【社会服务赛道】DPU·需求势能引擎：让AI通过12维需求分析，读懂你话语背后的真实意思
【标签】 社会服务 社会公益
【标题】 【社会服务赛道】DPU·需求势能引擎：让AI通过12维需求分析，读懂你话语背后的真实意思
可直接体验： http://122.51.21.225
项目展示页： http://122.51.21.225/project_showcase.html
开源仓库： https://github.com/AlphEJ/demand_potential_v4.0
0. 先和大家打个招呼
-
你是谁： 我是一名大专生，计算机网络专业，大三即将毕业。平时喜欢读心理学和哲学相关的书，也喜欢自己思考、琢磨事情。我不是 AI 科班出身——大模型、前端、后端这些知识，全是通过 AI 工具自学的。
-
你是怎么用 TRAE 把 Demo 做出来的： 这个项目起源于我对"理解"本身的思考。我发现 AI 能说出很流畅、很体贴的话，但它其实"不知道"什么对人类更重要。我把这个哲学想法告诉了 TRAE，TRAE 帮我搜索了大量学术论文来验证，惊奇地发现我的想法和认知心理学中的图式理论（Schema Theory）、神经符号主义（Neuro-Symbolic AI）等前沿研究方向高度一致——而我在产生这些想法的时候，甚至根本不知道这些理论的名字。
从 v1.0 的一个纯哲学猜想开始，我和 TRAE 反复讨论"需求驱动主义"理论；v2.0 时 TRAE 帮我找到了皮亚杰的图式理论、马斯洛需求层次、Neuro-Symbolic AI 等相关论文，验证了我的想法，并和我一起设计出了势能计算的数学公式；v3.0 用 Streamlit 做出了最小可行性验证，加入了 12×12 需求关联矩阵；v4.0 到 v4.2 期间，我反复升级底层核心算法，加入注意力加权动态矩阵、LLM+DPU 协同模式、贝叶斯用户画像。全程使用 TRAE Solo 模式，我负责提出想法和验收，TRAE 负责搜索论文、设计算法、写代码、部署上线。我边做边学，逐渐掌握了 Python 后端、React 前端、LLM 接入等全栈技能。
1. Demo 简介
-
是什么： 一个基于马斯洛需求层次理论的 12 维 AI 需求分析引擎网站
-
面向谁：
- 想了解自己真实需求的人（职场困惑、情感纠结、人生选择）
- 需要情感陪伴和心理洞察的用户
- 开发 AI 应用的开发者（可作为价值判断模块接入）
-
主要功能：
首页：
功能 1：智能理解 · 三级对比分析
输入任意中文文本，DPU 会同时用三种方式分析，让你直观看到 AI "理解能力"的跃升。
下图展示了一个真实案例——用户说"工作太累了想辞职，但又怕找不到更好的工作，存款也不多，房贷还要交"。左边是纯关键词匹配（只能做子串扫描，把"累"识别为生理需求），中间是 DPU 引擎（语义向量 + 势能计算，纠正为安全稳定需求），右边是 LLM+DPU 完整版（大模型先理解语义，再交给 DPU 做价值判断，结果最精准）。
再往下滚动，还能看到 12 维激活值的详细对比表格，以及 DPU 独有的"推理路径追踪"——展示需求信号是如何在 12 维关联矩阵中传导激活的。这让 AI 的"黑盒判断"变成了完全透明的可解释过程。
功能 2：人格沙盘 · NeedLab
这是一个交互式人格对话沙盘。选择预设人格（Luna、Kai、Nova 等）或创建自定义人格，开始实时对话。每发一句话，右侧的 12 维雷达图就会实时更新，展示 DPU 引擎分析出的需求变化。
下图是和 Luna（一个"外冷内热的傲娇前任"人格）的对话。当我输入"我想你了"，Luna 的回应既傲娇又带温度——而右侧雷达图清晰地显示：情感陪伴需求被强烈激活（91%），同时尊重认可需求也在上升。DPU 甚至能诊断出她"嘴硬心软"背后的真实心理动因。
