Moody 内部 Campaign 推演引擎，帮助品牌/创意/媒介团队在 campaign 上线前，用 AI 对多套方案进行数据化推演对比，替代"拍脑袋"决策。

English | 使用教程 | 部署说明 | 后端快速开始 | Brandiction 路线文档

• moodyPlus（透明片）：9 个评审人格，侧重功能性
• colored_lenses（彩片）：8 个评审人格，侧重美学表达
• 选择品类后系统自动加载对应人格预设

• MultiJudge 位置交替 ensemble：多 judge 位置轮换消除 position bias
• Devil's advocate（品牌怀疑者）：挑战正面结论，异见投票独立标记
• ConsensusAgent：检测人格间评分离群值，标记可疑评分
• 跨人格争议 badge：评分分歧大的方案自动标记"争议"

• 发起推演时选择 Brief 类型：品牌传播 / 达人种草 / 转化拉新
• 系统自动加载对应维度权重（品牌侧重 storytelling + emotional_resonance，转化侧重 conversion_readiness）
• 权重混入最终 ranking，不仅是展示层

• 上传 KV 主视觉、产品图、模特图（最多 5 张/方案）
• ImageAnalyzer 多模态视觉评分 + 结构化诊断建议（qwen3.5-plus 视觉模型）
• 多张图片并行分析（ThreadPoolExecutor + 全局 LLM Semaphore 控速）
• PairwiseJudge 位置互换去偏

• 多方案并排对比视图
• 多维度雷达图（recharts）
• 历史基线分位展示（PercentileBar）
• 诊断建议面板（DiagnosticsPanel）
• 导出 PDF 报告（多页分页）/ 导出 PNG 截图（适合微信/钉钉分享）
• 跨路径一致性 badge：Race 与 Evaluate 冠军不一致时自动告警

• 结果页一键"迭代优化"，基于当前方案创建新版本
• 版本自动关联，支持版本历史查看
• 版本对比视图：左右并排，↑↓ 箭头标注改善/退步维度

• 跨 campaign 推演分数趋势图（recharts LineChart）
• 按品类筛选（全部品类 / 透明片 / 彩片）
• 顶部导航"趋势"tab，全用户可见

历史证据驱动的赛马引擎：

• 历史数据导入（JSON / CSV）
• Baseline Ranking：基于 market × product_line × audience × platform × channel × theme × landing_page
• Season-aware weighting（618 / 双11 / 38 / 99 / CNY / regular）
• Cold-start fallback（跨品类迁移 / 全量分位数估计）
• BrandState Hypothesis Layer（predict / replay / simulate / compare-scenarios）

MiroFishmoody/
├── frontend/               # React 前端
│   └── src/
│       ├── pages/          # 页面组件
│       ├── components/     # 可复用组件（雷达图、诊断面板、StepIndicator、SplitPanel 等）
│       └── lib/            # API 客户端、导出工具
├── backend/                # Flask 后端
│   ├── app/api/            # auth / campaign / brandiction API
│   ├── app/services/       # 推演编排、图片分析、人格注册等
│   ├── app/models/         # 数据模型
│   └── tests/              # 后端测试
├── docs/                   # 使用教程与路线文档
├── Dockerfile
├── docker-compose.yml
└── README.md

• Node.js 18+
• Python 3.11+
• uv（推荐，用于后端依赖管理）
• 百炼 API Key（通义千问 OpenAI-compatible）

git clone https://github.com/fantasyslr/MiroFishmoody.git
cd MiroFishmoody

cp .env.example .env

至少配置：

LLM_API_KEY=your-bailian-api-key
LLM_BASE_URL=https://coding.dashscope.aliyuncs.com/v1
LLM_MODEL_NAME=qwen3-coder-plus
LLM_VISION_MODEL=qwen3.5-plus
SECRET_KEY=replace-with-a-random-string
MOODY_USERS=admin:StrongPassword123:Admin:admin,analyst:StrongPassword123:Analyst:user

密码支持明文和 bcrypt 哈希格式，明文密码在首次加载时自动哈希。

npm run setup:all

npm run dev

• 前端：http://localhost:5173
• 后端 API：http://localhost:5001
• Vite 已代理 /api 到后端

docker compose up -d --build

访问 http://localhost:5001（Flask 托管前端构建产物）。

• POST /api/auth/login
• POST /api/auth/logout
• GET /api/auth/me

• POST /api/campaign/parse-brief — 自然语言 brief 解析
• POST /api/campaign/upload-image — 图片上传
• POST /api/campaign/evaluate — 发起推演（Race / Evaluate / Both）
• GET /api/campaign/evaluate/status/<task_id> — 进度轮询
• GET /api/campaign/result/<set_id> — 查看结果
• GET /api/campaign/export/<set_id> — 导出 JSON
• POST /api/campaign/resolve — 赛后结算
• GET /api/campaign/version-history/<set_id> — 版本历史
• GET /api/campaign/compare?v1=<set_id>&v2=<set_id> — 版本对比
• GET /api/campaign/trends?category=<all|colored_lenses|moodyplus> — 趋势数据

• POST /api/brandiction/import-history / import-csv
• GET /api/brandiction/history / stats / signals
• POST /api/brandiction/race
• GET /api/brandiction/race-history
• POST /api/brandiction/predict / replay / simulate / compare-scenarios

# 开发
npm run dev              # 前后端同时启动
npm run backend          # 仅后端
npm run frontend         # 仅前端

# 构建与测试
npm run build            # 前端生产构建
cd backend && uv run pytest  # 后端测试

# 部署
docker compose up -d --build

• 使用教程
• 部署说明
• 后端快速开始
• Brandiction 路线文档
• 更新日志

AGPL-3.0