通过定制音乐画像 Skill 生成听歌报告、历史画像分析与个性化推荐

[jaychempan]

Issue: 通过定制音乐画像 Skill 生成听歌报告、历史画像分析与个性化推荐

背景

当前用户的听歌行为、搜索偏好、播放历史和场景化需求可以沉淀为长期音乐画像。希望通过定制一个专门的 SKILL，让 Codex 能够基于用户的历史听歌数据生成听歌报告，分析用户的音乐偏好变化，并进一步基于画像推荐更合适的歌曲、歌单或音乐场景。

目标

构建一个音乐画像分析与推荐 Skill，帮助用户完成：

1. 生成周期性听歌报告
   例如日 / 周 / 月 / 年度报告，包含播放量、常听歌手、常听曲风、常用场景、情绪倾向、语言偏好等。

2. 分析用户历史音乐画像
   从长期听歌记录中提取用户的音乐偏好、时间习惯、情绪周期、场景偏好和变化趋势。

3. 基于画像进行歌曲推荐
   根据用户当前语境、历史偏好和画像标签，生成更个性化的搜索 query 或推荐策略。

核心能力设计

1. 数据输入

Skill 应支持读取或接收以下信息：

• 播放历史：歌曲名、歌手、专辑、播放时间、播放次数
• 搜索历史：用户输入过的听歌需求、场景词、情绪词
• 收藏 / 喜欢 / 跳过记录
• 用户主动反馈：喜欢、不喜欢、类似这个、换一种、太吵、想要无人声等
• 当前上下文：工作、放松、运动、睡觉、写代码等场景

2. 用户音乐画像

Skill 需要构建并维护以下画像维度：

• 曲风偏好：lofi、jazz、synthwave、classical、华语、民谣、电子等
• 情绪偏好：放松、专注、伤感、兴奋、治愈、怀旧等
• 场景偏好：写代码、通勤、夜晚、运动、睡前、咖啡馆等
• 语言偏好：中文、英文、日语、韩语、纯音乐等
• 歌手偏好：高频歌手、近期升温歌手、长期稳定偏好
• 新旧偏好：经典老歌、新歌、热门、冷门发现
• 探索倾向：保守型、相似推荐型、探索型
• 时间规律：早晨 / 下午 / 深夜偏好的音乐类型差异

3. 听歌报告生成

报告应包括：

• 时间范围概览
• 高频歌曲 / 歌手 / 曲风
• 最常出现的听歌场景
• 情绪变化趋势
• 偏好变化：本期新增偏好、下降偏好、稳定偏好
• 代表性音乐标签
• 一段自然语言总结，例如：

这周你的音乐偏好明显偏向深夜专注和轻量电子，华语民谣播放次数下降，但钢琴与 ambient 的出现频率上升。

4. 推荐策略

Skill 应基于画像生成推荐逻辑，而不是直接随机推荐。

推荐时应考虑：

• 当前用户意图
• 历史偏好权重
• 最近播放趋势
• 用户探索程度
• 避免重复推荐
• 保留少量新鲜度

推荐输出可以分为：

• 稳定命中：高度贴合用户长期偏好
• 轻微探索：和用户喜欢的风格相邻
• 场景增强：适合当前上下文
• 情绪调节：根据用户状态推荐更舒缓或更提神的音乐

示例推荐策略

当用户说：

来点适合写代码的

如果画像显示用户偏好 lofi 和 jazz：

{
  "queries": [
    "lofi jazz coding instrumental focus",
    "chillhop beats lo-fi bedroom producer",
    "lofi jazz rain study instrumental"
  ]
}

如果画像显示用户偏好 ambient 和无人声：

{
  "queries": [
    "deep focus ambient instrumental no vocals",
    "flow state drone minimal electronic",
    "study music concentration piano quiet"
  ]
}

如果画像显示用户最近听很多 synthwave：

{
  "queries": [
    "synthwave focus night coding instrumental",
    "cyberpunk electronic dark ambient synth",
    "retrowave instrumental coding focus"
  ]
}

输出格式建议

初版 Skill 可输出以下结构：

{
  "listening_report": {
    "period": "weekly",
    "summary": "",
    "top_artists": [],
    "top_tracks": [],
    "top_genres": [],
    "top_scenes": [],
    "mood_trends": [],
    "preference_changes": []
  },
  "user_music_profile": {
    "long_term_preferences": [],
    "recent_trends": [],
    "scene_preferences": {},
    "mood_preferences": {},
    "language_preferences": [],
    "artist_preferences": [],
    "exploration_level": ""
  },
  "recommendation_queries": [],
  "recommendation_reasoning": ""
}

验收标准

• 可以基于一段播放历史生成结构化听歌报告
• 可以输出用户音乐画像标签
• 可以解释推荐依据
• 可以根据不同场景生成 2-3 个搜索 query
• 可以区分“长期偏好”和“近期趋势”
• 推荐结果不会只依赖单次输入，而会结合历史画像
• 支持用户反馈，并能更新画像权重

非目标

• 不需要一开始实现完整音乐平台 API 接入
• 不需要直接训练机器学习模型
• 不需要替代现有 coding-with-beat 播放逻辑
• 初版重点是画像分析、报告生成和推荐 query 构建

初版实现建议

先实现一个 music-profile Skill。

输入可以是 JSON 或文本化历史记录，例如：

{
  "play_history": [],
  "search_history": [],
  "feedback": [],
  "current_context": ""
}

输出包括：

1. listening_report
2. user_music_profile
3. recommendation_queries
4. recommendation_reasoning

后续再接入真实播放历史和用户反馈闭环。