继续对话后，雷达图会随每轮对话动态变化。下图展示更多轮次后的状态：情感陪伴和尊重认可双双达到 100%，而生理生存和安全稳定被压制到 0%——这完全符合心理学上的"当情感需求被满足时，底层生存需求退居次要"的规律。
功能 3：势能计算 · 数学透明
DPU 的核心不是黑盒 AI，而是完全透明可解释的数学模型。这个页面完整展示了从原始输入到最终排序的 4 步计算过程：
- 意图门控：Intent < 0.3 则排除，过滤"嘴上说不要身体很诚实"类的虚假信号
- 基础势能：P_base = LevelWeight × (w_E×E×I + w_R×(1-R) + w_I×Intent) + w_L×Level
- 注意力耦合：v4.2 新增动态注意力加权矩阵，两个需求同时高激活时关联度自动增强（如情感+尊重共激活 → +42%）
- 最终排序：P_final = max(0, P_couple × Decay × (1 - Load) + Wait × ΔP)
所有公式、系数和中间结果都在页面上完整展示——这不是"AI 告诉你要做什么"，而是"AI 告诉你它为什么认为这个更重要"。
功能 4：需求洞察 · 图像语义解析
这是 v4.2 新增的图像分析功能。上传一张图片（比如聊天记录截图、朋友圈文案、甚至一张表情包），DPU 会自动提取图片中的文字内容，并进行 12 维需求分析。
推荐使用通义千问 API：本项目支持多家 LLM，但强烈建议配置通义千问的 API Key。原因有二：一是通义千问对中文语义理解最精准；二是配置了通义千问的视觉模型后，需求洞察和装逼检测功能可以直接上传图片，系统自动提取文字并完成分析，体验大幅提升。
功能 5：模型配置 · 多厂商支持
在"模型配置"页面，你可以选择不同的 LLM 提供商（通义千问、DeepSeek、Kimi、Ollama 本地模型），粘贴自己的 API Key，测试连接，保存配置。
API Key 仅存储在你的浏览器 localStorage 中，不上传任何服务器，完全保障隐私安全。不配置 API Key 也能使用纯 DPU 算法模式，但配置了 LLM 后可以获得更精准的自然语言理解能力。
再次推荐通义千问：本项目与通义千问配合效果最佳，视觉模型支持让图片分析成为可能。
功能 6：智能体 · DPU 诊断
DPU 驱动的 AI 对话 Agent，每轮对话自动触发需求势能分析。你描述自己的困扰，DPU 会识别出核心需求冲突、生成诊断报告、给出可执行的改善建议。
下图是一个真实场景：用户说"最近工作很累，每天加班到很晚，感觉身体吃不消。但又很担心如果松懈下来，会被别人超越，影响我的职业发展"。DPU 诊断出核心冲突是"生理生存（0.58）被审美价值（0.22）压制"——身体在发出警报，但大脑还在追求工作成就。系统给出了具体建议：每天固定 15 分钟"无产出时段"，关掉消息提醒，做一件与审美价值直接相关的小事——这不是休息的借口，而是给被压制需求一个"入场通道"。
功能 7：装逼检测 · 社交信号分析
这是一个有趣的社交分析工具。粘贴一段对话，DPU 会自动识别"装逼信号"、量化装逼指数、推断装逼人格类型。
下图展示了一个羽毛球约球对话的分析过程。左边是输入的对话内容，右边是 DPU 自动解析出的对话结构和角色标注。
分析结果显示：左边角色的装逼指数为 31 分（基本正常），被判定为"社交玩家"类型——“主动邀约、慷慨分享、做局安排，把社交做成自己的秀场”。DPU 进一步分析了 TA 的表达策略（“可量化的慷慨”“物资筹备作为视觉化道具”）、心理动因（“第一需求是被邀请，第二需求是被认可”），以及需求分布雷达图。
这个功能的深层价值不在于"检测装逼"，而在于理解社交行为背后的心理需求——每一个"炫耀"背后，都可能是某种未被满足的需求在寻求补偿。
2. Demo 创作思路
灵感来源：一个从哲学推导出来的想法
这个项目的灵感，起源于我对"理解"这件事本身的思考。
