企业官网建设流程全解析

最近不少开发者群里都在聊一个现象：明明只是点了一份外卖，月底一看账单却发现这块支出占了大头。更让人上头的，是那种图片看起来精致、到手却“货不对板”的踩雷外卖，网上有人把它叫“假外卖”。不少团队把这个当成段子，但有一款 AI 理财 App 却把它做成了产品功能：自动识别你的外卖消费，用带点吐槽语气的方式提醒你“又在乱花钱”。有公开信息显示，这款产品年收入已经超过 1 亿美元。单看这个数据，确实会让做技术的人好奇：这种“会吐槽用户”的 AI 产品，到底是怎么实现的？

这篇文章不讨论它的商业模式，而是从技术侧做一次系统拆解。如果你想做一个同样具备账单识别、外卖消费分析和 AI 提醒能力的理财类 App，需要掌握哪些核心能力？从后端接口设计到大模型 Prompt 工程，再到简单的前端演示，我会给出一个可以照着搭建的最小闭环方案。无论你是刚接触 AI 应用开发，还是已经在做 App 开发，都可以从这篇文章里拿到一套可执行的思路。

1. 背景与核心概念

1.1 “假外卖”消费现象与 AI 理财的结合点

“假外卖”并不是一个严谨的电商分类，它更像是用户对外卖体验的一种吐槽：图片看着很有食欲，实际分量少、口味差，价格还不便宜；或者某家店根本没有实体厨房，菜品只是料理包加热。站在消费者角度，这是一种“不值得”的消费。

但站在理财类产品角度，“不值得的消费”恰恰是刚需场景。很多人月底看账单时都会感慨：“我什么时候点了这么多外卖？”传统记账 App 的做法是：自动同步账单，生成分类报表，然后告诉你“本月餐饮支出占比过高”。这种提醒虽然正确，但用户已经麻木了，很难产生行为改变。

AI 理财 App 的做法更聪明：它不仅仅记账，还会结合大模型理解每一笔消费的上下文。当你连续三天点了高客单价外卖，或者一周内多次出现“图片精美但实际一般”的外卖订单时，它会用一句略带调侃的话提醒你，比如“这家的精修图你已经信了三次，下次换一家吧”。这种表达方式比冷冰冰的“您已超支”更容易让用户记住，也更愿意分享截图，产品因此获得了自然传播。

1.2 这类产品的技术本质是什么

去掉“会吐槽”这个表面卖点，这款产品的技术本质是一个典型的 AI Agent 应用：外部账单数据经过解析后，进入规则引擎做初步分类，再通过大模型进行语义分析和话术生成，最后输出带人格化的提醒建议。

整个链路包含四个关键模块：

• 账单数据接入：从支付账单、短信、电商订单中抽取结构化数据。
• 消费分类与风险判断：判断一笔消费属于“外卖/堂食/日用/娱乐”，并评估是否属于非理性消费。
• 大模型对话生成：根据用户消费特征生成个性化、有风格的提醒文案。
• 用户反馈闭环：用户是否接受提醒、是否产生行为改变，反哺模型优化。

所以，这款产品能够成功，不是因为“会吐槽”这个点子本身值多少钱，而是因为它把大模型能力嵌入到了用户最频繁的消费场景中，同时用文案风格降低了用户的防御心理。

1.3 开发者可以从中学到什么

从这个案例中，技术开发者至少可以得到三个启发：

第一，AI 应用不一定要做大而全的“智能助理”。只做“账单分析 + 提醒文案”这一个点，也能形成完整的商业闭环。

第二，大模型并不需要参与所有决策。账单分类完全可以用规则和轻量模型完成，大模型只需要负责“最后一公里”的文案生成，这样成本更低、响应更快。

第三，产品人格化是差异化的关键。同样调用一个通用大模型，提示词写得好不好，直接决定了用户是觉得“有趣”还是“烦人”。

接下来，我会围绕上述链路，带你搭建一个简化版“会吐槽的外卖检测 AI 理财助手”。

2. 环境准备与版本说明

2.1 开发环境搭建

为了降低上手门槛，本文示例采用 Python 后端 + 大模型 HTTP 接口 + 一个 HTML 测试页面的方案。你可以不用写一行 Android 或 iOS 代码，就能跑通核心逻辑；后续再把它迁移到 Flutter 或原生 App 中。

