# AI Agent 设计方案

## 一、Agent 架构

```
用户输入
    ↓
LLM (GPT-4 / Claude / 通义)
    ↓
意图理解 → 工具调用决策
    ↓
调用 TTS API（detect_voice / synthesize_*）
    ↓
处理结果 → 自然语言回复
    ↓
返回音频 URL + 建议
```

## 二、三层 Agent 能力

### Level 1：被动响应

用户：帮我把这段话配音
Agent：调用 synthesize，返回音频

### Level 2：主动建议

用户：帮我把这段话配音
Agent：请问用途？我推荐磁性男声 + happy 情感 + 1.1 倍语速，确认开始生成？

### Level 3：学习个性化

用户：帮我配音（已是第 50 次使用）
Agent：根据您的偏好（短视频场景、磁性男声、1.1 倍速）开始生成...

## 三、用户偏好模型

接口：UserPreferences

字段：
- userId：用户 ID
- voicePreferences：
  - favoriteVoices：常用音色列表
  - defaultEmotion：默认情感
  - defaultSpeed：默认语速
- usagePatterns：
  - primaryUseCase：主要用途
  - averageTextLength：平均文本长度
  - activeHours：活跃时段
- historicalChoices：历史选择记录

## 四、工作流编排

### 工作流 1：智能配音助手

输入：用户文本 + 自然语言描述
步骤：
1. 解析用户意图（场景 + 风格）
2. 调用 detect_voice 获取推荐
3. 询问用户确认
4. 调用对应 synthesize 接口
5. 返回音频 + 使用建议

适用：所有配音场景

### 工作流 2：批量有声书生成

输入：整本小说（多章节）
步骤：
1. 拆分章节
2. 为每章调用 async-synthesize
3. 收集所有 task_id
4. 轮询或等待回调
5. 合并为完整有声书
6. 返回完整文件

适用：有声书制作

### 工作流 3：视频自动配音

输入：视频文件
步骤：
1. 提取视频中的文案
2. 拆分短句
3. 逐句调用 synthesize_short
4. 对齐视频时间线
5. 合成最终视频

适用：自媒体视频

## 五、商业模式

### 免费层
- 每月 10000 字符
- 标准音色
- 基础参数调整

### 付费层
- 无限字符
- 全部音色（含定制）
- 高级参数（情感、语速、音调）
- 优先队列

### 企业层
- 私有部署
- 定制音色
- SLA 保障
- 专属客服

## 六、实施路线图

### Week 1：MVP
- 注册 Coze 开发者账号
- 上传 skill.json
- 实现 /v1/tts/* 6 个端点
- 在 Coze 工作台测试

### Week 2：优化
- 收集测试反馈
- 优化 system prompt
- 增加使用示例
- 提交审核上架

### Week 3-4：扩展
- 复制到 Dify、GPTs、豆包
- 训练用户偏好模型
- 接入更多音色

### Month 2+：生态
- 接入剪映/CapCut 插件市场
- 接入小红书编辑器
- 接入抖音创作工具
- 形成 AI 生态矩阵