心理学上有一个概念叫流体智力和晶体智力：晶体智力是知识和经验的积累，就像一个大型的数据库；流体智力是逻辑推理和解决新问题的能力。我发现，现在的大模型虽然训练数据量巨大，但它本质上更像一个拥有极强晶体智力的存在——它"知道"很多东西，但它"不理解"这些东西对人类意味着什么。
比如我问 AI："我工作太累了想辞职，但又怕找不到更好的工作，存款也不多。“AI 会给我很多建议：“你要平衡工作和生活”“试试冥想放松”“更新一下简历”。这些话都对，但都不是我最需要的。它识别到了"累”“辞职”"存款"这些关键词，但它没有理解我此刻真正的心理冲突——安全稳定 vs 自由掌控。
这让我想到：人在生活中是有价值观的。我们通过价值观来调用自己的知识去做决策。而 AI 缺少的，恰恰就是这套"价值观"。
于是我开始思考：理解的本质是什么？
心理学告诉我们，长时记忆的存储只有两种方式：语义编码和表象编码。语义编码，本质上就是"理解"。而理解是什么呢？理解就是把新的东西和旧的东西进行绑定。
举个例子：一个中国人学英语，他会把 “apple” 和自己已经知道的"苹果"这个概念绑定在一起；一个英语母语者学中文，他会把"苹果"和自己已经知道的 “apple” 绑定在一起。同样是苹果这个事物，不同的语言用不同的符号来表示，但人理解它的方式，都是把它和自己已有的知识网络连接起来。
所以我说：理解的本质，就是翻译。
带着这个想法，我继续思考：人是怎么理解别人的需求的？当你听到"想辞职但怕找不到工作"，你调用的不是字面意思，而是"生存焦虑"“资源匮乏”“社会比较"等一整套已有的认知框架。这让我隐约感觉到，人脑中似乎存在某种"认知图式”，新信息进来时，会自动激活相关的旧图式。
学术验证：我的想法被哪些论文印证了
我把这个纯哲学的推导过程告诉了 TRAE，请它帮我搜索相关的学术论文。TRAE 帮我找到了大量论文，我惊奇地发现：我在不知道这些理论名字的情况下，自己推导出的结论和多条学术前沿高度一致：
- 图式理论（Schema Theory，Piaget, 1926）：人脑通过已有的认知图式来理解新信息。这和我推导的"理解就是把新东西和旧东西绑定"几乎完全一致。
- 马斯洛需求层次理论（Maslow, 1943）：需求有优先级层级，底层需求满足后高层需求才会凸显。这印证了我设想的"层级压制"机制。
- 神经符号主义（Neuro-Symbolic AI，Gary Marcus 等，2020s）：将神经网络（感知）与符号推理（规则）结合，是实现可解释 AI 的重要方向。我设想的"LLM 负责理解语言 + DPU 负责价值判断"的架构，与这一方向不谋而合。
- 认知负荷理论（Cognitive Load Theory，Sweller, 1988）：工作记忆的容量有限，信息需要通过图式化才能高效处理。这支持了我关于"需求图式激活度量化"的核心假设。
这种"不谋而合"给了我极大的信心：我的直觉方向是对的，而且这个方向在学术界是被认可的前沿。
从理论到实践：解决什么实际问题
在确认理论方向可行后，我开始思考：这个想法能解决什么实际问题？
生活中有太多时候，我们说不清自己到底怎么了。“工作太累了想辞职但又怕”“TA 对我到底有没有真心”“我到底是累了还是抑郁了”——这些困惑，跟朋友说怕不好意思，跟 AI 说又觉得它不懂你。
DPU 引擎就是给 AI 一套"价值观"： 它不替代大模型，而是作为大模型的价值决策层——LLM 负责理解语言，DPU 负责判断优先级。两者协同，才能让 AI 真正"懂"人。
这就是"需求势能"的由来：
- 势能值高 = 该需求图式被强烈激活 = 这个人此刻真的需要这个
- 层级压制 = 底层需求图式激活时抑制高层图式 = 符合马斯洛金字塔
- 耦合增强 = 相关需求同时激活 = 图式网络中的共振效应
为什么做这个方向
这个项目本质上属于神经符号主义（Neuro-Symbolic AI）的实践：
- 神经（LLM）：负责感知、语义理解、模糊推理
- 符号（DPU）：负责规则、价值判断、可解释推理
