自我进化系统
AI Agency 的核心竞争力是其自我进化能力。系统通过用户反馈不断学习,将成功的模式转变为规则,逐步提高生成内容的质量。
学习管道流程
晋升阈值与规则强度
系统根据反馈频率自动评估规则的信心度。随着反馈次数增加,规则从简单的记录逐步晋升为高置信度规则。
| 晋升级别 | 反馈次数 | 规则名称 | 应用方式 | 示例 |
|---|---|---|---|---|
| 1x | 1 次 | 记录 | 仅存储,权重 10% | “用户喜欢加粗的标题” |
| 3x | 3-4 次 | 启发式 | 建议应用,权重 50% | “对于 SaaS 落地页,调用行动效果最好” |
| 5x | 5-9 次 | 规则 | 自动应用,权重 70% | “主页 CTA 按钮应该是红色” |
| 10x+ | 10+ 次 | 高置信度规则 | 强制应用,权重 90% | “所有转化按钮应该有动画效果” |
| 100x+ | 100+ 次 | 不可变规则 | 锁定,权重 100% | “品牌色彩不变” |
规则示例:从反馈到规则
场景:按钮文本优化
第一次反馈(1x)
用户: "这个 CTA 按钮文本太通用了,需要更具体"
系统:
- 记录反馈
- 创建初始规则:button-text-specificity-01
- 权重: 10%第三次反馈(3x)
用户: "是的,具体的行动语言确实转化更好"
系统:
- 确认模式
- 晋升为启发式
- 权重: 50%
- 可能的 CTA: "开始免费试用" 而不是 "注册"第五次反馈(5x)
用户: "这个模式对多个项目都有效"
系统:
- 晋升为正式规则
- 权重: 70%
- 在所有 SaaS 项目中自动应用
- 规则名: button-cta-action-words-strong第十次反馈(10x+)
用户: "这已经成为标准最佳实践"
系统:
- 晋升为高置信度规则
- 权重: 90%
- 默认应用(除非显式覆盖)
- 添加到全系统规则库知识毕业协议
当规则达到 100x+ 反馈时,系统自动将其”毕业”为不可变知识。这个过程涉及:
毕业检查清单
- ✓ 规则在 10+ 个项目中验证有效
- ✓ 成功率超过 95%
- ✓ 没有有效的反例
- ✓ 符合品牌标准
- ✓ 无性能或可访问性问题
毕业后的规则
毕业的规则被锁定为不可变,成为 FROZEN 规则的一部分:
.agency/rules/graduated-rules.md:
[GRADUATED-001]
Title: 具体行动词汇增加转化
Confidence: 100x+
Application: 强制 (权重 100%)
Description: 所有 CTA 按钮应使用强动作词...
Exceptions: 品牌指南明确要求时安全 5 层架构
系统包含多层安全机制,防止不良规则对项目造成影响。
层 1:品牌一致性检查
每个新规则都针对 FROZEN 品牌定义进行验证。如果规则与品牌颜色、声调或价值观冲突,规则会被拒绝或修改。
层 2:用户验证
在应用任何权重超过 50% 的规则前,系统征求用户同意:
系统: "这个新规则会改变您的主页按钮样式。你同意吗?"
用户选择: 同意 / 预览 / 拒绝层 3:反馈验证
系统检查反馈来自是否真实有效。明显的垃圾或矛盾反馈被忽略:
规则冲突检测:
前: "按钮应该是红色" (权重 70%)
后: "按钮应该是蓝色" (权重 50%)
系统: 降低新规则的权重,要求用户明确选择层 4:A/B 测试验证
对于高价值规则(涉及转化的规则),系统可以执行 A/B 测试验证其效果:
/moai agency ab-test button-style
版本 A: 原始样式
版本 B: 新规则应用
结果: 版本 B 转化率 +12%层 5:自动回滚
如果应用规则后内容质量评分下降超过 15%,系统自动回滚:
应用规则: layout-asymmetrical-01
质量评分: 82 → 65
系统: 回滚规则,恢复到之前版本
用户: 收到通知和原因解释上游同步
当您的 Agency 项目创建的规则达到 10x+ 信心度时,系统可以将其同步到全局 MoAI 技能库,使所有 AI Agency 项目都受益。
同步流程
同步示例
如果您的文案规则在 5 个不同的 SaaS 项目中都表现良好,它可能被上升为全局规则,供整个 AI Agency 生态系统使用。
进化场景示例
场景 1:落地页项目
初始状态:
- 用户生成落地页
- 默认应用系统规则
- 质量评分: 72
反馈循环:
1. 用户: "标题应该更有吸引力"
系统: 应用 headline-power-words 规则 (3x)
结果: 质量评分 78
2. 用户: "CTA 按钮需要更强的紧迫性"
系统: 学习并应用 cta-urgency-words 规则 (5x)
结果: 质量评分 84
3. 用户: "这个配色方案太普通"
系统: 提出大胆的配色提案 (新规则 1x)
用户: "我喜欢!但需要调整一处"
系统: 更新规则 (3x)
结果: 质量评分 89
最终状态:
- 质量评分: 89 (+17 分)
- 创建 4 个新规则
- 应用了 10 个现有规则
- 总反馈: 12 次场景 2:跨项目学习
项目 A (电商网站):
- 发现: 产品图片应该支持 3D 旋转
- 规则强度: 7x
项目 B (SaaS 落地页):
- 相同规则应用: 产品演示应该支持交互
- 规则强度: 5x
系统识别:
- 通用模式: "交互式产品展示提高参与度"
- 建议晋升: 从本地规则到全局规则
- 结果: 所有新项目默认应用该模式监控进化进度
使用以下命令查看您项目的进化状态:
# 查看所有规则及其强度
moai agency rules list
# 查看特定规则的反馈历史
moai agency rules history copy-rules.md
# 查看今天学到的新规则
moai agency rules today
# 导出规则以供分析或审计
moai agency rules export进化最佳实践
遵循这些最佳实践以最大化系统的学习效率:
- 提供结构化反馈 - “改进 X”比”更好”提供更多信息
- 一次关注一个维度 - 而不是同时改变多个内容
- 确认改进 - 当系统做得对时让它知道
- 允许实验 - 偶尔让系统尝试大胆的改变
- 分享成功 - 分享有效的规则到全局库以帮助他人
下一步
Last updated on