基于大语言模型与提示词工程构建AI创业想法评估工具

1. 项目概述：当AI化身“毒舌”投资人

你有没有过这样的经历？深夜灵光一闪，一个自认为能“改变世界”的创业点子涌上心头，越想越兴奋，恨不得立刻辞职开干。但当你把这个想法分享给朋友或家人时，得到的往往是礼貌性的鼓励：“听起来不错”、“挺有意思的”。这种反馈虽然温暖，却无法帮你真正看清这个想法在残酷的商业世界里的真实模样。它缺乏那种能让你瞬间清醒、直指核心的犀利拷问。

这正是我构建这个AI项目的初衷。我开发了一个能够像顶级风险投资家（VC）那样，对你的创业想法进行“毒舌”式拷问和剖析的AI工具。它不会给你虚假的安慰，而是模拟VC在初次接触一个项目时，那种冷静、挑剔甚至有些苛刻的评估视角。这个工具的核心，不是要打击你的热情，而是通过一种高强度的压力测试，帮你提前发现商业逻辑中的漏洞、市场假设的薄弱环节，以及执行层面可能存在的致命伤。它就像一个24小时在线的、不近人情的商业教练，强迫你在投入真金白银和宝贵时间之前，把想法打磨得更具说服力和可行性。

这个工具特别适合那些处于创意验证阶段的准创业者、需要快速评估大量内部创新想法的产品经理，或是商学院里学习商业计划书写作的学生。它能帮你跳出“自嗨”的陷阱，用一套相对标准化的框架，去审视那些你自以为无懈可击的假设。

2. 核心设计思路：如何让AI学会“毒舌”

2.1 从VC的思维框架中提炼评估维度

要让AI像VC一样思考，首先得拆解VC的决策模型。VC评估一个早期项目，通常不会只看一个炫酷的点子，他们遵循的是一套结构化的分析框架。我的设计核心就是将这套框架转化为AI可以理解和执行的评估维度。

我主要聚焦于以下几个核心维度：

1. 问题与市场：你解决的问题是“痛点”还是“痒点”？目标市场是真实存在且规模足够大，还是你臆想出来的？市场增长趋势如何？
2. 解决方案与产品：你的产品是否真正、高效地解决了上述问题？与现有解决方案相比，你的优势是10倍的改进还是微创新？技术或执行壁垒在哪里？
3. 商业模式与变现：你如何赚钱？客户生命周期价值（LTV）和客户获取成本（CAC）的预估是否合理？单位经济效益（Unit Economics）是否成立？
4. 竞争与壁垒：谁是你的直接和间接竞争对手？你的护城河是什么？是技术专利、网络效应、品牌，还是成本优势？
5. 团队与执行：团队背景是否与要解决的问题匹配？是否有相关的行业经验和执行能力？这是VC尤其看重的点，对于AI评估，我会引导用户进行自我剖析。

注意：这套框架是通用基础，但不同领域的VC侧重点不同。例如，硬科技VC更看重技术壁垒和专利，消费品牌VC则更看重品牌定位和渠道能力。在后续迭代中，可以引入领域细分模型。

2.2 构建“毒舌”话术库与交互逻辑

仅仅有评估维度还不够，如何让反馈具有“毒舌”的冲击力，同时又不失建设性，是关键挑战。我并没有让AI自由发挥生成刻薄话，而是构建了一个分层的话术策略库。

第一层：诊断与质疑。基于用户的输入，AI会先进行事实性诊断。例如，当用户描述市场巨大时，AI可能会回应：“你提到目标市场有千亿规模，请问这个数据来源是？是第三方权威报告，还是基于‘中国有14亿人，每人花1块钱’的简单乘法？请具体说明你的目标用户画像和可触达市场规模（TAM）。”第二层：挑战与对比。接着，AI会引入对比和挑战。比如针对解决方案：“你描述的产品功能和现有的XXX（竞品）有70%的重合，你声称的‘用户体验更好’具体指哪些指标？是否有用户测试数据支撑？如果没有，这只是一个美好的假设。”第三层：灵魂拷问。最后，提出最核心的、关乎生死的问题。这通常是关于商业模式和壁垒的：“如果你的模式这么容易赚钱，为什么现有的行业巨头没有做？是因为他们笨，还是因为你看到了他们没看到的陷阱？你的模式规模化后，最大的风险会是什么？”