这比单纯的 LLM 系统更接近人类真实的认知过程。而且，这个方向在学术界和工业界都还处于早期——我希望通过 TRAE 把这个想法快速落地，让更多人看到"AI 价值判断"的可能性。
3. Demo 体验地址
在线体验： http://122.51.21.225
项目展示页（含截图 + 介绍 + 新手配置指南）：http://122.51.21.225/project_showcase.html
开源仓库（核心算法以 .pyd 编译二进制保护）：https://github.com/AlphEJ/demand_potential_v4.0
HTML 附件：作品介绍页压缩包
project_showcase.zip (523.3 KB)
提示：配置通义千问 API Key 后可体验 LLM+DPU 完整版（含图片分析功能）。不配置也能使用纯 DPU 算法模式。展示页底部有详细的新手配置指南。
4. TRAE 实践过程
从哲学到论文：TRAE Solo 帮我完成了不可能的事
这个项目最神奇的地方在于：我在不知道相关学术理论的情况下，自己推导出了与前沿论文几乎一致的结论。 而这一切，离不开 TRAE Solo。
我要特别感谢 TRAE Solo。 作为一名大专生，我没有导师、没有实验室、没有学术资源。但 TRAE Solo 让我具备了像研究生一样做研究的能力。
事情是这样的：我平时喜欢读心理学和哲学的书，也喜欢自己思考。有一天我突然想到——人理解新事物的方式，是不是就是把新东西和旧东西"连上线"？我把这个想法整理成了一个"理解的本质是翻译"的哲学命题，并且进一步推导：如果人理解需求也是通过类似的"图式激活"机制，那么是不是可以把马斯洛的需求层次转化为可计算的数学模型？
我把这个纯哲学的想法告诉了 TRAE。TRAE 帮我搜索了大量学术论文，我惊奇地发现：
- 我的想法和图式理论（Schema Theory，由皮亚杰提出）高度一致
- 我推导的"需求激活-传导"机制和神经符号主义（Neuro-Symbolic AI）的研究方向不谋而合
- 我设想的"层级压制"和马斯洛需求层次理论的优先满足原则完全吻合
TRAE 帮我找到的论文包括：Piaget 的图式理论、Maslow 的需求层次、Gary Marcus 关于 Neuro-Symbolic AI 的论述、Sweller 的认知负荷理论等。我通过 TRAE 的论文搜索和摘要整理功能，快速理解了这些理论的核心观点，并发现它们和我的直觉推导高度一致。
这种"不谋而合"给了我极大的信心：我的直觉方向是对的，而且这个方向在学术界是被认可的前沿。
在这个过程中，TRAE 不只是帮我找论文，它还帮我梳理思路、指出我推导中的漏洞、建议我参考哪些数学工具。比如在设计势能计算公式时，我最初的想法很模糊，TRAE 建议我参考动态系统理论中的势能概念和贝叶斯更新的方法论，最终帮助我设计出了 4 步势能计算模型。
自学与成长
为了把想法变成现实，我通过 TRAE 自学了大量底层算法和理论知识：
- 数学基础：线性代数（矩阵运算）、概率论（贝叶斯更新）、动态系统理论
- 算法设计：注意力机制、关联矩阵、层级压制策略、冲突仲裁算法
- 心理学理论：图式理论、马斯洛需求层次、认知负荷理论、语义编码与表象编码
- AI 前沿：Neuro-Symbolic AI、可解释 AI（XAI）、LLM 价值对齐
每学到一个新概念，我都会和 TRAE 讨论：“这个能不能用在 DPU 里？”"怎么和现有的架构结合？"TRAE 会帮我分析可行性，给出实现建议。就这样，我一个大专生，通过 TRAE Solo，做到了很多研究生在做的事情——查阅论文、设计算法、验证理论、构建系统。
迭代历程
| 版本 | 形态 | 关键里程碑 |
|---|---|---|
| v1.0 | 哲学讨论 | 和 TRAE 反复讨论"需求驱动主义"理论，纯哲学推演。从"理解的本质是翻译"出发，推导出需求图式激活的猜想 |