推荐环境如下：

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。如果你本机没有 Python 环境，建议先安装 Python 3.9 以上版本，再安装 FastAPI 和 uvicorn。

2.2 项目整体架构

为了便于理解，我们先把流程拆成几步：

用户粘贴账单文本 | v [账单解析服务] --> 按行拆分，提取金额/商户/时间 | v [消费分类服务] --> 规则匹配，识别外卖类订单 | v [风险判断模块] --> 统计总额、外卖次数、频率 | v [大模型吐槽生成] --> 调用 LLM API 生成文案 | v [返回结果] --> JSON 数据，前端展示

这里有一个设计原则：前两步尽量用规则引擎完成，避免每次处理都调用大模型。大模型只在最后一步生成文案时参与，成本可控。

2.3 依赖清单

在项目根目录创建requirements.txt：

fastapi==0.110.0 uvicorn[standard]==0.29.0 pydantic==2.6.4 requests==2.31.0

这里我固定了示例中使用的版本，但实际安装时请以你本机环境为准。如果你的 Python 版本较低，可以适当下调 FastAPI 的版本。

3. 核心原理拆解

3.1 账单数据的接入与清洗

真实 App 获取账单的方式有很多，比如：

• 用户授权后，通过支付宝、微信支付、银联等开放接口同步账单；
• 用户手动复制支付短信或账单截图；
• 通过手机系统无障碍服务读取短信验证码和数据。

为了快速演示，我们采用最直接的方式：让用户粘贴一段模拟账单文本，程序按行解析。

账单文本可能长这样：

2025-01-06 12:31 美团外卖 煲仔饭 支付 39.90 元 2025-01-06 18:02 某某咖啡 拿铁 支付 28.00 元 2025-01-07 13:10 饿了么 炸鸡套餐 支付 45.50 元 2025-01-08 09:20 地铁充值 支付 50.00 元 2025-01-08 20:40 美团外卖 深夜烧烤 支付 86.00 元

每一行包含四个关键字段：时间、商户名称、商品描述、金额。在真实项目中，数据格式会更复杂，因此需要先做一次清洗——去掉无效字符、统一金额单位、补全缺失字段。

3.2 外卖消费识别模型设计

外卖订单的识别不需要一上来就用深度学习。最常见的做法是“关键词规则 + 平台名称命中”：

• 商户名称或支付渠道中带有“美团外卖”“饿了么”“外卖”等词时，直接标记为外卖。
• 商品描述中包含“配送费”“打包费”等特征词时，作为辅助判断。
• 部分第三方支付账单不会写平台名，只写商户名。这时可以维护一个“高频外卖商户关键词表”，比如“汉堡”“奶茶”“炸鸡”“麻辣烫”等。

规则设计得好，90% 以上的常见外卖消费都能识别出来。剩余无法判断的订单，再交给大模型做兜底分析。这种“规则 + 模型”的分级结构在实际工程中非常实用，既能保证速度，也能控制 API 成本。

在我给出的示例中，我会用一个restaurant_keywords列表来做判断。你可以根据自己的业务场景扩展这个列表。

3.3 吐槽话术生成：大模型 Prompt 工程

让 AI“会吐槽”，本质上是一个 Prompt 工程问题。同样的模型，不同的提示词会带来完全不同的输出风格。

设计这个 Prompt 时，要注意三点：

第一，要定义好人设。不能让它变成一个无脑骂用户的角色，而是一个“懂理财、嘴有点贫但出发点是为你好”的朋友。

第二，要给出结构化输入。把用户的外卖次数、总金额、消费频率作为变量传入，模型才有依据去吐槽。

第三，要限定输出格式和长度。最好控制在 50 字以内，避免生成一大段空洞说教。

下面是我在示例中使用的提示词模板：

SYSTEM_PROMPT = """ 你是一个说话幽默但一针见血的个人理财助手。 用户会把最近的外卖消费数据发给你，你需要用简短、略带吐槽但又不刻薄的话提醒用户注意消费。 要求： 1. 语气轻松，像朋友聊天，不要用官方客服腔； 2. 结合具体数据，比如消费次数、金额、频率； 3. 字数控制在 50 字以内； 4. 不要编造用户没有提供的数据。 """

