Roadmate 概念产品：三阶段流水线提取社媒兴趣标签

约 1505 字大约 5 分钟

2026-07-30

Github 仓库

roadmatePublic

👭 RoadMate 路友 - 陌生人轻社交概念产品（AI 硬件）

TypeScript

要解决的问题

产品需要的不是「音乐 / 旅行」这类空泛分类，而是见面就能开口的具体话题。

例如「2026世界杯」「厦门国庆自由行」「手冲咖啡爱好者」等

同时还要回答：

这个兴趣出现得有多频繁？
它有多新？
哪几条帖子支撑了它？

没有归因链，就很难算时效权重，也很难评测「推断是否靠谱」。

为什么朴素方案不够

先后试过三种做法。

方案 A：逐帖并行提取

吞吐好，单帖归因也清楚。但各帖各自出标签，近义重复难合并，全局视角缺失。

方案 B：滚动语料压缩

能带着 prior 往前推，上下文更省。但批次合并后很难稳定回到单帖，新鲜度权重不可靠，中间过程也难断言。

真正需要的是：

既保留帖级时间，又能在全局做语义去重，还能把最终标签追回到来源帖。

核心设计

当前方案 C 把工作拆成三段，再交给代码算权重：

帖子输入
  → 阶段 1 并行预处理
  → 阶段 2 时间线合并
  → 阶段 3 标签提取
  → 代码聚合 frequency / sentiment / recency / weight
  → Embedding
  → 词云 / 设备匹配

阶段	模型做什么	代码做什么
1 预处理	判水贴，压缩成短摘要	并发调度，过滤噪声
2 时间线合并	近 7 天内语义相近的帖合并	合并时间取最新帖
3 标签提取	产出破冰标签、情感、来源条目	频次、新近度、权重、淘汰

产品向的破冰规则集中在阶段 3。前两段偏工程预处理，可以单独调，不牵一发动全身。

方案 A/B 代码仍保留对照，但 Web UI 与 bench:timeline 都走方案 C。

关键机制

1. 归因链

标签不直接绑帖子 ID 就算完。链路是：

标签 entryIds → 时间线条目 sourcePostIds → 帖子 createdAt

这样 frequency 和 recency 都由代码按真实时间算，而不是让模型口头估计新鲜度。

2. 时间线合并窗口

相邻 7 天内语义高度相似的内容可以合并，用来控上下文长度。

跨 7 天以上的同主题帖不合并。这样 frequency 仍能反映跨期重复兴趣，例如隔几周又提到咖啡。

模型合并失败时，退化为「一帖一条目」。不会丢帖，只是去重变弱。

3. 权重公式

同名标签先按小写合并，再算三维：

frequency：来源帖展开计数 / 总帖数
sentiment：各来源条目情感均值
recency：以最后一次出现为准，exp(-λ × 距今天数)，λ = 0.08

最终：

weight = 0.40 × frequency + 0.20 × sentiment × recency + 0.40 × recency

sentiment 乘 recency，是为了让旧兴趣的情感贡献也随时间减弱。

过滤规则：

至少出现 1 帖才保留
只出现 1 次且超过 60 天 → 丢弃
按 weight 取 top 20

系数与窗口都在 constants.ts。

4. 全量重跑

每次「推断并保存」都重跑三阶段，不做增量跳过。

换来的是结果可复现，也避免滚动 prior 漂移。代价是长列表延迟更高。

5. Embedding 与词云

只对聚合后的标签名做向量。新标签惰性生成。

词云里的球大小是当前 batch 内 min-max 归一化后的相对排名，不是 weight 绝对值线性映射像素。自定义标签由滑轨权重绝对映射。

执行流

输入有两种：

帖子列表：可粘贴，也可按 roadmate-posts/1 文本导入导出
X 用户名：经 twitterapi.io 拉原创推文，落到同一套帖子结构

帖子列表不写入 localStorage。刷新后需重新导入或拉取。画像只存标签与 embedding。

刻意不做的事情

不把方案 A/B 当主路径。它们只作对照。
不让模型直接输出最终 weight。频次和时效由代码算。
不做增量推断。先保证可复现和可评测。
不把帖子原文持久化到浏览器画像里。

和其他模块的关系

推断结果写入本地 profile 后，Playground 用 embedding 余弦和标签重叠计算 match 分。

设备侧不关心三阶段细节，只消费最终标签向量。拆开是为了让「谁值得靠近」和「靠近时如何反馈」可以分开迭代。

评测

CLI 与 Web UI 共用同一条管线：

npm run bench:timeline
npm run bench:timeline -- --verbose
npm run bench:timeline -- --case multi-theme-user

用例在 scripts/fixtures/corpus-cases/。断言可检查关键词命中、禁词、标签数量、有效帖下限。

--verbose 会打印每帖噪声判断、合并条目、最终权重表，便于定位是哪一阶段出了问题。

调参入口

常量	作用
`WEIGHT_FACTORS`	三维权重比例
`RECENCY_DECAY_LAMBDA`	时间衰减陡峭程度
`TIMELINE_MERGE_WINDOW_DAYS`	合并窗口
`MAX_INFERRED_TAGS` / `STALE_TAG_DAYS` / `LLM_CONCURRENCY`	输出上限、过期淘汰、并发

编排与 prompt 主要在：

server/timelineInference.ts
prompts.ts
tagUtils.ts
api/openrouter.ts

总结

这套推断设计的核心是：

先保住帖级时间归因，再做全局语义去重，最后用代码算可复现的兴趣权重。

具体来说：

阶段 1 保吞吐和判噪
阶段 2 控重复和上下文长度
阶段 3 产出可破冰标签
代码侧负责 frequency / recency / weight，并接上 embedding

最终效果是：标签更具体、更可解释、更可评测，也能稳定驱动近场匹配。

更新日志

2026/8/2 03:29

查看所有更新日志

4b31c-优化关于页展示，并清理失效文档链接。于 2026/8/2
b7b2c-启用文章变更历史并升级主题配置。于 2026/8/2
4e4c9-更新博客内容与开发体验：置顶两篇工程化文章，Roadmate 加入演示视频，docs:dev 有缓存时跳过 RepoCard 拉取于 2026/7/31
3222f-Roadmate 标题改为：三阶段流水线提取社媒兴趣标签于 2026/7/30
0fe83-Roadmate 标题改为：三阶段分析社交媒体兴趣标签于 2026/7/30
758fd-调整三篇博客排序与元数据：去 tag、声明式置顶、Roadmate 标题突出三阶段于 2026/7/30
029e1-删除两篇博客：Roadmate 近场配对与 BabyLovable WorkflowAgent于 2026/7/30
142a9-优化博客标题与 Roadmate 阅读体验于 2026/7/30