交互逻辑上，我设计为多轮对话。AI不会一次性抛出所有问题，而是像真实对话一样，根据用户的上一轮回答，进行追问和深化。例如，当用户回答了市场数据来源后，AI可能会接着问：“基于这个数据，你计划在第一年获取多少市场份额？对应的营销预算是多少？计算一下你的CAC，看看是否在你提到的LTV的1/3以内？”

2.3 技术选型：在能力、成本与可控性间权衡

为了实现上述设计，我进行了以下技术选型：

1. 大语言模型（LLM）作为核心引擎：我选择了GPT-4 Turbo API作为大脑。原因在于其强大的推理能力、对复杂指令的理解和遵循能力，以及生成文本的自然度。Claude 3系列也是优秀候选，但考虑到生态和工具链的熟悉度，最终选择了GPT。关键点在于系统提示词（System Prompt）的精心设计，这是项目的灵魂。

2. 提示词工程（Prompt Engineering）：这是本项目的核心技术环节。我的系统提示词不是一个简单的指令，而是一个详细的“角色扮演剧本”和“思维链”指南。它定义了AI的角色（一位经验丰富、直言不讳的VC合伙人），规定了对话的目标（深度质疑、压力测试），并嵌入了上述的评估框架作为思考模板。我还使用了“少样本学习（Few-shot Learning）”，在提示词中提供了几个高质量的问答应答示例，引导AI模仿那种犀利且聚焦的对话风格。

3. 应用层开发：为了提供稳定、可访问的服务，我使用Python的FastAPI框架构建了后端API。它接收用户输入的创业想法文本，结合精心设计的提示词，调用LLM API，并将结构化的“毒舌”反馈返回。前端为了快速原型验证，我使用了Streamlit构建了一个极简的Web界面，用户可以在文本框里粘贴自己的点子，点击按钮即可获得分析。

4. 记忆与上下文管理：为了实现多轮深度对话，必须让AI记住之前的交流内容。我采用了简单的对话历史缓存机制，将整个对话历史（包括用户输入和AI回复）作为上下文，在每次请求时一并发送给LLM。这里需要注意上下文长度限制和成本控制，对于过长的对话，需要设计摘要或选择性遗忘的机制。

# 提示词核心片段示例（简化版） system_prompt = """ 你是一位有15年经验、以犀利直接著称的科技领域风险投资家（VC）。你正在评估一个早期创业项目。 你的任务不是鼓励或赞美，而是进行严格的压力测试，找出项目逻辑中的漏洞、不切实际的假设和潜在风险。 请以挑剔、质疑、连续追问的方式进行对话，目标是帮助创业者理清思路，而非打击其信心。 请从以下维度展开分析，但不要机械地罗列问题，而是融入自然对话： 1. 问题与市场：这是真需求还是伪需求？市场是否足够大且可切入？ 2. 解决方案：产品是否真的解决了问题？相比现有方案有何10倍优势？ 3. 商业模式：怎么赚钱？单位经济模型是否成立？ 4. 竞争与壁垒：护城河在哪里？为什么是你而不是别人？ 5. 团队与执行：团队有能力实现这个愿景吗？ 对话风格参考： 创业者：“我们做一个AI健身教练APP。” VC：“AI健身教练？市面上已经有Keep、Fiture镜子了。你的AI比Keep的课程智能在哪？比Fiture的硬件体验好在哪？用户为什么要在已经付费的APP之外，再为你这个‘教练’买单？你的数据从哪来？没有足够的数据，AI就是个噱头。” 现在，请开始与创业者对话。 """

3. 核心功能拆解与实现细节

3.1 创业想法结构化解析模块

用户最初的输入可能是一段杂乱无章的文字描述。AI首先要做的，是从中提取关键信息，并结构化到我们预设的评估框架中。我并没有训练一个专门的NER（命名实体识别）模型，而是通过LLM的强大能力来实现零样本信息抽取。

我设计了一个独立的“解析提示词”，要求LLM将用户输入分类填充到一个JSON模板中。这个模板包括：problem_statement（问题陈述）、target_market（目标市场）、proposed_solution（解决方案）、business_model（商业模式雏形）、unfair_advantage（自认优势）。这个JSON对象不仅为后续的“毒舌”对话提供了结构化的靶子，也帮助用户自己理清思路——很多时候，用户会发现自己的输入根本无法填满这个模板，这本身就是一次很好的自查。