这个 Prompt 之所以有效，是因为它明确了语气、字数、数据来源边界。在实际产品中，你还可以对不同用户配置不同风格，比如“毒舌版”“温和版”“搞笑版”，用 A/B 测试来观察用户接受度。

3.4 消费评分与用户画像

除了文案，产品还需要一个可量化的“乱花钱指数”。这个指数不一定要特别复杂，可以先用几个规则叠加：

• 过去 7 天外卖订单数超过 5 次，得分 +20；
• 单笔外卖金额超过 80 元，每笔加 5 分；
• 存在深夜（21 点后）下单行为，每次加 5 分；
• 周末外卖次数明显高于工作日，加 10 分。

这是一个典型的启发式评分模型。它不一定准确，但足以支持 MVP 阶段的“风险等级”提示。后续如果要做精细化，可以引入用户历史消费分布，计算 Z-Score 或百分位排名。

下面我会在实战代码里实现一个简化版，返回high / normal / low三个风险等级，配合 AI 文案一起展示。

4. 完整实战案例：从零构建 AI 理财助手

4.1 创建项目结构

先创建以下目录结构：

ai-finance-assistant/ ├── requirements.txt ├── main.py ├── services/ │ ├── __init__.py │ ├── bill_parser.py │ └── ai_comment.py └── static/ └── index.html

在终端中执行：

mkdir ai-finance-assistant cd ai-finance-assistant mkdir services static

然后创建requirements.txt并安装依赖：

pip install -r requirements.txt

4.2 编写账单解析服务

创建services/bill_parser.py。它的职责是从原始文本中解析出账单条目，并做外卖分类。

# 文件路径：services/bill_parser.py import re from typing import List, Dict # 常见外卖平台关键词 PLATFORM_KEYWORDS = ["美团外卖", "饿了么", "大众点评", "外卖"] # 常见餐饮品类关键词，用于辅助判断 FOOD_KEYWORDS = [ "汉堡", "奶茶", "咖啡", "炸鸡", "麻辣烫", "烧烤", "煲仔饭", "披萨", "寿司", "面", "饭", "套餐", "小龙虾", "甜品", "夜宵", "便当" ] class BillItem: def __init__(self, date: str, merchant: str, description: str, amount: float, category: str): self.date = date self.merchant = merchant self.description = description self.amount = amount self.category = category def to_dict(self) -> Dict: return { "date": self.date, "merchant": self.merchant, "description": self.description, "amount": self.amount, "category": self.category, } def _parse_amount(value: str) -> float: """从字符串中提取金额，例如 '39.90 元' -> 39.90""" match = re.search(r"(\d+\.?\d*)", value) if match: return float(match.group(1)) return 0.0 def _classify(merchant: str, description: str) -> str: """判断一笔消费是否为外卖""" text = f"{merchant} {description}" for kw in PLATFORM_KEYWORDS: if kw in text: return "takeout" for kw in FOOD_KEYWORDS: if kw in text: return "takeout" return "other" def parse_bill(raw_text: str) -> List[BillItem]: """解析账单文本，返回 BillItem 列表""" items = [] lines = [line.strip() for line in raw_text.splitlines() if line.strip()] for line in lines: parts = line.split() if len(parts) < 5: continue date = parts[0] # 合并商户与商品描述，具体列数量以实际文本为准 merchant = parts[1] description = " ".join(parts[2:-2]) amount = _parse_amount(parts[-2]) category = _classify(merchant, description) items.append(BillItem(date, merchant, description, amount, category)) return items

这段代码有几个要点：

• _parse_amount使用正则从字符串中提取数字，避免账单里出现“¥19.9”“19.9元”“19.90 元”等不同格式时解析失败。
• _classify优先用平台名识别，再用品类关键词兜底。
• parse_bill按行拆分，并假设账单格式为“日期 商户 描述 金额单位”。如果真实数据格式不同，你需要调整字段位置。

