audio_codebuddy/coze-skill/AGENT_DESIGN.md

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