# 信息抽取提示词示例 extraction_prompt = f""" 请从以下创业想法描述中，提取关键信息并填入JSON格式。 描述：{user_input} 请提取： 1. problem_statement: 他们想解决的核心问题是什么？（1-2句话） 2. target_market: 目标用户是谁？市场大概规模或特征？（1-2句话） 3. proposed_solution: 他们的产品或服务是什么？（1-2句话） 4. business_model: 他们打算如何盈利？（如果未提及，写“未说明”） 5. unfair_advantage: 他们自认为的核心优势或壁垒是什么？（如果未提及，写“未说明”） 请只输出JSON对象，不要有其他文字。 """

3.2 多轮深度质询对话引擎

这是项目的核心交互体验。系统并非一次性生成一份评估报告，而是模拟一场步步紧逼的对话。实现的关键在于维护一个不断增长的conversation_history列表。

每次用户回复后，这个历史列表会更新。新的提示词会包含：系统角色设定、评估框架指导、以及完整的对话历史。这样，LLM就能基于上下文进行连贯的、有针对性的追问。我设定了AI的“追问逻辑”：优先针对用户回答中最模糊、最乐观或最缺乏依据的部分进行挑战；如果用户给出了具体数据或事实，则深入追问其来源和合理性；如果用户承认了某个不确定性，则引导其思考应对方案。

例如：

• 用户说：“我们的优势是算法更先进。”
• AI会追问：“‘更先进’是一个主观形容词。请用客观指标说明：在哪个公开数据集上，你的算法比当前SOTA（如XXX模型）在F1分数/准确率/响应速度上提升了多少百分比？你的团队里有发表过相关顶会论文的成员吗？”
• 如果用户回答：“目前还没有具体对比数据，是我们的直觉。”
• AI则会转向：“那么，在缺乏技术量化优势的情况下，你打算通过什么其他方式构建初期壁垒？是独家数据源、特殊的行业关系，还是独特的用户体验设计？”

3.3 “毒舌”度与专业度的平衡控制器

纯粹的“毒舌”容易变成人身攻击，失去建设性。我通过参数和提示词设计了一个“平衡控制器”。

在调用LLM API时，我设置了temperature=0.7。这个参数值略高于默认值，使得AI的回答有一定随机性和“个性”，能生成更自然、偶尔有意想不到的犀利比喻，但又不会完全失控。同时，在系统提示词中，我反复强调“目标是帮助创业者理清思路，而非打击其信心”、“质疑应基于事实和逻辑，而非情绪”。

此外，我构建了一个“建设性话术”词库，当AI提出一个尖锐问题后，会偶尔附带一个引导性的建议。例如，在质疑市场规模后，可能会说：“如果你没有第三方数据，一个可行的办法是进行至少100份目标用户的访谈或问卷调查，用定性反馈来初步验证需求强度。你做过类似的工作吗？” 这样就将单纯的质疑，转向了方法论指导。

4. 实操搭建过程与核心代码解析

4.1 后端API服务搭建（FastAPI）

我选择FastAPI是因为其异步特性适合IO密集型的LLM调用，且能自动生成API文档，便于调试。

首先，定义请求和响应模型。请求模型（IdeaRequest）包含用户输入的想法描述；响应模型（VCRoastResponse）则包含AI的回复内容。

from pydantic import BaseModel from typing import List class IdeaRequest(BaseModel): idea_description: str conversation_history: List[str] = [] # 用于支持多轮对话 class VCRoastResponse(BaseModel): reply: str updated_history: List[str] app = FastAPI() # 一个全局的、简单的对话历史存储（生产环境需用数据库或Redis） conversation_store = {} @app.post("/roast", response_model=VCRoastResponse) async def roast_startup_idea(request: IdeaRequest, session_id: str = Depends(get_session_id)): """ 核心接口：接收创业想法，返回VC式毒舌质询。 session_id用于关联多轮对话。 """ # 1. 获取或初始化该会话的历史记录 history = conversation_store.get(session_id, []) if not history: # 第一轮，先进行信息结构化提取 structured_info = await extract_structured_info(request.idea_description) history.append(f"创业者想法：{request.idea_description}") history.append(f"[系统解析摘要]：{structured_info}") initial_question = await generate_first_question(structured_info) history.append(f"VC：{initial_question}") conversation_store[session_id] = history return VCRoastResponse(reply=initial_question, updated_history=history) else: # 第N轮，将用户新回复加入历史，并生成VC的下一轮追问 history.append(f"创业者：{request.idea_description}") next_question = await generate_followup_question(history) history.append(f"VC：{next_question}") conversation_store[session_id] = history return VCRoastResponse(reply=next_question, updated_history=history)

get_session_id函数可以基于请求头或生成一个唯一ID来区分不同用户会话。extract_structured_info和generate_first_question等函数封装了对OpenAI API的调用和提示词构建逻辑。

