通过 AI 对话完成人脉节点的增删改查；curl /api/master/chat 说"新增联系人张三，来自字节跳动"即可写入图谱。


Phase 2｜微信联系人导入（第 2 个月）
目标：将微信作为第一个数据源，批量导入联系人和聊天记录，为前端提供真实数据。
2.1 微信数据读取
实现 server/services/wechat/ 模块，支持两种导入方式：


手动导出：解析微信 PC 端导出的 CSV / JSON 联系人文件
本地数据库（进阶）：读取 EnMicroMsg.db（需用户自行解密提供）

2.2 数据清洗与入图
原始微信联系人 → NLP 实体清洗 → Person 节点写入 → 关系边推断


调用 extract_entities_from_text() 工具让 AI 从备注/标签中推断关系
去重策略：以微信 ID 为主键，姓名 / 手机号辅助合并
写入后设置 analysisStatus = partial

2.3 聊天记录导入

解析聊天记录 txt/html 导出文件
每段对话创建 Event:ChatSession 节点，关联发言人
AI 自动提取对话中提及的第三方人名、公司、项目，扩充图谱


交付物：微信通讯录和聊天记录完整入图；联系人列表有真实数据，状态为 ⚪ 或 🔵。


Phase 3｜前端主界面 + 档案激活流程（第 2–3 个月）
目标：构建本地 HTML 单页应用，实现「搜索联系人 → 点击激活 → 多维画布」的完整主流程。
3.1 技术选型

图渲染：AntV G6（关系图谱画布专用）
框架：原生 HTML + Vanilla JS（Local-First，零构建工具依赖）
通信：SSE 接收 AI 分析输出，REST 查询图谱数据

3.2 页面布局
┌────────────────────────────────────────────────────────┐
│  lemonPCRM                                 [设置] [同步] │
├──────────────────────────┬─────────────────────────────┤
│  搜索（姓名/公司/标签）    │  [档案][图谱][时间轴]         │
│                           │  [对话洞察][AI报告]           │
│  联系人列表                │                             │
│  🟢 张三  字节跳动         │     ← 右侧五标签画布区        │
│  🔵 李四  OpenAI          │                             │
│  ⚪ 王五  （未激活）        │                             │
└──────────────────────────┴─────────────────────────────┘

3.3 档案激活流程（核心交互）
点击联系人后触发 AI 并发分析，右侧实时显示进度：
✅ 微信通讯记录读取完成
✅ 图谱基础数据加载完成
🔄 LinkedIn 数据匹配中...
⏳ 对话内容分析（等待中）


新增 MCP 工具支撑激活流程：


工具名
功能


activate_contact_profile(personId)
触发全量聚合分析，以 SSE 返回进度流


get_conversation_insights(personId)
统计对话话题分布、承诺事项、关系温度


generate_profile_report(personId)
生成结构化 Markdown 分析报告


3.4 五个画布标签


标签
核心内容


📋 档案视图
联系方式、性格与沟通风格、职业轨迹、与我的关系描述


🕸️ 关系图谱
以此人为中心的 G6 关系网络，支持节点下钻跳转


📅 时间轴
微信 + 会议纪要的互动事件时序，支持按类型筛选


💬 对话洞察
话题分布图、待跟进承诺事项、关系热度趋势


🤖 AI 报告
一键生成可导出 Markdown 的结构化人脉分析报告


所有标签右下角均常驻 AI 对话框（SSE 流式）。

交付物：/frontend/index.html 可直接浏览器打开；点击任意联系人后 5 个画布均可用；AI 对话框可对当前联系人随时追问。


Phase 4｜多源数据接入（第 3–4 个月）
目标：接入 LinkedIn、X（Twitter）等平台数据，丰富每个 Person 节点的数字画像，让档案视图更完整。
4.1 LinkedIn 数据导入

解析 LinkedIn 官方数据导出包（Connections.csv、Messages.csv）
合并到现有 Person 节点，补充职位 / 公司 / 教育背景

