面向企业运营团队的智能运营编排系统。
把运营需求从「临时问 AI」变成「按职能进入、按 Skill 编排、按质量检验交付」的可复用工作流。
OperAI Harness 不是一个普通聊天窗口，也不是单纯的文案生成器。它围绕真实运营团队的岗位分工，将任务理解、能力选择、上下文传递、运行档案、质量检验和交付导出串成一条 Harness 链路，让团队的运营方法可以沉淀、复核和持续迭代。
企业运营每天处理的是一组混合型工作：活动策划、内容生产、渠道排期、用户分层、增长投放、产品反馈、社群互动和市场策略。传统 AI 对话很容易把所有问题都回答成「一段文案」，但真实运营需要的是清晰的方案、可执行的动作、证据和风险边界。
OperAI 的设计目标是让运营人员先选择自己的职能场景，再由系统自动编排合适的 Skill 和智能体，而不是要求用户理解底层模型、Prompt 或工程链路。
| 模块 | 说明 |
|---|---|
| 8 个职能入口 | 内容运营、用户运营、活动运营、渠道运营、增长投放、产品运营、社群运营、市场策略 |
| 10 个运营智能体 | 覆盖数据洞察、内容、用户、活动、渠道、增长、市场、产品、社群、交易等判断 |
| 52 个可组合 Skill | 将公司级运营知识拆成可推荐、可组合、可扩展的能力单元 |
| Harness 编排引擎 | 根据职能和任务材料自动选择 Skill，安排执行顺序并传递上下文 |
| 质量检验 | 检查证据覆盖、风险边界、平台适配、交付完整度和表达口径 |
| Skill Studio | 预留自定义 Skill 入口，方便团队沉淀自己的运营方法 |
| API 配置面板 | 支持 DeepSeek、OpenAI 及其他 OpenAI-compatible 模型服务 |
flowchart LR
A["职能入口"] --> B["任务材料"]
B --> C["Skill Registry"]
C --> D["Harness Run"]
D --> E["质量检验"]
E --> F["运行档案"]
E --> G["交付导出"]
本项目包含两个本地服务：
- 产品首页：
http://127.0.0.1:8080 - Harness 工作台：
http://127.0.0.1:8501
首页由 frontend/ 提供，工作台由 Streamlit 提供。
cd operai-mvp
pip install -r requirements.txt如需使用锁定版本：
pip install -r requirements.lock复制示例配置：
Copy-Item .env.example .env.env 示例：
OPENAI_API_KEY=
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_MODEL=deepseek-v4-pro
OPERAI_MOCK=1说明：
- 不填写
OPENAI_API_KEY时，系统会使用 Mock / 规则路径，适合离线演示和本地测试。 - 填写
OPENAI_API_KEY后，会调用 OpenAI-compatible 接口。 OPERAI_MOCK=1可强制使用本地 Mock。- 请不要把真实
.env提交到公开仓库。
推荐一键启动：
.\start.ps1也可以手动启动：
# Streamlit 工作台
python -m streamlit run app.py
# 产品首页
python serve.py$env:OPERAI_MOCK="1"
python -m pytest -q当前测试覆盖：
- Agent 输出契约
- Harness DAG 执行
- Skill Registry
- 职能交付物模型
- 中文标签显示
- 输出渲染布局兜底
- 敏感词与质量检验
- Markdown / Word 导出
operai-mvp/
├─ app.py # Streamlit Harness 工作台
├─ serve.py # 产品首页本地服务
├─ start.ps1 # Windows 一键启动脚本
├─ config.yaml # 运行时配置
├─ frontend/ # 产品首页与视觉系统
├─ src/
│ ├─ agents/ # 10 个运营智能体
│ ├─ harness/ # Skill Registry、DAG Runner、质量检验
│ ├─ storage/ # 本地存储
│ ├─ role_deliverables.py # 8 个职能入口与交付物模型
│ ├─ render_output.py # 输出结果渲染
│ ├─ display_labels.py # 内部字段中文化
│ └─ voice_styles.py # 50 个表达风格预设
├─ tests/ # 自动化测试
├─ docs/ # 设计与实现文档
└─ packs/ # 兼容层配置
src/harness/skill_registry.py：内置运营 Skill，支持推荐与自定义 Skill 保存。src/role_deliverables.py：定义 8 个职能入口及其默认交付物。src/harness/dag_runner.py：顺序执行智能体插件，并注入上游上下文。src/harness/verify_gate.py：质量检验与风险复核。
src/agents/ 中包含 10 个运营智能体：
| 代号 | 职责 |
|---|---|
| D | 数据与材料洞察 |
| C | 内容运营 |
| U | 用户运营 |
| A | 活动运营 |
| N | 渠道运营 |
| F | 流量 / 增长 |
| M | 市场策略 |
| P | 产品运营 |
| S | 社群运营 |
| E | 交易运营 |
frontend/index.html：产品首页。frontend/styles.css：首页视觉系统。frontend/streamlit-theme.css：Streamlit 工作台深度美化样式。frontend/main.js：滚动、鼠标与页面动效。
OperAI 使用 OpenAI-compatible 协议，可以接入 DeepSeek、OpenAI 或其他兼容服务。
基础配置：
OPENAI_API_KEY=your-api-key
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_MODEL=deepseek-v4-pro工作台的「运行设置」页也提供 API 信息配置入口，便于临时切换模型服务。
本仓库不会提交：
.env- 本地数据库
data/operai.sqlite3 - 运行日志
data/logs/ - Python 缓存
__pycache__/ - Pytest 缓存
.pytest_cache/ - Streamlit 本地密钥
.streamlit/secrets.toml
如果你 fork 或二次开发，请确认不要把真实 API Key、用户数据和运行日志上传到公开仓库。
MIT License