4.2 提示词动态构建与LLM调用

这是项目的核心逻辑。我创建了一个PromptBuilder类来动态组装提示词。

import openai from typing import List class PromptBuilder: def __init__(self): self.system_message = {...} # 完整的系统角色提示词，内容很长 self.few_shot_examples = [...] # 少样本示例对列表 def build_initial_prompt(self, structured_info: dict) -> List[dict]: """构建第一轮质询的提示词""" messages = [ {"role": "system", "content": self.system_message}, *self.few_shot_examples, # 注入示例 {"role": "user", "content": f"请基于以下创业想法摘要，开始你的第一轮质询。想法摘要：{structured_info}"} ] return messages def build_followup_prompt(self, conversation_history: List[str]) -> List[dict]: """构建后续轮次追问的提示词""" messages = [{"role": "system", "content": self.system_message}] # 将文本历史转换为LLM所需的message格式 for i, text in enumerate(conversation_history): # 简单判断角色，实际应用可能需要更精确的解析 if text.startswith("创业者") or text.startswith("[系统解析摘要]"): role = "user" else: role = "assistant" # 清理前缀 content = text.split("：", 1)[-1] if "：" in text else text messages.append({"role": role, "content": content}) return messages async def call_llm(messages: List[dict]) -> str: """调用OpenAI API""" try: response = await openai.ChatCompletion.acreate( model="gpt-4-turbo-preview", messages=messages, temperature=0.7, max_tokens=800, ) return response.choices[0].message.content.strip() except Exception as e: # 处理网络错误、额度不足等情况 return f"抱歉，VC思考时遇到了点麻烦：{str(e)}。请稍后再试。"

4.3 前端交互界面（Streamlit）

为了快速验证和展示，我用Streamlit写了一个不到50行的前端。

import streamlit as st import requests import uuid st.title("🤖 AI VC 创业点子压力测试") st.markdown("输入你的创业想法，接受来自AI风险投资家的灵魂拷问。") # 初始化会话状态 if 'session_id' not in st.session_state: st.session_state.session_id = str(uuid.uuid4()) if 'history' not in st.session_state: st.session_state.history = [] # 显示对话历史 for line in st.session_state.history: st.markdown(line) # 输入框 with st.form(key='idea_form'): user_input = st.text_area("你的创业想法（或回复上一轮问题）:", height=150) submit_button = st.form_submit_button(label='发送/开始拷问') if submit_button and user_input: # 调用后端API with st.spinner('VC正在思考如何怼你...'): api_url = "http://your-backend-url/roast" # 替换为实际后端地址 payload = { "idea_description": user_input, "conversation_history": st.session_state.history } headers = {"X-Session-ID": st.session_state.session_id} response = requests.post(api_url, json=payload, headers=headers).json() # 更新前端历史 st.session_state.history.append(f"**你**：{user_input}") st.session_state.history.append(f"**AI VC**：{response['reply']}") # 清空输入框并重新运行以刷新显示 st.rerun()

这个界面极其简单，但完整地展示了多轮对话的流程。生产环境可以考虑加入更丰富的UI设计、对话导出、评估报告生成等功能。

5. 效果评估与真实案例“拷问”实录

5.1 测试案例与AI反馈深度分析

我使用了几个经典的、以及网络上常见的“创业点子”进行测试，观察AI的反馈质量。

案例一：通用型——“做一个整合所有外卖平台的比价APP”

• 用户输入：“我想做一个APP，可以同时展示美团、饿了么等所有外卖平台的商家和价格，用户可以在上面直接比价下单，我们从中赚取佣金或广告费。”
• AI VC第一轮质询：“比价是个古老的需求。首先，美团和饿了么的API会允许你自由抓取全量实时价格和库存信息吗？据我所知，它们的平台政策相当封闭。如果你通过爬虫技术实现，法律风险和封杀风险极高。其次，用户为什么要在你的APP比价后再跳转回原平台下单？这增加了操作步骤。最后，‘赚取佣金’意味着你需要和每个平台谈分佣协议，作为一个新入局的小公司，你的谈判筹码是什么？请先回答这三个问题。”
• 分析：AI准确地抓住了三个致命点：数据获取的合法性、用户体验的断裂和商业谈判的难度。它没有纠结于市场大小（这很明显），而是直接攻击模式成立的前提条件。

