嘴替鸭小程序是怎么看懂一句话的：本地规则 + 大模型的混合引擎拆解
参赛赛道：全链路开发实战
#TRAE双端融合 #全新 TRAE 实战体验 #TRAE 全链路实战
程序代码我已经放在了github上，你可以自己跑跑看：github.com/beverlyLee/…
前面那篇我们搭建了一个嘴替鸭微信小程序，来解决社交场景下的接话尴尬场景，讲了嘴替鸭能干什么、我用 TRAE 怎么把它做出来。这一篇专讲它是怎么运作的，从问题进来，到回话出去，中间每一层怎么判、怎么打分、怎么兜底。
一、整体架构
先看一张完整架构图，建立全局视角。 整个项目拆成四层：前端 Taro 一份代码编译到微信、支付宝、抖音小程序和 H5； Python 后端 FastAPI启动起来，每天爬社区话术，排序后存进本机，给前端当每日语录数据源； Node 配置后台起来，浏览器打开就能可视化增删改意图、语录、话题、提示词，改完导出贴回小程序即生效； 微信云开发作为备用链路留着，主链路不依赖它。
系统架构图如下，采用小程序+python后端来实现的。
二、拆招功能：为什么不全交给大模型
一开始我确实想全交给大模型，但想到了几个场景：
第一，饭桌上等两三秒出结果，话头已经过去了，这时候你似乎没有机会再回答了。 第二，每次调用都花钱，在社交密集的场合，一场别有用心饭局或者谈话，似乎得烧一大堆token。 第三，如果是在家庭聚会或者人流密集处，没网或者没配 key 的时候，纯大模型方案直接无法使用。
所以最后定下的架构是本地规则打底，大模型只做L3层兜底。
下面这张图是整个意图判定的主链路。
2.1 固定规则怎么匹配
入口函数 analyzeUtterance 进来后，先做第一层固定意图规则的匹配。这一层的逻辑很朴素，就是字面扫描，不是语义理解。
每条意图规则（IntentRule）带一组关键词和权重。引擎对每条规则逐词检查，用 text.includes(kw) 判断原话里有没有这个词，命中几个就记几个 hits。只有 hits 大于 0 的规则才进入候选，空关键词的万能兜底永远不进候选。下面这张图把匹配和筛选的全过程画了出来。
2.2打分：权重乘命中数
打分逻辑主要用在命中多个意图标签的时候,命中多的意图打分高。 进了候选的规则怎么排座次，公式计算权重：
score = weight * hits
按 score 从高到低排候选的意图标签，分数相同则命中词多的胜出。取分数最高的那条当主意图。下面这张图给了一个真实例子，也把当前 14 个具体意图的权重列了出来。
2.3 大模型兜底
第一层和第二层都没命中、且用户配了模型，才交给第三层大模型处理。大模型要是没配或者调用失败，自动降级回万能兜底模板。 喂给大模型的 system prompt 是意图识别和话术生成一次完成的，前半段识别意图，后半段直接出四套回话。原文是这样的：
你是「嘴替鸭」，一位专帮内向者（i人）应对社交压力的资深话术教练，精通中国式人情世故。
【输入】别人对用户说的一句原话。说话人可能是亲戚、领导、同事、朋友或陌生人；语气可能委婉、阴阳怪气，也可能直接施压，注意听出弦外之音。
【任务】
1. 意图识别：看穿这句话背后的真实目的，可能同时命中多个意图（如：催婚催生、打探隐私、贬低比较、职场画饼、职场打压、甩锅推责、道德绑架、情感勒索、劝酒逼酒、玩笑越界、越界指挥、开口借钱、服务维权、拒绝邀约、PUA、正常交流等；也可自拟更贴切的名称），按相关度从高到低排列，最多 5 个
2. 强度评估：low=无恶意随口一说；medium=让人不适；high=明显冒犯或施压
3. 处境概括：用户当下的处境与应对要点，40字以内
4. 生成 4 套可直接照着说的回话，顺序和风格固定：
- gentle（温和化解）：表面接住话、四两拨千斤，不撕破脸
- humor（幽默带过）：用玩笑或自嘲轻松岔开，气氛不僵
- direct（直接拒绝）：清晰表明立场和边界，不卑不亢
- counter（反将一军）：把问题礼貌抛回给对方，可带锋芒但留余地
【要求】
- 口语化，像日常说话，禁止书面腔；每句15~60字
- 得体不憋屈：不委屈自己，也不激化矛盾；理解对方可能是长辈/上级，回话要留情面但不退让底线
- 结合中国式人情场景（饭桌、酒局、家族聚会、办公室），让回话接地气、能自然出口
- 如果对方只是正常交流（问好、关心、闲聊），四套回话都应是友好自然的回应，不要强行树敌
- reason 用一句话解释这句话为什么有效，30字以内
【输出】严格只输出一个 JSON 对象，禁止 markdown 代码块、禁止任何解释或前后缀文字。格式：
{"intents":["意图名称1","意图名称2","意图名称3"],"intensity":"low|medium|high","situation":"处境与应对要点","responses":[{"style":"gentle","text":"回话内容","reason":"有效原因"},{"style":"humor","text":"回话内容","reason":"有效原因"},{"style":"direct","text":"回话内容","reason":"有效原因"},{"style":"counter","text":"回话内容","reason":"有效原因"}]}
配套的 user 消息极简，只传原话：别人对我说的话：「<用户输入>」。这条 prompt 也能在设置里被覆盖，不用改代码。
三、每日语录池
语录池也是有两层的，这样用户可以看到新的语录，及时更新自己的社交语料库。 第一层零命中时，引擎下钻到第二层每日语录池。这一层拿后端每天从社区抓来的热话，和当前输入做匹配。命中就按语录打的意图标签归类，套通用模板回话，把回话追加到末尾。
一点反思
做这个项目让我想清楚一件事：个人开发者做AI小工具，价值不是开发本身，也不是用一些多么前沿的新技术，而是让用户真正能用得上，方便、低成本的解决用户的问题。规则引擎解决的是确定性和成本，大模型解决的是不确定性和智能，两者不是谁替代谁，而是漏斗式分工。先把八成明确场景用零成本处理，剩下一些不常见的场景或者重要场景，才动用需要成本的大模型。当然，工具只是工具，更多的是帮助人在社交场合下更加游刃有余，提升社交能力才是目的。
#TRAE双端融合 #全新TRAE实战体验 #TRAE 全链路实战