4.3 实现风险评分与统计服务

我在main.py里直接写统计逻辑，方便你查看完整流程。

# 文件路径：main.py from typing import List from services.bill_parser import BillItem, parse_bill from services.ai_comment import generate_comment def compute_risk(items: List[BillItem]) -> dict: """基于账单条目计算风险和统计信息""" takeout_items = [item for item in items if item.category == "takeout"] total_spent = round(sum(item.amount for item in items), 2) takeout_count = len(takeout_items) takeout_spent = round(sum(item.amount for item in takeout_items), 2) # 简单的风险评分规则 score = 0 if takeout_count >= 5: score += 20 for item in takeout_items: if item.amount > 80: score += 5 if "深夜" in item.description or "夜宵" in item.description: score += 5 if item.date.endswith("06") or item.date.endswith("07"): score += 3 if score >= 30: risk_level = "high" elif score >= 15: risk_level = "normal" else: risk_level = "low" return { "total_spent": total_spent, "takeout_count": takeout_count, "takeout_spent": takeout_spent, "risk_score": score, "risk_level": risk_level, }

这段代码里我故意保留了一个很朴素的日期判断逻辑：如果日期以06或07结尾，就认为可能是周末。真实场景中你应该用datetime来判断，这里只是演示思路。

4.4 对接大模型：实现 AI 吐槽引擎

创建services/ai_comment.py，通过 HTTP 调用 OpenAI 兼容的 Chat Completions 接口。

# 文件路径：services/ai_comment.py import os import requests SYSTEM_PROMPT = """ 你是一个说话幽默但一针见血的个人理财助手。 用户会把最近的外卖消费数据发给你，你需要用简短、略带吐槽但又不刻薄的话提醒用户注意消费。 要求： 1. 语气轻松，像朋友聊天，不要用官方客服腔； 2. 结合具体数据，比如消费次数、金额、频率； 3. 字数控制在 50 字以内； 4. 不要编造用户没有提供的数据。 """ def _build_user_message(stats: dict) -> str: return ( f"我最近一共花了 {stats['total_spent']} 元，" f"其中外卖 {stats['takeout_count']} 次，" f"外卖花了 {stats['takeout_spent']} 元，" f"风险评分 {stats['risk_score']}，风险等级 {stats['risk_level']}。" ) def generate_comment(stats: dict) -> str: """ 调用大模型生成吐槽文案。 需要设置环境变量 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL。 """ api_key = os.getenv("LLM_API_KEY") base_url = os.getenv("LLM_BASE_URL", "https://api.openai.com/v1") model = os.getenv("LLM_MODEL", "gpt-3.5-turbo") if not api_key: return "你还没配置大模型 API Key，先不吐槽了，注意省着点花。" url = f"{base_url.rstrip('/')}/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json", } payload = { "model": model, "messages": [ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": _build_user_message(stats)}, ], "temperature": 0.9, "max_tokens": 100, } try: resp = requests.post(url, headers=headers, json=payload, timeout=15) resp.raise_for_status() data = resp.json() return data["choices"][0]["message"]["content"].strip() except Exception as exc: return f"AI 暂时开小差了（{exc}），但账单数据显示你真的该控制一下外卖了。"

这段代码有两点需要重点说明：

• 我没有把LLM_API_KEY写死在代码里，而是通过环境变量注入，避免密钥泄露到代码仓库。
• base_url支持自定义，意味着你可以通过兼容网关接入国内大模型服务，也可以对接 OpenAI。不同服务商的接口地址不同，请根据实际情况修改。

4.5 编写 FastAPI 接口

回到main.py，把上面的逻辑串起来：

# 文件路径：main.py from fastapi import FastAPI, HTTPException from fastapi.staticfiles import StaticFiles from pydantic import BaseModel, Field from typing import List from services.bill_parser import BillItem, parse_bill from services.ai_comment import generate_comment from compute_risk import compute_risk app = FastAPI(title="AI 理财助手 Demo") class BillRequest(BaseModel): text: str = Field(..., min_length=10, description="账单原文") class BillResponse(BaseModel): items: List[dict] stats: dict comment: str @app.post("/api/v1/analyze", response_model=BillResponse) def analyze_bill(req: BillRequest): items = parse_bill(req.text) if not items: raise HTTPException(status_code=400, detail="未能从账单文本中解析出有效条目") stats = compute_risk(items) comment = generate_comment(stats) return BillResponse( items=[item.to_dict() for item in items], stats=stats, comment=comment, ) app.mount("/", StaticFiles(directory="static", html=True), name="static")

