「一天」
24h 同频轻社交,在熟人社交与大众社区之间探索低压力日常表达与弱关系互动。
两个独立项目,分别聚焦 C 端轻社交体验与 B 端智能问数。
24h 同频轻社交,在熟人社交与大众社区之间探索低压力日常表达与弱关系互动。
面向非技术业务人员的智能问数工作台,通过自然语言完成数据查询、连续分析与结果导出。
围绕熟人社交的表达顾虑与大众社区的流量压力,探索一种更轻、更低压力的日常表达方式。
「一天」不依赖关注关系,而是让“当下的内容”成为人与人产生连接的入口。
当同学、老师、家人、亲戚同时存在于同一关系网中,普通日常也容易被放进现实身份与他人评价中审视。
面对大量陌生用户,点赞、流量与内容竞争会放大“这条东西值不值得发”的心理成本。
没有关注 / 粉丝作为核心分发关系,避免重新走向账号经营。
围绕当下内容建立弱连接,通过“同频”而非既有关系发现他人。
新用户通过选择「心情」 + 1~3 个「话题」生成首轮推荐信号;当暂无有效动态或兴趣变化时,可再次选择「此刻」想遇见什么,刷新推荐上下文。
同时保留「话题」页为主动发现入口,减少对系统推荐的依赖。

推荐以「心情」 + 「话题」作为核心匹配信号,时间与位置作为辅助;通过“高度 / 中度 / 轻度同频”等简洁提示,让用户理解内容为什么出现在当前推荐中。
当前 MVP 采用规则推荐,用于验证同频匹配机制,不包装为机器学习模型。


将基础匹配与行为反馈分开展示,用于验证“为什么被推荐、同频程度如何,以及正向互动与负向反馈如何影响后续排序”。
“高度 / 中度 / 轻度同频”用于向用户传达直观的匹配感受;正向互动与负向反馈用于调整后续推荐,具体分数与信号拆解仅用于作品演示和调试,不进入用户主流程。
发布页除正文外,同步采集「话题」与「心情」作为推荐信号,并将可见范围、24h 自动归档和位置展示等关键决策前置,让用户在发布前一次确认。


不是“我觉得你这条不错”,而是“我也正在经历类似的事”,让互动语义与“同频”定位保持一致。
在轻共鸣之外,为愿意多说一句的用户提供更深入、但不公开的交流空间。
公开内容到期后退出推荐,并进入发布者自己的「回声」;既保留「此刻」的时效边界,也保留个人记录价值。
回声支持按日期筛选与删除,记录由用户自主管理。

发布 → 同频发现 → 共鸣 / 私密回应 → 消息承接 → 到期回声。
支持多图发布、草稿与资料跨端同步、消息未读承接,保证核心流程连续。
覆盖隐私设置、到期只读、空状态、发布失败与部分同步失败等异常场景。
当前项目暂无真实用户增长数据,因此以上指标均作为拟验证指标,不包装为已有成果。
围绕业务人员“知道想查什么,却不知道数据在哪、字段怎么用”的查数障碍,设计从自然语言需求到可核对数据结果的智能问数流程。
AskData 将自然语言需求转化为可核对、可执行的数据查询,并通过口径确认与结果承接降低 AI 问数的不确定性。
业务人员能够提出数据需求,但不熟悉数据库表、字段及 SQL,查数前需要先理解数据结构。
数据权限、表字段含义和业务口径往往需要向开发或数据人员反复确认,增加沟通和查询成本。
用户直接描述业务问题,无需先知道表名、字段名或 SQL。
系统显性呈现查询口径,信息不足时主动澄清,不让模型替用户补全业务定义。
用户只需描述业务问题,无需提前提供表名、字段名或 SQL;系统先定位相关数据并建立查询上下文,再进入查询生成与执行。

通过字段检索、融合排序与 Schema 上下文构建,缩小与业务问题相关的数据范围。
当用户表达存在多种业务口径时,AskData 不直接替用户做判断,而是先提供结构化选项完成澄清;确认后恢复原查询任务,并将系统识别的数据表、指标、维度、时间、筛选及关键字段显性展示,让 AI 的理解可见、可核对。



将 AI 对本次查询的理解结构化展示,帮助用户发现潜在口径偏差。
当数据关系不足以支撑当前问题时,AskData 不强行返回结果,而是说明失败原因并提供「重新尝试」「修改问题」;用户调整查询后可继续完成任务。对于删除、修改等超出问数范围的请求,则直接明确拦截。



删除、修改等写操作不属于问数范围,系统直接拒绝,避免误改数据。
业务分析往往不是一次得到答案,而是在结果基础上继续收窄范围、调整时间或更换维度。AskData 保留上一轮查询上下文,用户只需描述变化部分,即可延续原有口径继续分析。
查询结果还可保存为「参考结果」,供后续直接计算、比较与总结,让已得到的数据继续参与分析,减少重复查询与等待,也避免在多次重查中产生新的口径偏差。

2026年7月各地区实付销售额

只看华东和华南

换成6月

业务需求通常以业务概念表达,而数据库则以字段与取值记录,两者之间需要建立明确映射。以“未配置专属封面的歌曲”为例,需要先明确“使用默认封面或封面为空,均视为未配置专属封面”这一业务规则,再映射到具体的数据条件。AskData 将识别出的查询口径显性展示,供用户核对后再执行查询,降低业务理解偏差。
源自实际业务场景,使用模拟数据进行演示image_path = 'public_third_part.jpeg' / NULL / 空值
封面为系统默认图或为空

SQL 能正确执行,只代表技术上查得出来;业务语义被正确理解,才代表查的是用户真正想要的数据。
MVP 阶段不追求覆盖完整的数据分析场景,而是优先验证业务人员能否独立完成一次可理解、可核对、可继续使用的数据查询。因此围绕需求理解、口径确认、查询执行、结果承接与异常恢复搭建核心链路,并补齐必要的安全边界。
MVP 的目标不是把功能做全,而是先保证一次核心查数任务能够从需求提出到结果使用完整闭环。
AI 问数的质量不能只看 SQL 是否生成成功,还需要验证口径澄清、连续追问、安全拦截、权限隔离和结果说明等关键任务是否稳定完成。因此围绕核心用户场景建立评测集,并通过连续回归验证版本表现。

以上结果基于当前 MVP 的固定核心用例与测试环境,用于版本回归,不代表开放业务场景下的整体准确率。
当前 MVP 已覆盖单库智能问数的核心链路,但尚未扩展到多数据源、复杂企业权限和完整数据看板等能力。下一阶段将优先通过真实业务场景验证使用效果,再决定后续能力扩展优先级。
单库问数 · 基础权限 · 非完整数据看板 · 非生产级部署
任务完成率 · 澄清触发情况 · 查数耗时 · 使用成本
先验证真实价值,再扩展系统能力。