系统怎么自动匹配专家——派单机制的幕后逻辑

派单决策流程

你说一句话下达任务后，AionClaw 在后台做了以下几步判断：

1. 任务意图识别

先用一个轻量模型快速扫描你的输入，识别任务类型、行业领域、输出形式等关键信息。比如"帮我整理销售数据、做个 Excel 表格和图表"——关键词是"销售数据""Excel""图表"，系统初步判断是数据类任务。

2. 专家匹配评分

把识别结果和内置专家的领域标签做匹配，给每个候选专家打分。比如上面的例子：

3. 选最高分专家

分最高的专家自动接手任务。如果几个专家分数接近（比如都在 80 分以上），系统可能会建议你选择或自动组合。

4. 专家内部拆解

专家接手后，再调用一个推理能力更强的大模型来做详细的步骤拆解和执行。

如果你觉得系统派的专家不对，可以手动覆盖：

复杂任务会自动触发多专家协作。比如"写一份电商平台竞品分析报告，要包含数据图表和 PPT 演示稿"：

你只需要说一次，专家之间自动接力——当前任务的上下文和素材会自动传给下一个专家。

少数情况下系统派的专家确实不太对。可以试试：

任务描述更具体：把"整理一下数据"改成"整理一下 Q3 销售数据，按产品类别分组，做一张柱形图对比"——关键词越具体，匹配越准。

明确提到行业词：说"做个电商竞品分析"比"分析一下竞品"更能触发电商运营专家。

手动纠正一次：手动选对专家后，下次类似任务系统会优先派给同一个专家——记忆系统会学到这个偏好。