注意，我在示例中把compute_risk单独导入。你可以把compute_risk函数放到main.py中，也可以单独建一个compute_risk.py。为了结构清晰，建议单独拆文件。这里以“示例思路如下，需按实际结构调整”为原则，你在本地实现时保持模块分层即可。

4.6 编写前端测试页面

创建static/index.html，做一个极简页面：用户粘贴账单文本，点击按钮后调用后端接口，展示解析结果和 AI 吐槽。

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>AI 外卖吐槽助手</title> <style> body { font-family: sans-serif; max-width: 720px; margin: 40px auto; padding: 0 16px; } textarea { width: 100%; height: 180px; margin-bottom: 12px; padding: 12px; font-size: 14px; } button { padding: 10px 20px; font-size: 16px; cursor: pointer; } .card { border: 1px solid #eee; border-radius: 8px; padding: 16px; margin-top: 16px; } .risk-high { color: #d33; } .risk-normal { color: #e6a23c; } .risk-low { color: #67c23a; } pre { background: #f7f7f7; padding: 12px; border-radius: 8px; overflow-x: auto; } </style> </head> <body> <h2>AI 外卖吐槽助手</h2> <p>粘贴你的账单文本（每行一条），点击分析，看看 AI 怎么吐槽你。</p> <textarea id="billInput" placeholder="示例：&#10;2025-01-06 12:31 美团外卖 煲仔饭 支付 39.90 元&#10;2025-01-08 20:40 美团外卖 深夜烧烤 支付 86.00 元"></textarea> <br> <button onclick="analyze()">开始分析</button> <div id="result"></div> <script> async function analyze() { const text = document.getElementById('billInput').value; if (!text.trim()) { alert('请先粘贴账单文本'); return; } const resp = await fetch('/api/v1/analyze', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ text }) }); const data = await resp.json(); if (!resp.ok) { alert(data.detail || '请求失败'); return; } const stats = data.stats; const riskClass = 'risk-' + stats.risk_level; let html = '<div class="card">'; html += '<h3>分析结果</h3>'; html += `<p>总消费：<b>${stats.total_spent}</b> 元</p>`; html += `<p>外卖次数：<b>${stats.takeout_count}</b> 次</p>`; html += `<p>外卖金额：<b>${stats.takeout_spent}</b> 元</p>`; html += `<p>风险评分：<b>${stats.risk_score}</b></p>`; html += `<p class="${riskClass}">风险等级：${stats.risk_level}</p>`; html += `<p style="margin-top:8px;font-size:18px;">💬 ${data.comment}</p>`; html += '<h4>识别明细</h4>'; html += '<pre>' + JSON.stringify(data.items, null, 2) + '</pre>'; html += '</div>'; document.getElementById('result').innerHTML = html; } </script> </body> </html>

这里我在页面上用了一个 emoji 作为引用图标，如果你所在团队要求统一风格，可以删掉或者换成普通文字。

4.7 运行与验证

启动后端服务：

export LLM_API_KEY="你的大模型API Key" export LLM_BASE_URL="https://api.openai.com/v1" export LLM_MODEL="gpt-3.5-turbo" uvicorn main:app --reload --port 8000

如果你在 Windows 命令行环境，export需要换成set：

set LLM_API_KEY=你的大模型API Key set LLM_BASE_URL=https://api.openai.com/v1 set LLM_MODEL=gpt-3.5-turbo

启动后，打开浏览器访问http://127.0.0.1:8000，粘贴示例账单，点击“开始分析”。

如果你不想打开页面，也可以用 curl 测试接口：

curl -X POST http://127.0.0.1:8000/api/v1/analyze \ -H "Content-Type: application/json" \ -d '{"text": "2025-01-06 12:31 美团外卖 煲仔饭 支付 39.90 元\n2025-01-08 20:40 美团外卖 深夜烧烤 支付 86.00 元"}'

预期返回一个 JSON 对象，包含items、stats和comment三个字段。如果大模型 API 没有配置，comment会返回兜底文案，其他统计功能仍然正常可用。

5. 常见问题与排查思路

在实际动手过程中，你可能会遇到下面这些问题。

除了表格中的问题，有一个高频问题值得单独说明：如果你调用的是国内大模型服务，它们的接口不一定叫chat/completions，字段也可能不同。建议先阅读服务商的官方文档，再调整generate_comment中的 URL 和 payload。

