传统提醒像那个不管你在开会还是赶deadline、到点就狂震的机械闹钟——当所有通知都标红，等于没有标红。一个100天挑战的第7个项目，正在试图教会机器什么叫"眼力见儿"。
从"定时轰炸"到"看人下菜"
这个智能提醒代理的核心逻辑很简单：任务优先级不该是用户手动拖拽的色块，而是系统自己算出来的动态权重。
它吃进去三样东西——截止日期还剩多久、任务本身的优先级标签、你当前的工作负载上下文——然后吐出一套"渐强式"提醒方案。紧急任务提前72小时开始低频试探，24小时内加速到每小时一次；低优先级任务则安静躺在后台，直到有空档才冒泡。
说白了，它模仿的是人类助理的直觉：老板明天要的材料今天必须三催四请，下周的周报提醒一次就够了。
技术实现：规则引擎比大模型更靠谱
项目作者没走"让LLM猜用户心思"的弯路，而是用了一套轻量级规则引擎。优先级计算基于可配置的权重公式，上下文感知通过简单的日历冲突检测完成，调度层用时间窗口滑动算法控制通知密度。
这种设计刻意保持"中立"——它只负责排期，不做价值判断，把"这个任务值不值得做"的决策权留给人类。
对比那些试图包办一切的"智能助手"，这种克制反而减少了认知摩擦。用户知道系统不会偷偷把某个任务降级或隐藏，只是按规则排队。
为什么"不够智能"反而是优点
当前AI代理的一个陷阱是过度承诺智能。大模型幻觉、不可解释的决策、黑箱调度——这些在提醒场景里都是灾难。谁愿意把自己的日程交给一个"可能理解错优先级"的系统？
这个项目的解法是把"智能"限定在可预测范围内：规则透明、行为可解释、用户随时能覆盖。它不会在你开会时突然弹窗说"我觉得这个任务更重要"，而是提前算好时间窗口，把通知塞进你的空闲缝隙。
这种"有限智能"的思路，在100天挑战的前7天里已经出现两次——第6天的数据提取代理同样用了结构化规则而非端到端模型。作者似乎有意在探索：哪些场景该用大模型，哪些场景该用确定性逻辑。
100天挑战的隐藏主线
把7个项目串起来看，一条方法论逐渐清晰： autonomous agent（自主代理）不等于"什么都自己决定"。好的代理像好的产品经理——知道边界在哪，该介入时介入，该闭嘴时闭嘴。
智能提醒这个场景选得刁钻。它够日常，人人有痛点；够具体，能做出可感知的差异；又够克制，不会陷入"通用人工智能"的宏大叙事。用100天堆100个这样的项目，比做一个"全能助手"更有教学价值。
第8天会是什么？作者没预告。但前7天的节奏暗示，下一个项目可能继续啃另一个被"智能"概念炒烂、实则规则就能搞定的场景。
热门跟贴