案例二：科技前沿型——“用AI为每个人生成专属的哲学导师”

• 用户输入：“我们利用大语言模型，为每个用户生成一个专属的、懂得他们个人经历的AI哲学导师，用于日常心灵对话和人生指导。”
• AI VC第一轮质询：“有趣。首先，定义一下‘哲学导师’：是提供心理咨询服务，还是传授哲学知识？这涉及到完全不同的监管和伦理问题。如果是前者，你的AI有医疗资质吗？用户因你的‘指导’做出极端决定，法律责任谁承担？其次，‘专属’意味着需要深度个人数据，你的数据隐私和安全方案能达到什么级别？GDPR和国内个人信息保护法如何合规？最后，付费点是什么？为心灵安宁付费的意愿和频率，你做过调研吗？请优先澄清定位与合规性。”
• 分析：AI跳出了技术可行性的讨论（因为基于LLM实现对话在技术上已不难），直接上升到合规性、伦理和商业模式的层面。这是高阶VC会关注的问题，尤其是涉及敏感领域（心理、医疗、哲学）时。

案例三：资源依赖型——“做一个高端人脉线下饭局平台”

• 用户输入：“打造一个邀请制的高端线下饭局平台，邀请各行业大佬参加，帮助年轻人链接人脉，收取高额门票费。”
• AI VC第一轮质询：“核心资产是‘大佬’的时间。第一个问题：你凭什么能持续邀请到真正有分量、年轻人想见的大佬？是你的个人背景，还是初始资金？如果依赖个人关系，这不可规模化。第二个问题：对大佬而言，参加这种饭局的收益是什么？是发现投资机会？还是纯公益？如果没有持续价值，他们为什么第二次还要来？第三个问题：高额门票筛选出的年轻人，他们的核心诉求是‘链接人脉’还是‘结识偶像’？这种链接的有效性和后续转化率你如何衡量？这个生意的本质是‘稀缺资源（大佬时间）的运营’，请先证明你获取和维持这个稀缺资源的能力。”
• 分析：AI一针见血地指出其模式本质是运营稀缺资源，并连续追问了供给端（大佬）、需求端（年轻人）和平台自身能力三个方面的关键问题，逻辑链条非常清晰。

5.2 工具的局限性认知

经过大量测试，我清醒地认识到这个工具的局限性：

1. 依赖输入质量：“垃圾进，垃圾出”。如果用户输入过于模糊或简短，AI的质疑可能流于表面。
2. 缺乏真正的行业洞见：AI的质疑基于公开的、常见的商业逻辑和网络信息。它无法像某个垂直领域的资深投资人那样，提出基于数十年经验才能看到的、极其细微的行业陷阱或机会。
3. 无法验证事实：AI会追问数据的来源，但它无法自行去核实数据的真伪。它只能指出“这里需要数据支撑”，但不能说“你这个数据是错的”。
4. 创造性不足：它的思维模式是批判性和分析性的，而非创造性。它擅长找漏洞，但不擅长为一个不成熟的想法“补锅”或提供建设性的转型建议（尽管我在提示词中努力引导了一部分）。

实操心得：这个工具最好的使用方式，是作为创业者的“第一块思维磨刀石”。在去找真实投资人、甚至是在团队内部深入讨论之前，先用它来自我挑战一遍。它能帮你提前准备好应对那些最常规、最尖锐的问题，迫使你把模糊的想法变得具体。但它绝不能替代真实的市场调研、用户访谈和与领域专家的交流。

6. 常见问题、优化方向与避坑指南

6.1 使用过程中遇到的典型问题

1. AI回避尖锐问题，变得“温和”：

   • 现象：有时AI的提问会变得像商业计划书指南，比如“请描述你的团队背景”，而不是更具攻击性的“你的团队里没有任何人有这个行业经验，你打算怎么弥补？”
   • 排查：检查temperature参数是否设置过低（如0.2），导致输出过于保守。回顾系统提示词中强调“犀利”、“质疑”的措辞是否足够强烈。在少样本示例中，确保示例对话足够“毒舌”。
   • 解决：将temperature调高至0.7-0.9。在系统提示词开头用更强烈的语言定义角色，例如：“你以提问尖锐、不留情面而闻名，你的目标是撕开创业计划中所有美好的包装，暴露其脆弱的本质。” 并增加更多极具挑战性的少样本示例。