4.2 X（Twitter）动态关联

通过 X API v2 或本地导出的 tweets.js 解析用户动态
每条推文创建 Event:Post 节点，AI 提取高频话题标签
定期摘要："该联系人近 30 天在 X 上高频词：#AI #创业"

4.3 会议纪要自动处理

集成 Whisper（本地语音转文字）：音频文件 → Markdown 纪要
会议纪要作为 Event:Meeting 节点入图，AI 提取参与者和提及的第三方
支持通过 /api/master/upload 直接上传音频/纪要文件

4.4 MCP 工具箱 v2（多源数据）


工具名
功能


import_linkedin_export(filePath)
解析 LinkedIn 导出包


import_x_timeline(userId, data)
导入 X 用户动态


transcribe_audio(filePath)
Whisper 本地转写


import_meeting_notes(text, participants[])
会议纪要入图


交付物：档案视图和对话洞察标签中出现 LinkedIn + X + 会议纪要的多维数据；联系人 analysisStatus 升为 🟢 complete。


Phase 5｜AI 深度分析能力（第 4–5 个月）
目标：在完整图谱数据基础上，提供超越单人视角的跨网络洞察能力。
5.1 关系路径分析

"我和王总没有直接关系，帮我找最短关系链"


调用图算法（BFS/Dijkstra）计算最短路径
AI 用自然语言解释路径："你 → 张三（前同事）→ 李四（LinkedIn 好友）→ 王总"

5.2 圈子识别（Community Detection）

运行 Louvain 社区发现算法，自动识别人脉圈子
在图谱画布上用不同颜色区域标注圈子（如"AI 创业圈"、"前公司同事圈"）

5.3 跟进提醒 Agent

后台定时 Agent，扫描"超过 N 天未互动"的重要联系人
生成跟进建议："张三 60 天未联系，上次聊到他在看新机会，建议主动询问近况"
前端首页展示提醒卡片


交付物：关系图谱画布展示圈子色块；首页出现跟进提醒；可查询任意两人之间的关系路径。


Phase 6｜多模态资产关联（第 5–6 个月，可选）
目标：将本地照片/视频与人脉图谱关联，实现多模态检索。
6.1 人脸识别关联

集成 face_recognition（Python 本地库）扫描相册
匹配到已知联系人后，照片作为 Asset:Photo 节点挂载到对应 Person
在档案视图的「关联资产」区域展示

6.2 多模态向量化

使用 CLIP 模型提取图片语义向量，存入向量索引（如 hnswlib）
支持语义搜索："找出所有和张三在户外的照片"

6.3 时空轨迹重现

在时间轴画布集成地图组件（Leaflet.js）
根据照片 EXIF、会议地点等数据，可视化联系人的时空轨迹


交付物：照片/视频可与人脉节点关联；时间轴画布增加地图视角；支持自然语言多模态检索。


里程碑汇总


阶段
时间
核心交付


Phase 0
完成
ACP 编排内核可用


Phase 1
第 1 个月
知识图谱数据层 + 基础 MCP 工具


Phase 2
第 2 个月
微信联系人 & 聊天记录入图


Phase 3
第 2–3 个月
前端主界面 + 档案激活 + 五标签画布全通


Phase 4
第 3–4 个月
LinkedIn / X / 会议纪要多源数据接入


Phase 5
第 4–5 个月
关系路径分析、圈子识别、跟进提醒 Agent


Phase 6
第 5–6 个月
多模态照片关联（可选扩展）


开发原则

Local-First：每个 Phase 的数据和计算全部在本地完成，不依赖云 API
主流程优先：Phase 3 之前必须打通「搜索 → 点击 → 激活 → 五画布」完整链路
AI 驱动数据写入：图谱更新优先通过自然语言对话触发，避免手动 UI 表单
向后兼容：每阶段新增工具不破坏现有 ACP 编排接口