Initial commit

docs/DEVELOPMENT_PLAN.md

@@ -0,0 +1,64 @@
+# InsightReply 开发任务分解版
+
+基于 PRD（v1.0），我们将开发任务划分为以下核心模块与阶段，适合在 Notion/Jira 等任务管理系统中作为 Epic/Story 录入。
+
+---
+
+## 🏁 第一阶段：核心 MVP（预计耗时 2-4 周）
+**核心目标**：跑通“获取推文 -> 生成多策略评论 -> 一键复制”的核心业务流。
+
+### Epic 1: 项目基础设施搭建
+- [ ] **前端框架初始化**：搭建浏览器插件（Chrome Extension）基础模版，使用 Vue 3 + Tailwind CSS，并配置打包工具（如 Plasmo 或 Vite）。
+- [ ] **后端架构选型与初始化**：创建 Go (Golang) 后端服务基础框架。
+- [ ] **数据库初始化**：设计并创建基础表结构（Users, MonitoredKeywords, Tweets, GeneratedReplies）。
+- [ ] **LLM API 接入**：申请并联通 OpenAI (GPT-4) 或其他大模型 API，建立接口通信链路。
+
+### Epic 2: 浏览器插件核心开发
+- [ ] **UI 侧边栏/弹窗实现**：在 X（Twitter）页面注入前端组件，展示 InsightReply 面板。
+- [ ] **推文内容提取**：获取当前浏览中的相关推文文本内容及上下文。
+- [ ] **手动生成交互**：用户手动点击“生成”，调用后端接口返回评论建议。
+- [ ] **结果呈现与复制**：展示返回的备选评论，支持“一键复制”操作。
+
+### Epic 3: 评论生成引擎（基础版）
+- [ ] **提示词（Prompt）工程调优**：编写可稳定生成 5 种不同属性（认知升级型、反向观点型、数据补充型、共鸣型、创始人经验型）的底层提示词。
+- [ ] **身份预设支持**：支持基础的用户预设身份（如 AI 创始人/SaaS Builder），与推文内容一同传入 LLM。
+
+### Epic 4: 基础关键词监控
+- [ ] **监控规则配置**：前端/后台页面支持用户录入最初的几个核心关键词。
+- [ ] **定时拉取脚本**：服务端定时通过 API/规则 拉取匹配关键词的相关推文缓存于数据库。
+
+---
+
+## 🚀 第二阶段：自动化与雷达引擎（进阶版）
+**核心目标**：实现对账号的定点监控、推文的热度初步计算，并让评论策略更完善。
+
+### Epic 5: 账号与组合监控
+- [ ] **账号监控功能**：实现对重点账号的定点监控配置（支持实时抓取）。
+- [ ] **多规则组合过滤**：支持指定账号 + 关键词、AND/OR 多条件的交叉过滤搜索。
+
+### Epic 6: 热度评分系统
+- [ ] **热度指标采集**：获取推文的点赞、转发、评论数量的变化速率。
+- [ ] **热度公式落地**：实现 `热度 = 点赞增长率*0.4 + 转发增长率*0.3 + 评论增长率*0.3` 算法。
+- [ ] **增强因子计算**：接入账号蓝V标识识别、粉丝数权重计算和热搜趋势匹配。
+- [ ] **阈值提醒机制**：当分析出的推文热度超过设定阈值，出现在插件的“高潜爆款候选列”中。
+
+### Epic 7: Web 端管理后台
+- [ ] **Web 界面开发**：Nuxt.js / Vue 3 等前端框架搭建完整数据看板。
+- [ ] **策略调整与历史记录**：用户可查看所有生成过的历史评论，调整个人细分风格标签库。
+
+---
+
+## 💎 第三阶段：商业化闭环与数据优化（完全体）
+**核心目标**：验证效果以形成数据反馈，推出付费订阅，强化护城河。
+
+### Epic 8: 商业化支付与权限系统
+- [ ] **支付系统接入**：集成 Stripe 等主流订阅支付平台。
+- [ ] **多级版本控制**：根据 Free/Pro/Premium 版本，对“生成次数限制”“监控关键词上限”“账号数量”进行鉴权与隔离。
+
+### Epic 9: 评论效果数据反馈（V2）
+- [ ] **社交数据回拨检测**：定期查询用户发布评论后的真实点赞、回复数据。
+- [ ] **用户表现看板**：在 Web 后台提供“最有效互动风格”“最佳发帖时间”的数据可视化分析图表。
+
+### Epic 10: AI 模型个性化学习
+- [ ] **风格反馈微调**：针对高频点赞的回复风格，优化该用户的专属 Prompt。
+- [ ] **长期资产构建**：落地行业趋势资料包与垂直知识库，辅以 RAG 技术提高生成内容的深度。