另外，开发阶段不要把密钥写进代码里。一旦提交到 Git 仓库，哪怕再删掉，密钥也可能已经泄露。正确的做法是用环境变量或配置中心管理密钥，并在.gitignore中忽略.env文件。

6. 最佳实践与工程建议

6.1 成本控制：让大模型只做“最后一公里”

如果你每个账单都调用一次大模型，API 费用会非常惊人。合理的做法是：

• 用规则和正则完成 80% 的账单分类；
• 只有遇到低置信度样本时，才调用大模型判断；
• 文案生成单独设计一套 Prompt，同一批次统计数据只调用一次。

如果产品用户量大，还可以引入缓存机制：相同或相近的统计结果，在短时间内直接复用上次生成的文案，或者提前准备一批模板文案做冷启动。

6.2 产品文案的双刃剑

“会吐槽”是这个产品最大的亮点，也是最容易翻车的地方。AI 生成的文案如果失控，可能变成冒犯用户。我建议在生成侧做好三层保护：

第一层，Prompt 中明确禁止攻击性语言，强调“友善调侃”。

第二层，在代码逻辑中过滤敏感词。如果 AI 输出中包含辱骂、歧视、政治等敏感词汇，直接走兜底文案。

第三层，在 UI 层提供用户反馈入口。用户觉得文案不舒服时，可以标记“不喜欢”，产品侧用这些数据反向优化 Prompt。

6.3 数据隐私与合规边界

处理用户账单数据属于明确的敏感行为。即使只是做个人项目，也应该注意：

• 只获取实现功能所必需的数据，不碰与消费无关的通讯录、相册权限；
• 账单文本尽量在服务端或端侧处理，不存原始数据；
• 如果涉及银行卡、支付信息，必须在生产环境中启用 HTTPS，并遵循最小权限原则；
• 上线前参考相关隐私合规要求，公示数据用途，并提供“删除我的数据”入口。

不要因为功能好玩，就忽视了数据安全边界。尤其在与支付通道对接时，任何越权访问都是严重事故。

6.4 从 Demo 到生产环境的差距

上面的例子能帮你跑通一个最小闭环，但距离生产还差几件事：

• 接入真实账单：需要与支付平台或银行开放平台签约，通过授权接口获取账单，而不是让用户粘贴文本。
• 用户体系：登录、会话管理、用户画像存储。
• 任务调度：每天定时分析前一天消费，生成日报推送。
• 多端适配：把 HTML 原型迁移到 Flutter、Android、iOS。
• 监控告警：大模型调用失败率、接口延迟、异常文案出现次数都要纳入监控。

如果你是个人开发者，我建议先用“粘贴文本”的方式验证产品需求，等确认用户真的喜欢这种提醒方式后，再投入成本接入真实账单数据。这样开发效率最高，风险也最低。

7. 总结与学习路线

基于“会吐槽用户乱点外卖”的 AI 理财 App 案例，我从技术侧拆解了一个 AI 消费提醒产品的完整链路：账单解析、外卖分类、风险评分、大模型文案生成、前后端联调。你跟着示例代码跑通后，已经掌握了一个具备基本人格化表达能力的 AI 助手后端模型。

如果想继续深入，建议按下面几个方向扩展学习：

• 学习大模型应用开发框架，例如 LangChain 或 Spring AI，把 Prompt、记忆和工具调用做得更规范；
• 学习 Flutter 或 Android 开发，把 HTML 原型变成真正的 App；
• 学习数据仓库和数据同步，为接入支付宝、微信账单做准备；
• 学习 A/B 测试与用户反馈体系，用数据判断哪种吐槽风格更好。

产品侧可以优化的方向也很多：比如对不同用户群体设置不同人格，增加“月光预警”“周报复盘”“好友消费排行”等功能。第一步先把账单解析和一条 AI 吐槽跑通，再去加更多装饰能力。你会发现，真正难的不是调用大模型，而是如何在每一次提醒里，既让用户觉得有趣，又能提供真实的价值。希望这篇文章对你做 AI 应用开发、App 开发或理财类产品设计有帮助，有问题可以在评论区一起交流。