rule-optimizerlisted

# Rule Optimizer — 规则优化框架 ## 功能概述 将规则从**静态生成**升级到**动态优化**。持续追踪每条规则的实际效能，自动识别低效能规则并建议改进版本，支持A/B测试验证。 ## 核心功能 ### 1. 规则效能评分（0-100） 基于4个独立指标的加权评分： | 指标 | 说明 | 权重 | |------|------|------| | 修复成功率 | 规则实际解决问题的概率 | 60% | | 用户满意度 | 用户对规则的评价（1-5） | 40% | | ⚠️ 延迟开销 | 规则执行的时间成本 | -（扣分） | | ℹ️ 触发频率 | 规则触发的频繁程度 | -（监控） | **评分含义**： - **80-100** 🟢 **优秀** — 保持活跃，推荐推广 - **50-79** 🟡 **中等** — 监控中，考虑优化 - **20-49** 🟠 **低效** — 进入A/B测试，建议变体 - **<20** 🔴 **废弃** — 考虑删除或深度修改 ### 2. 自动规则变体建议 基于效能数据自动推荐改进方向： ``` 效能 < 50% ? ├─ 建议 "宽松版"：减少条件，降低误检 ├─ 建议 "严格版"：增加条件，提高准确性 └─ 建议 "混合版"：条件重新平衡 ``` 示例： ``` 原规则 (score=32)： 规则：用户说"不对"时立即停止 → 误检率高 建议变体 v1_loose (a/b=5%): 修改：用户连续说"不对"3次才停止 期望：降低误检，提高有效性 建议变体 v1_strict (a/b=5%): 修改：用户说"不对"且操作≥2秒时停止 期望：提高准确性，减少漏检 ``` ### 3. A/B 测试框架 自动管理规则变体的试验和升级： ``` 规则 v1 (score=65) ├─ 变体 v1_loose (a/b=5%) │ ├─ 试验100个用户 │ └─ 结果：score=72 ✓ 升级为主规则 │ └─ 变体 v1_strict (a/b=5%) ├─ 试验100个用户 └─ 结果：score=58 ✗ 废弃 ``` ### 4. 规则生命周期管理 ``` Active (高效) └─→ 保持监控 Active (中效) └─→ 进入A/B测试 ├─→ 变体升级成功 → 新的Active └─→ 变体失败 → 继续优化或Testing Testing (试验中) └─→ 等待A/B结果 ├─→ 成功 → Active └─→ 失败 → 调整后重试 Deprecated (低效) └─→ 考虑删除或深度改造 ``` --- ## 使用方式 ### Python API ```python from skills.rule_optimizer.scripts.rule_optimizer import RuleOptimizer optimizer = RuleOptimizer() # 1. 评估规则效能 metrics = optimizer.evaluate_rule_effectiveness("rule_never_modify_funds") print(f"效能评分: {metrics.effectiveness_score}")