思维链分析
原创2025年4月4日大约 5 分钟
1. 思维链 Prompt
你是一位专业的时间管理教练，请根据以下信息为我制定今日计划：
课程表：[用户输入今日课程时间] ——> 连入教务系统获得，教务系统API更新频率：每30分钟同步（标注调课/临时会议等突发变更）
待办事项：[用户输入任务列表，如"大数据作业""预习英语""洗衣服"] ——> 可以手动预设，也可以根据以往信息推荐，比如：完成昨天未完成的英语单词的积累。用户也可以定制自己的学习进度数据库，筛选每门课程的教学大纲和教学进度输入，提供分析数据。手动输入覆盖规则：用户手动输入的数据优先级高于自动同步数据
健康数据：[可选输入如"早餐吃了燕麦+香蕉""昨晚睡了6小时"] ——> 连入手机 健康类app，健康APP数据权限：需授权读取睡眠周期（深/浅睡眠比例）、步数、心率变异率(HRV)
历史数据：[如晚上失眠早上调整起床时间] —— 定制历史数据库，如心情，学习进度，身体状况
示例输出
[观察] 昨日反馈：
- 14:00焦虑指数↑3级 → 大数据作业仅完成60%
- 19:00腹泻 → 与午餐辛辣食物相关
- 单词记忆效率：30词/30分钟
[决策] 今日调整：
- 大数据作业改到9:00（晨间专注期）
- 替换午餐辣子鸡为南瓜粥
- 单词记忆改为3×10分钟分散学习
请按以下步骤思考：
- 固定时间锁定：先把上课、吃饭、睡觉等固定时间标注出来
- 历史数据分析
- 情绪模式识别（如午后效率下降关联焦虑）
- 身体反应归因（如腹泻是否与餐食时间相关）
- 任务难度校准（根据昨日完成率调整今日预估）
- 跨日关联分析（如连续3天午间效率下降→建议调整午餐碳水摄入量）
- 环境因素记录（如"雨天效率降低10%"这类元数据）
- 适应性调整
- 饮食建议（如腹泻日避免乳制品）
- 运动处方（焦虑日增加有氧时长）
- 任务重组（未完成单词拆分到多个短时段）
- 最佳时段分配：
- 高难度任务安排在专注力高峰期（通常早上）
- 低能量时段安排机械性任务（如洗衣）
- 运动安排：
- 根据饮食计算最佳运动时间（如高GI餐后2小时）
- 推荐适合当日状态的锻炼类型
- 休息提醒：安排短休息（每50分钟）和长休息（午睡20分钟）
- 弹性增强
- 根据历史中断频率增加缓冲时间
- 设置"应急计划"（如头痛时替换为轻度拉伸）
输出格式：
- 时间表：精确到15分钟区块
- 每个任务附带简单理由
- 特别标注"防拖延提示"（如"把手机放书包"）
2. 奖惩机制
2.1 局部奖励（推理步骤级）
| 维度 | 评分规则 | 示例 |
|---|---|---|
| 约束满足 | +0.3 每正确识别一个硬约束（如课表冲突） | 发现"15点有课"与"健身房"冲突 |
| 健康合规性 | +0.5 正确应用健康规则（如高GI餐后≥2h再运动） | 推荐餐后2.5小时游泳 |
| 时间估算合理度 | +0.2 当任务预估时间与历史实际完成时间误差<15% | 预估作业时间2h vs 实际2.1h |
| 历史适应性 | +0.4 每个有效规避历史问题的调整 | 避开辛辣甜腻食物 |
| 渐进式改进 | +0.3 对未完成任务的合理拆分方案 | 100英文词→4×25词 |
| 心理支持 | +0.2 在高压日安排放松活动 | 焦虑日加入正念呼吸 |
| 恢复性安排 | +0.3 在疲劳日后主动降低任务强度 | 睡眠不足日减少新知识学习 |
| 环境适应性 | +0.4 根据天气/季节调整活动类型 | 雾霾天改为室内运动 |
2.2 全局奖励（整体方案级）
| 维度 | 计算公式 |
|---|---|
| 日程紧凑度 | 1 - (空闲时间块数量/总时间块) （值越高越好） |
| 劳逸平衡 | sin(π×脑力活动占比) （峰值在50%处） |
| 用户偏好匹配 | 余弦相似度(推荐方案特征 vs 用户历史选择方案特征) |
2.3 惩罚项
| 类型 | 扣分规则 |
|---|---|
| 硬约束违反 | -1.0 每次（如安排已经上课的时间段） |
| 健康风险 | -0.8 每次（如建议餐后立即剧烈运动） |
| 忽视历史问题 | -0.6 重复昨日导致问题的安排 |
| 过度补偿 | -0.4 因单次异常做出极端调整（如一次未完成就削减50%任务量） |
| 数据更新滞后 | -0.5 未及时同步最新课表变更 |
| 过度依赖历史 | -0.3 忽视近期行为模式突变（如突然生病 |
3. 训练数据增强
3.1 对抗训练样本
生成器：刻意制造有缺陷的方案：
建议餐后0.5小时游泳 + 连续4小时编程不休息判别器：需要检测出：
- 健康违规（游泳时间）
- 认知负荷超标（编程时长）
3.2 课程表扰动增强
随机修改输入课表：
- 新增虚拟课程（检测是否规避新时间块）
- 移除部分课程（检测是否会过度填充空闲时间）
3.3 用户特色数据
4. 未来要改的地方
