# 造浪2025AIAgent创新赛

**Repository Path**: lucianaib/AgentCompetition

## Basic Information

- **Project Name**: 造浪2025AIAgent创新赛
- **Description**: 造浪2025AIAgent创新赛 作品提交仓
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 23
- **Created**: 2025-12-08
- **Last Updated**: 2025-12-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🚀 基于 LazyLLM 开发的打工人述职Agent

## 📝 项目简介

**项目名称：** 打工人述职Agent

**项目背景：** 面对职场中**周报、季度/年度述职报告**等耗时费力的写作任务，本项目旨在利用大模型（LLM）技术，构建一个**智能述职Agent**。该Agent能够接收用户的 **OKR（目标）** 和 **工作内容（周报/多周报）** 作为输入，并自动生成结构清晰、内容专业的周报或季度/年度述职报告。

**核心价值：**

- **效率提升：** 将繁琐的报告撰写过程交给机器，大幅减少打工人的时间消耗。
- **质量保障：** 确保报告内容紧扣 OKR，语言专业、结果导向，避免空话套话。
- **低代码实现：** 采用 **LazyLLM** 低代码框架进行快速开发和部署。

## ⚙️ 技术栈

| **类别**          | **技术/工具**                                                | **描述**                                                     |
| ----------------- | ------------------------------------------------------------ | ------------------------------------------------------------ |
| **核心框架**      | **LazyLLM (v0.x)**                                           | 低代码 LLM 应用开发框架，用于快速构建和编排 Agent Pipeline。 |
| **大模型（LLM）** | **SenseNova**                                                | 提供核心语言生成能力的 API 接口。                            |
| **编程语言**      | Python 3.12                                                  | 项目主要实现语言。                                           |
| **API/工具**      | `os`, `lazyllm.OnlineChatModule`, `pipeline`, `warp`, `bind`, `JsonFormatter` | 用于环境变量配置、模块定义、流程编排和数据处理。             |
| **部署环境**      | `lazyllm.WebModule`                                          | 提供内置的 Web Server，用于启动和暴露 Agent 服务。           |

## 🏗️ 架构设计

本项目采用 **Agent Pipeline** 架构，基于 LazyLLM 框架实现**多步骤任务拆解与协同**。

#### **Agent 流程（Pipeline）**

1. **Outline Generator (`outline_writer`):**
   - **职责：** 根据用户输入（OKR + 工作内容），判断是周报还是季度/年度述职，并调用 LLM 生成**结构化、分层级**的报告大纲（TOC）。
   - **核心组件：** `OnlineChatModule` + **`JsonFormatter`** + `toc_prompt`。`JsonFormatter` 确保大纲输出为合法的 JSON 格式，便于后续处理。
2. **Story Generator (`story_generater`):**
   - **职责：** **并行/逐个**处理 Outline Generator 输出的每个章节标题和写作指导。
   - **核心组件：** **`warp`** + `OnlineChatModule` + `writer_prompt`。`warp` 函数是 LazyLLM 中实现**循环迭代**的关键，它使得 Pipeline 可以将大纲列表中的每个元素作为输入，并行调用 LLM 生成对应的正文内容。
3. **Synthesizer (`synthesizer`):**
   - **职责：** 接收 Story Generator 输出的所有正文段落，以及 Outline Generator 产生的原始大纲结构，将**标题**和**正文**进行合并，生成最终的 Markdown 格式报告。
   - **核心组件：** `lambda` 函数 + **`bind`**。`bind` 用于将 `outline_writer` 的输出作为命名参数传递给 `lambda` 函数，实现跨步骤的数据引用。

#### 整体流程图

![整体流程图](整体流程图.png)

## 📦 部署说明

#### 1. 前置准备

1. **安装 LazyLLM：**

   ```bash
   pip install lazyllm
   ```

2. **获取 SenseNova API 凭据：** 在 SenseCore 控制台获取 `API_KEY` 和 `SECRET_ID`。

#### 2. 代码配置

将获取到的 API 凭据替换代码中的占位符：

```Python
API_KEY = "..."  # 替换为您的 API Key
SECRET_ID = "..." # 替换为您的 Secret ID

os.environ["LAZYLLM_SENSENOVA_API_KEY"] = API_KEY
os.environ["LAZYLLM_SENSENOVA_SECRET_ID"] = SECRET_ID
```

#### 3. 启动 Web 服务

在终端运行该 Python 文件：

```Bash
python main.py
```

Agent 将在 **`http://localhost:23466/`** 上启动 Web 服务，并自动提供一个简易的 Web 界面供用户输入测试。

**服务访问：**

- **URL:** `http://localhost:23466`
- **接口名称:** `ppl` (对应代码中的 `with pipeline() as ppl:`)

![启动](启动.png)

## 效果展示

**Agent生成周报效果图：**

> 输入：\# 周报 {  "okr": "O1: 提升推荐系统效果；KR1: 点击率提升15%；KR2: 覆盖80%用户",  "weekly_report": "1. 完成了新模型上线；2. A/B测试CTR提升18%；3. 修复冷启动问题" }

![周报效果图](周报效果图.png)

**Agent生成季报效果图：**

> 输入：\# 季度/年度述职报告 {  "okr": "O1: 提升推荐系统效果；KR1: 点击率（CTR）提升15%；KR2: 新推荐策略覆盖80%以上活跃用户",  "multi_week_reports": [    "第1周：完成用户行为日志清洗与特征提取，清洗异常数据约5%，构建用户画像基础特征表，支持后续模型训练。",    "第2周：基于协同过滤与深度学习模型（DIN）完成初版推荐模型训练，离线AUC达到0.82，较旧模型提升6%。",    "第3周：启动A/B测试，灰度发布至10%流量，初步数据显示CTR提升12%，用户停留时长增加9%，未发现明显性能瓶颈。",    "第4周：根据测试反馈优化排序策略，全量发布新推荐模型，监控数据显示CTR提升18%，覆盖90%活跃用户，目标超额达成。"  ] }

![季报效果图](季报效果图.png)