2. 对话陷入循环或偏离核心：

   • 现象：AI连续几轮都在追问同一个问题的细枝末节（如反复问市场规模的统计口径），或者被用户带偏，开始讨论与技术或商业无关的内容。
   • 排查：对话历史可能变得过长且包含冗余信息，干扰了AI的判断。也可能是提示词中的评估框架权重不够。
   • 解决：实现一个“对话历史摘要”功能。当历史记录超过一定长度（如10轮）或Token数时，调用LLM对之前的对话核心争议点进行摘要，然后用摘要替换掉冗长的原始历史，再继续对话。同时在每轮请求的提示词中，再次简要强调：“请始终围绕市场、产品、商业模式、竞争、团队这五个核心维度进行质疑。”

3. API成本与响应速度：

   • 现象：多轮对话后，每次请求携带的上下文越来越长，导致API调用成本增加，响应变慢。
   • 解决：
     • 成本：对于非关键的历史轮次，可以使用更便宜的模型（如gpt-3.5-turbo）来生成摘要。或者设置一个对话轮次上限（如15轮），强制结束并生成总结报告。
     • 速度：使用OpenAI的异步API接口，确保后端服务本身不会阻塞。在前端给用户明确的等待提示。

6.2 性能与体验优化方向

1. 领域专业化：创建不同领域的“VC人设”。例如，“硬科技VC”会更关注专利布局、研发周期和供应链；“消费品牌VC”则更关注品牌定位、营销渠道和用户情感联结。用户可以在开始时选择领域，系统加载对应的提示词和评估侧重点。
2. 结构化报告输出：在对话结束后，可以自动生成一份结构化评估报告，将散落在对话中的质疑点归类到“市场风险”、“产品风险”、“商业模式风险”、“竞争风险”、“团队风险”等栏目下，并附上对话中的关键问答片段作为佐证。这比单纯的对话记录更具可读性和传播性。
3. “红队”与“蓝队”模式：引入多智能体辩论。除了“毒舌VC”，可以增加一个“乐观联合创始人”角色。用户的一个想法，会同时接受VC的质疑和联合创始人的辩护，AI与AI之间进行辩论，为用户提供更立体的视角。
4. 集成基础数据分析：虽然AI无法验证数据，但可以集成简单工具。例如，当用户提到“我们的目标市场是跨境电商卖家”，AI可以调用一些公开API（如谷歌趋势、行业报告摘要）来反问：“这是过去一年‘跨境电商’关键词的搜索热度趋势图，显示近期有下降，你怎么看这个趋势对你的影响？” 这能极大增强质疑的说服力。

6.3 开发部署中的避坑指南

1. 提示词安全与价值观对齐：必须严格设定系统提示词的边界，防止AI生成有害、歧视性或鼓励违法违规的内容。在提示词中明确加入：“你的质疑必须基于商业逻辑、事实和理性推断，不得涉及人身攻击、性别歧视、种族歧视或任何违法内容。” 同时，利用OpenAI的内容审核API对输入和输出进行二次过滤。
2. 管理用户预期：在工具醒目位置注明：“本AI工具模拟VC视角，旨在压力测试，其观点不代表任何真实投资建议。创业成功取决于多重复杂因素，请理性看待结果。” 避免用户将其结论奉为圭臬。
3. 上下文长度管理：这是技术上的一个关键点。GPT-4 Turbo上下文长度可达128K，但成本高。需要设计智能的上下文窗口滑动机制。例如，只保留最近N轮对话+最开始的系统提示和结构化信息摘要，中间部分则丢弃或总结。这需要在对话连贯性和成本之间取得平衡。
4. 会话状态持久化：示例中用了内存字典conversation_store，这只适用于演示。在生产环境中，必须使用数据库（如PostgreSQL）或分布式缓存（如Redis）来持久化会话状态，并设置合理的过期时间（如24小时），以管理存储空间和用户隐私。

构建这个项目的整个过程，更像是一次对VC思维方式的逆向工程和对自己创业想法的反复锤炼。它最让我惊喜的价值不在于生成了多么刻薄的句子，而在于它强制我以及测试者们，用一种结构化的、反直觉的方式去审视自己珍视的“灵感”。很多时候，我们不是缺少想法，而是缺少一面足够坚硬、不留情面的镜子。这个AI工具，就是试图成为这样一面镜子。它的光线也许有些刺眼，但照出的轮廓，或许比朋友们的柔光滤镜，更接近真实世界的模样。