| v2.0 | 公式化 | TRAE 帮我搜索论文验证可行性（图式理论、马斯洛层次、Neuro-Symbolic AI），一起设计势能计算的数学公式。将哲学猜想转化为可计算的数学模型 |
| v3.0 | Streamlit 验证 | 基本交互界面，验证算法可行性。加入 12×12 需求关联矩阵，验证了"图式传导"的猜想 |
| v4.0 | 完整产品 | React + FastAPI 全栈重构，10 个页面。将核心算法与前端可视化结合 |
| v4.2 | 算法升级 | 注意力加权动态矩阵 + LLM+DPU 协同 + 需求洞察（图像分析）+ 装逼检测 |
核心协作模式
我的工作方式是：我提出想法 → 和 TRAE 讨论 → TRAE 搜索论文验证 → 我学习论文 → 设计算法 → TRAE 帮我实现 → 我验收 → 下一轮迭代
- 提出想法：我会先自己思考一个概念（如"理解的本质是翻译"“图式理论能不能量化为势能值”），用自然语言描述给 TRAE
- 讨论验证：TRAE 帮我搜索认知心理学、Neuro-Symbolic AI、需求理论等相关论文，分析可行性。最惊喜的是，TRAE 帮我找到了和我想法几乎一致的学术论文
- 学习论文：TRAE 帮我整理论文摘要和核心观点，我阅读后确认理论方向，并思考如何与我的设计结合
- 设计算法：确认方向后，我和 TRAE 一起设计具体的数学模型（4 步势能计算、12×12 关联矩阵、层级压制公式等）
- 全流程实现：从核心算法（Python + NumPy）到前端界面（React + TypeScript）到部署上线（Nginx + 腾讯云），全部由 TRAE Solo 模式完成
- 测试迭代：每实现一个版本，我测试、反馈问题，进入下一轮
在这个过程中，我不只是做出了一个产品，更通过 TRAE 学习了大量心理学理论和 AI 前沿知识。感谢 TRAE Solo，让一个大专生也能做到这些。
开发关键步骤截图（4 张）
截图 1：代码审查与架构分析
项目从 v3.0 迭代到 v4.0 时，我先让 TRAE 对整个项目仓库做了一次全面的代码审查。TRAE 自动分析了 12 个核心算法文件，输出了一份完整的项目分析报告，包括代码结构、潜在问题和优化建议。这帮助我在重构前清晰地了解了"哪些要改、哪些要保留"。
截图 2：部署架构决策
项目需要部署到国内服务器（让国内用户能访问）。我把需求告诉 TRAE 后，它帮我对比了三种腾讯云部署方案（轻量服务器 vs 云函数 vs 云托管 Docker），从内存限制、成本、可控性等维度给出了推荐结论：选择腾讯云轻量应用服务器（2C2G），Nginx 同时托管前端和代理后端 API。
截图 3：展示页生成与部署
参赛需要一个精美的作品展示页。我让 TRAE 帮我生成 HTML 展示页，TRAE 先设计了蓝白科技磨砂玻璃风格的页面，然后通过 termbin 生成临时下载链接，再通过 Web Shell 一行命令部署到服务器上——全程无需 SSH 连接。
截图 4：技术文档与理论验证
在整个开发过程中，我多次让 TRAE 帮我搜索学术论文、验证理论可行性。下图展示的是 v3.0 → v4.2 的技术架构文档生成过程，TRAE 帮我整理了 12 章的架构设计文档，涵盖需求驱动主义哲学基础、12 维需求定义、势能量化数学模型、DPU-LLM 接口定义等。
关键任务对话 Session ID（4 个）
- Session ID 1：
186286561574313:576dc2a40344197f5605965a18613127_6a3a22beccc25d64e215b921.6a3a22beccc25d64e215b924.6a3a22beccc25d64e215b922:TRAE Work CN.0.1.24.no_sid.no_ppe.T(2026/6/23 14:07:58)（代码审查与架构分析） - Session ID 2：
