给定时智能体加上可解析的结果行
为定时 Claude 任务的报告追加带类型前缀的单行 JSON,让脚本稳定提取指标与结果。文章介绍记录格式规则、基础解析器及自查方法,减少自然语言表达变化对汇总的影响。
AI 深度解读
定时 AI 任务每天都交报告,真正要做周报时,你却还得逐篇找数字、确认状态。这篇文章提出了一个很小的改动:让 Claude 在报告末尾追加「标签 + 单行 JSON」,把供人阅读的说明和供脚本汇总的记录放在同一份输出里。
它最有价值的部分,是对「查到零」「没查到」「任务根本没运行」的区分。格式统一只是起点,避免把未知当成事实,才是这套做法能否用于日常自动化的关键。
报告写得再清楚,也不等于可以直接汇总
作者有几项定时 Claude 任务:一项按计划发布 X 帖子并记录数据,另一项每周复盘,再写出下一周的草稿。任务结束后,都会在聊天里留下报告。
麻烦在于,模型对同一个事实的表达会变。零销售额可以写成 $0,也可以写成「暂时没有销售」。人能理解,脚本却需要额外识别。如果数字藏在第四段,状态夹在一句解释里,汇总过程就容易退回人工阅读。
作者的办法是保留正文,在末尾追加结构固定的记录。下面是原文的两个示例,数值只是示例值:
RPT_REVENUE {"v":1,"product":"Example ebook","month":"2026-11","sales_mtd":0,"count_mtd":0,"currency":"USD","as_of":"2026-11-16","source":"store dashboard"}
RPT_EVENT {"kind":"launch","title":"Example article scheduled","date":"2026-11-17","status":"scheduled"}
要看的是每行开头的标签,以及 JSON 内的字段名:RPT_REVENUE 表示收入记录,RPT_EVENT 表示事件记录;as_of 和 source 则留下数据日期与来源。
规则很简单:一个结果占一行,JSON 不跨行;标签后面接一个空格,再接一个 JSON 对象。每类标签规定必填字段,结构化记录统一放在正文后面,手机通知仍然保持简短。
这样,脚本就能逐行读取一周的报告,再生成表格。它不必理解整篇自然语言,也不必猜测某句话里的数字属于哪个指标。
查到零可以记零,没查到必须留下缺口
零是一个已经确认的结果,缺失是一个尚未解决的问题。
作者要求任务真正打开后台、读取数字后,才能填入 0。如果登录过期,或者遇到验证码,就不输出那条记录,而是在正文说明 not retrieved 和原因。
这个区别直接影响后续统计。把「无法读取」记成零,表格看起来完整,实际却丢掉了数据缺口。缺失记录配上失败说明,至少还能成为待办,提醒人重新查看。
作者还补了两条约束:只报告本次运行确认的结果,以及状态台账里已有的事实,不做估算;同一个事件如果状态没有变化,就不要重复报告。例如,一个截止事项一直处于 scheduled,只有状态变化时才再次输出。
这里还要分清字段的统计含义。示例里的 sales_mtd 和 count_mtd 是月初至今的累计值,不能把每天的记录直接相加。原文说可以汇成表格,但没有展开累计快照怎样汇总,这部分需要使用者自己定义。
格式正确,也可能测错。
作者的指标脚本在最初几天漏算了回复。修复后,某一天的测量显示,5 条人工回复平均约有 22 次曝光,9 条自动帖子平均约有 7 次曝光。这是一次有限的观察,不能据此判断人工回复普遍优于自动发帖。它能说明的是:即使每个数字都符合格式,采集逻辑仍然可能有漏洞。
source 和 as_of 的作用,是在发现问题后,帮助定位哪些数据需要重新核验。
解析器检查记录,谁来发现任务没运行
作者给出一个只用 Python 标准库的解析器,从文件或标准输入读取报告。它按标签检查必填字段,原文的字段配置如下:
REQUIRED = { "RPT_REVENUE": {"product", "month", "sales_mtd", "count_mtd", "currency", "as_of", "source"}, "RPT_EVENT": {"kind", "title", "date", "status"}, "RPT_RESULT": {"task", "status"}, }
要注意这一行里的必填字段集合:收入记录要求来源和日期,但示例中的 "v":1 没有被列为必填项,也没有相应的版本兼容处理。
解析器还尝试检查未知标签、JSON 格式、空值、sales_mtd 的数字类型,以及同一份输入中的完全重复记录。作者给出的调用方式是 python3 report_lines.py report.txt,也可以用 some_command | python3 report_lines.py 接收管道输入。
按作者描述,输入一条有效收入记录、一条带 "sales_mtd": null 的记录,以及一句以 Not retrieved: ebook store (login expired) 开头的说明,程序会输出一条 ok、两条 TODO,并以退出码 1 结束,让外围脚本发现异常。
不过,提供的原文代码存在明显的排版或转录损坏:正则写成了 r"^(RPT_[A-Z]+) ({.})\s$",入口判断显示为 if name == "main":,函数缩进也丢失了。这份文本不能直接当成可运行脚本复制,作者描述的执行结果也不能视为当前代码已经通过的验证。
还有一类问题,解析器根本没有输入可检查。
作者在 10 月遇到过 Windows 更新导致电脑夜间重启,从深夜到次日早晨的定时任务都没有运行。发布台账里没有状态不明的记录,作者也决定不补发错过的时段,而是在后续晨间任务中增加检查:距离上次运行是否超过 24 小时,超过就写进报告。
这能在任务恢复后暴露断档。如果机器一直没恢复,检查本身也不会执行。要及时发现这种情况,还需要独立于任务的机制,对比上次完成时间和预期运行频率。
我的判断
我认可这套方法适合改造已有的聊天式定时任务。增加几个稳定字段,成本低,也保留了供人阅读的上下文。相比再让模型从历史报告中提取数字,固定记录至少减少了一层解释和猜测。
但它依然是作者的运维经验,原文没有提供对照数据,证明错误率下降了多少,或者节省了多少维护时间。
它约束的是记录格式,事实准确性仍取决于采集过程。
几个边界需要自己补齐。解析器只检查了 sales_mtd 的数字类型,没有完整校验 count_mtd、日期、状态取值和版本;所谓重复检查,也只是比较本次输入里完全相同的对象,无法自动落实跨运行的事件去重。
如果任务本来就由 Node 程序执行,并且已经拿到了 API 返回值,我更倾向于让程序直接保存结构化结果,再让模型生成说明。这样可以减少模型重新抄写数字的机会。文章的方案更适合那些结果目前只留在聊天报告里的任务。
能拿来做什么
- 选一个已有的日常 AI 任务,按作者建议用约 20 分钟完成最小改造:5 分钟找出真正关心的两个事实,5 分钟定义标签与字段,2 分钟写明零值规则,3 分钟检查下一份报告,最后用 5 分钟补上漏跑检查。
- 给 Node 汇总脚本明确区分累计值和本次增量,并保存来源与读取日期。读取失败时保留缺口和原因,避免默认填零后参与统计。
- 检查缺失说明的写法。原文解析器只识别行首的
not retrieved,因此任务指令应要求失败说明单独成行,否则正文提到了失败,脚本仍可能漏掉。 - 把记录校验和运行监测分别落实:前者检查已有输出是否完整,后者按任务频率检查是否按时完成。先用一项任务跑通,再扩展到其他定时任务。