#AI 产品与平台文档

这个目录收录 retaintive 产品内 AI 能力的设计文档。它和 AI Factory 的边界不同：这里关注客户产品里的 AI 判断、traceability、eval、Task 和 tool calling；Factory 文档关注 AI 如何帮助团队开发和运营代码库。

#推荐阅读顺序

Task / AI runtime 先从现行产品 contract 读起，再读通用平台分层：

1. Task System Design V3 — Task 与 AI runtime 的唯一 canonical 入口：Task / Next Action / Activity / Outcome、Task Policy、authority、bounded reasoning loop、API 和 migration。
2. LLM Application Foundation Concepts — 一条 LLM 请求从 context retrieval、request builder、schema/tool contract、writer 到 ledger/eval 的通用链路；其中旧 Task identifiers 只按 legacy snapshot 阅读。
3. retaintive LLM 平台架构终态与 Traceability — Governance / Data / Cross-cutting 三平面的通用职责；具体 Task product state 服从 V3。
4. retaintive LLM 平台架构图解 — 上一篇的图解版；图中的 Objective Config 不代表新增 Task 上层实体。
5. LLM Output Contract 与 Prompt 管理方式 — Current legacy contract snapshot；typed metadata 方法仍可参考，typeCategory / closeResult / taskDecisions[] 不是 Target vocabulary。

Objective-first 材料只保留为历史 exploration，不是现行目标态：

• AI Objective / Evidence 数据模型历史探索 — 独立 Objective/Case 层未被 Task domain 采用。
• Retaintive AI Operating System Objective-first 历史蓝图 — registry、ledger、tool boundary 可参考；Objective-first product model 已 superseded。

#当前执行面

这些文档更贴近日常实现和 demo 前质量保障：

• AI Agent Foundation 历史盘点 — superseded snapshot；实施前回到 V3 与 live code。
• AI 集成路线图 — 产品内 AI chat / dashboard insights / campaign / tool-calling 的集成机会和优先级。
• Task Accuracy — Current legacy taskDecisions[] 的 scenario、golden eval、DB replay 和 revenue rehearsal；不能直接充当 V3 acceptance contract。
• Call Accuracy — 单次 call transcript / call analysis 是否被正确理解。
• Contact Accuracy — 多次互动后的 contact context / lifecycle / safety state 是否正确。

#放置规则

• 产品里的 AI 能力、LLM app 架构、prompt/output contract、eval 和 agent roadmap 放在 docs/ai/product/。
• 具体数据模型、schema 设计、write path、traceability 表结构放在 docs/system-design/。
• AI 帮团队写代码、跑 repo、操作 Lark/GitHub 的 factory / tooling 文档放在 docs/ai/factory/ 或 docs/tooling/。