项目快照
CourtMind 围绕“数据 → 情报 → 决策”构建面向篮球场景的 AI 分析系统。平台整合多源赛事数据、计算机视觉与多 Agent 协作，自动生成可审计的赛前对手报告、节间调整建议与赛后复盘片段，帮助教练组把数小时的信息整理工作压缩到分钟级。
挑战
问题：教练组面对的是信息碎片化与决策时间窗口的双重压力：比赛数据分散在不同平台，视频与数据相互孤立，赛前准备依赖人工汇总，临场调整缺少结构化依据。
受影响者：主教练、助理教练、数据分析师、内容运营
为什么现有方式不够好：传统方式下，情报整理、报告撰写与视频剪辑相互脱节，导致决策链路长、证据链弱、复用性差。
约束：篮球场景对结论可信度要求极高，AI 输出必须可追溯；同时需要在有限资源下快速验证产品价值。
产品定义
目标用户
- 主教练：赛前掌握对手攻防模式，节间获得结构化调整建议
- 数据分析师：统一多源数据口径，建立可复用的球队与球员档案
- 内容运营：基于比赛事件自动生成短视频与图文素材
MVP 边界
以“赛前对手情报”为切入点，先打通数据归一与报告生成，再叠加视频分析与片段导出能力。
成功标准
教练组能在 10 分钟内获得一场比赛的结构化情报，并追溯到原始数据或视频片段。
关键决策路径
不同数据平台对同一球员、同一球队的定义各不相同，直接聚合会得到错误结论。
数据层必须先建立统一实体模型，否则上层的画像、对比与报告都会基于脏数据。
- 为每个报告单独写适配器
- 建立 SourceCollector 框架与实体归一机制
设计 SourceCollector 采集框架，按平台适配后输出统一实体与快照。
Why：让数据层成为可复用资产，为长期追踪、跨赛季对比和多源交叉验证打下基础。
Impact：新增数据源只需扩展适配器，上层报告逻辑零改动；球员跨平台归一后支持长期画像追踪。
教练对 AI 生成结论的信任度有限，关键决策不能依赖“黑箱输出”。
AI 产品要在专业场景落地，必须让每一条结论都可被验证、可被兜底。
- 直接生成自由文本报告
- 构建 Agent 证据包 + 结构化生成 + 模板回退
采用多 Agent 证据链：采集 Agent 归一数据，视频 Agent 识别事件，证据 Agent 组装来源，写作 Agent 生成报告。
Why：证据链让教练可以逐条验证；模板回退保证在 AI 不确定性高时仍能输出稳定结果。
Impact：报告从“看起来专业”变成“可被审计的推断链”，显著提升教练组接受度。
AI 视频分析属于长时计算任务，用户不可能停留在页面等待结果。
长任务必须被当作一等公民：持久化、可观测、可恢复，而不是前端的一次性请求。
- 前端长轮询阻塞等待
- 设计异步任务状态机与持久化队列
将视频分析抽象为状态机任务：planned → queued → running → succeeded/failed，支持断点恢复与进度同步。
Why：用户可关闭页面后回来查看结果；系统也为后续多任务并发、优先级调度与分布式扩展预留结构。
Impact：构建了可扩展的 AI 计算调度层，支撑多场比赛并行分析与未来多机位同步处理。
系统设计
数据流
原始数据经 SourceCollector 归一后进入实体库与快照表；原始视频经 YOLO/OCR/时序对齐生成事件时间轴；证据 Agent 将数据与视频片段组装为证据包，写作 Agent 据此生成结构化报告。
AI / 工作流
多 Agent 按职责协作，每个 Agent 输出结构化结果并留痕，形成“数据来源 → 事件识别 → 证据组装 → 报告生成”的可追溯链路。
核心产品体验
视频剪辑工作台
解决的问题：用户上传比赛视频后，需要直观看到分析进度与可用结果。
- · 任务状态机实时展示
- · 环境检测与 GPU 资源可视化
- · 原视频与任务队列同屏管理
价值：让长时 AI 分析过程透明、可控，用户无需猜测任务是否还在运行。
赛前对手分析报告
解决的问题：教练需要在赛前快速了解对手攻防特点与关键球员。
- · 球队报告 + 教练画像双报告
- · 每项结论基于结构化证据
- · 支持 HTML 可视化与 PDF 导出
价值：把分散数据转化为可执行的赛前情报，减少临场决策的信息缺口。
演示视频
构建与交付
设计：围绕“数据情报化、情报报告化、报告视频化”三条主线拆解里程碑，先做可验证的核心闭环，再叠加多源数据与导出能力。
技术栈：React + TypeScript + Vite 前端；FastAPI + SQLAlchemy + PostgreSQL 后端；YOLO + PaddleOCR + LLM；Nginx + systemd 部署。
Vibe Coding：使用 Codex / Claude Code / Kimi 等 AI 工具辅助前后端开发与问题排查，例如定位 zip >2GB 循环崩溃并推动 BigInteger 修复。
MVP 路线：v0.1–v0.2 验证“视频 → 事件 → 片段”核心流水线；v0.3–v0.4 建立 SourceCollector 与赛前报告；v0.5–v0.6 叠加导出、URL 输入与任务调度优化。
结果与价值
- 建立“数据采集 → 结构化存储 → 证据链报告 → 视频片段”的完整 AI 分析闭环
- 将赛前情报整理、报告撰写与片段剪辑的人工耗时从数小时级压缩至分钟级（项目估算）
- 通过 Agent 证据链与模板回退机制，兼顾智能生成与结论可信度
- 设计可扩展的异步任务状态机，为后续多机位同步分析与高并发处理预留架构空间
复盘
被验证的假设：教练真正需要的不是“更多数据”，而是“带证据的可执行结论”。
对 AI 产品的理解：AI 产品经理的核心是设计“可信工作流”——让智能输出可被审计、可被兜底、可被组织接受。