186286561574313:f3ac8eb4d31c4eab1d15ce1e21c606c3_6a3fd2b4a55e5d31315a2ded.6a4005c550f98ceb483683bc.6a4005c550f98ceb483683ba:TRAE Work CN.0.1.24.no_sid.no_ppe.T(2026/6/28 01:17:57)（部署架构决策） - Session ID 3：
186286561574313:954e253c465e8820f96df9376263d709_6a3fd2b4a55e5d31315a2ded.6a40d09e50f98ceb483684a4.6a40d09e50f98ceb483684a2:TRAE Work CN.0.1.24.no_sid.no_ppe.T(2026/6/28 15:43:26)（技术文档生成） - Session ID 4：
186286561574313:0fe51d68ca1fece06388d919ffdd4c55_6a40ff6f50f98ceb48368664.6a40ff6f50f98ceb48368667.6a40ff6f50f98ceb48368665:TRAE Work CN.0.1.24.no_sid.no_ppe.T(2026/6/28 19:03:11)（参赛展示页与帖子撰写）
5. 应用场景：DPU 能帮到什么？
个人层面：帮你读懂自己
- 职场困惑："我该不该辞职？"→ DPU 分析出安全稳定 vs 自由掌控的冲突强度，给出基于需求优先级的建议
- 情感纠结："TA 到底在想什么？"→ 人格沙盘模拟对方的 12 维需求状态，帮你理解行为背后的动机
- 社交分析："这段对话里谁在装逼？"→ 装逼检测识别社交信号，理解炫耀背后的心理需求，增加社交趣味性和社交货币价值
- 图像洞察：上传聊天记录截图、朋友圈文案，DPU 自动提取文字并分析背后的心理需求
开发者层面：给 AI 一个价值观
- 游戏 NPC：让角色拥有真实需求驱动，饿了会吃饭、危险会逃跑、无聊会社交
- 智能客服：识别"我只是问问"与"我真的很需要"的差异，给出恰到好处的回应
- AI Agent：为多智能体系统提供需求优先级排序，实现更智能的任务调度
6. 技术架构
- 前端：React 18 + TypeScript + Vite + Tailwind CSS + ECharts + Framer Motion
- 后端：Python 3.11 + FastAPI + NumPy + FAISS + sentence-transformers + LangGraph
- 部署：腾讯云轻量服务器 + Nginx 反向代理
- LLM 接入：工厂模式支持通义千问、DeepSeek、Kimi、Ollama 本地模型
API Key 仅存储在用户浏览器 localStorage，不上传任何服务器。
7. 未来规划
- v5.0：多轮对话的贝叶斯画像系统完善，实现"越聊越懂你"
- v6.0：游戏 NPC 集成（Phaser.js），让 DPU 驱动游戏角色的真实行为决策
- 长期：作为通用 AI 价值判断模块，接入各类 LLM 应用场景
8. 项目信息
- 技术栈：React 18 + TypeScript + FastAPI + Python 3.11 + NumPy + LangGraph
- 代码仓库：https://github.com/AlphEJ/demand_potential_v4.0 （核心算法以 .pyd 编译二进制保护）
- 部署地址：http://122.51.21.225（点击可直接体验）
- 展示页面：http://122.51.21.225/project_showcase.html
参赛赛道：社会服务 · 2026 TRAE AI 创造力大赛
