API 文档中心
应用场景 · 升级日志 · API 参考 · 认证说明
Skill 应用场景
以下是 Skill.AiEPCO 技能在真实场景中的应用案例。每个场景都包含完整的工作流说明和代码示例。
🤖 Agent 自主决策
使用的 Skill：天玑八卦盘当你的 AI Agent 面临复杂决策时，调用天玑八卦盘起卦解卦，获得多维度分析视角。适合投资决策、项目评估、人事判断等场景。
Agent 收到决策请求 → 调用 /api/yijing/cast 起卦 → 调用 /api/yijing/read 获取 AI 解卦 → 将卦象解读作为决策参考输入
查看代码示例 ▾
# Agent 决策流示例
question = "这个项目应该在下个月启动吗？"
cast = requests.post(f"{BASE}/api/yijing/cast",
headers={"Authorization": f"Bearer {API_KEY}"},
json={"method": "coins"}
).json()
reading = requests.post(f"{BASE}/api/yijing/read",
headers={"Authorization": f"Bearer {API_KEY}"},
json={"hexagram": cast["data"]["original_hexagram"], "question": question}
).json()
# 将 reading["data"]["interpretation"] 作为决策参考🧘 个人成长助手
使用的 Skill：天玑八卦盘为个人 AI 助手接入易经智慧，每日运势、决策建议、自我反思——用远古智慧赋能现代生活。
用户提问 → 助手判断是否需要卦象参考 → 调用起卦+解卦 API → 将易经解读融入回复
查看代码示例 ▾
# 个人助手集成
user_question = "今天适合谈合作吗？"
# 助手自动判断：涉及决策 → 触发卦象分析
cast_result = cast_yijing(method="time") # 时间起卦
reading = ai_read(cast_result, user_question)
reply = f"根据{cast_result.hexagram}卦象，{reading.interpretation}"🎮 游戏剧情生成
使用的 Skill：天玑八卦盘用真实的卦象和易经哲学为游戏生成深度剧情。NPC 对话、任务走向、世界观构建——让 AI 生成的游戏内容更有文化厚度。
游戏触发剧情节点 → 随机起卦 → 根据卦象生成对应剧情分支 → AI 解卦作为 NPC 台词素材
查看代码示例 ▾
# 游戏剧情系统
def generate_quest():
hex = cast_yijing(method="random")
if hex.name == "乾为天":
quest_type = "主线任务 · 天道启示"
elif hex.name == "坤为地":
quest_type = "支线任务 · 大地之母"
narrative = ai_generate_plot(hex, quest_type)
return narrative📊 内容创作增强
使用的 Skill：文本智能分析写作前先分析素材——情感倾向、核心观点提取、关键词识别。让 AI 写作更精准、更有针对性。
输入文章素材 → 调用文本分析 API → 获得情感/摘要/关键词 → 指导 AI 创作方向
查看代码示例 ▾
# 内容创作工作流（即将上线）
analysis = analyze_text(article_draft)
sentiment = analysis.sentiment # 正面/负面/中性
keywords = analysis.keywords # 核心关键词
summary = analysis.summary # 智能摘要
# 根据分析结果调整创作策略🛡️ 内容审核与合规检测
使用的 Skill：文本智能分析自动检测 UGC 内容的情感倾向和敏感实体。社交平台评论区、客服对话——实时标记负面/违规内容，大幅降低人工审核成本。
用户发布内容 → 调用 /api/text/analyze → 情感 negative+置信度>0.8 → 自动标记待审队列
查看代码示例 ▾
# 内容审核流水线（即将上线）
def moderate_content(text):
analysis = requests.post(
f"{BASE}/api/text/analyze",
headers={"Authorization": f"Bearer {API_KEY}"},
json={"text": text, "options": {"sentiment": True, "entities": True}}
).json()
flags = []
if analysis["data"]["sentiment"]["polarity"] == "negative" and analysis["data"]["sentiment"]["confidence"] > 0.8:
flags.append("负面内容")
if analysis["data"]["entities"].get("sensitive_terms"):
flags.append("含敏感实体")
return {"approved": len(flags) == 0, "flags": flags}📈 舆情监控与品牌分析
使用的 Skill：文本智能分析批量分析社交媒体、新闻、评论数据，提取品牌相关情感趋势和关键话题。支持日报/周报自动生成，帮助企业实时掌握舆论动向。
爬取舆情数据 → 批量调用分析 API → 聚合情感趋势+高频关键词 → 自动生成舆情报告
查看代码示例 ▾
# 舆情批量分析（即将上线）
articles = fetch_news_batch(topic="品牌名", days=7)
results = []
for article in articles:
analysis = requests.post(
f"{BASE}/api/text/analyze",
headers={"Authorization": f"Bearer {API_KEY}"},
json={"text": article["content"], "options": {
"sentiment": True, "keywords": True, "summary": True
}}
).json()
results.append({
"title": article["title"],
"sentiment": analysis["data"]["sentiment"]["polarity"],
"keywords": analysis["data"]["keywords"]
})
# 聚合分析 → 生成日报
report = generate_sentiment_report(results)🏢 企业 AI 中台 · 多模型调度
使用的 Skill：多模型路由统一 API 入口，自动路由到最优模型。研发团队不再关心模型选择和切换——简单问答走便宜模型，复杂推理自动升级，故障自动切换备用模型。
业务请求 → /api/model/route → 任务分类器判断类型 → 模型选择器匹配 → 执行并返回 → 成本自动核算
查看代码示例 ▾
# 企业 AI 中台集成
def call_ai(task_type, messages, strategy="auto"):
resp = requests.post(
f"{BASE}/api/model/route",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"task": task_type,
"messages": messages,
"strategy": strategy, # auto / cost_first / quality_first
"models": {
"budget": "deepseek-v3",
"quality": "deepseek-r1",
"fallback": "qwen-max"
}
}
).json()
print(f"选中模型: {resp['data']['selected_model']}")
print(f"总消耗: {resp['usage']['total_charged']} Token")
return resp["data"]["output"]🤖 Agent 多模型协作
使用的 Skill：多模型路由Agent 不同子任务自动匹配不同模型——搜索用便宜的、推理用强的、创作用最擅长的。一个 API Key 调度全部模型，让 Agent 能力最大化、成本最小化。
Agent 规划任务 → 拆分子任务 → 每个子任务调用路由 API → 路由根据子任务类型匹配模型 → 汇总全部结果
查看代码示例 ▾
# Agent 多模型协作
tasks = [
{"type": "simple_qa", "msg": "今天天气如何？"},
{"type": "code_generation", "msg": "写一个排序算法"},
{"type": "creative", "msg": "写一首关于AI的诗"},
]
results = []
for t in tasks:
resp = requests.post(
f"{BASE}/api/model/route",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"task": t["type"],
"messages": [{"role": "user", "content": t["msg"]}],
"strategy": "cost_first" # 批量任务用成本优先
}
).json()
results.append({
"task": t["type"],
"model": resp["data"]["selected_model"],
"output": resp["data"]["output"],
"cost": resp["usage"]["total_charged"]
})
print(f"总任务数: {len(results)}, 总消耗: {sum(r['cost'] for r in results)} Token")