Review Agent

Jimmy 自研的 async pre-meeting / pre-PR review coach —— 在 briefer 把材料发给 responder 之前，让 AI 用 responder 的标准把它打回来。

1. 核心产品 / 服务

一个 top-down 评审 agent：requester 把要发出去的材料（会议 brief、PR、提案）丢给 skill，agent 模拟 responder 的视角跑一轮 critical review，输出 dissent log + decision-ready summary，要求 requester 改到 "responder bar" 才放行。

框架：4-pillar review（Background / Materials / Framework / Intent）+ Responder Simulation。Requester 发草稿 → agent 走 4-pillar 检查 → 同时模拟 responder 可能的反驳 → close 时同时 deliver 给 responder + requester。

版本路线：

• v1（已废弃）：基于 hermes-agent runtime，Lark WS channel，per-pairing workspace
• v2.x：迁到 openclaw runtime，per-peer dynamic workspace（workspace-feishu-ou_<openid>），watcher + systemd seeder 抢在 SOUL.md 写入前注入模板
• v3（当前）：独立服务，FastAPI + DeepSeek，systemd --user 部署，独立端口 8080，与 openclaw 完全隔离

多模态 I/O：PDF、image-OCR、Lark doc 直接 ingest。

部署形态：可作为 hermes/openclaw skill 安装，也可作为独立服务跑（v3 是后者）。

2. 服务对象 & 痛点

Primary user：Jimmy 自己，以及任何向更高等级 responder 汇报的人（subordinate-to-superior 沟通场景）。

痛点：

• 草稿发出去前没人帮你压力测试 —— responder 会问什么、framework 是不是站得住、intent 写没写清
• 2026 年市面上 pre-meeting AI 都是 bottom-up（给接收者做 pre-read 总结），没人做 top-down（训练发送者达到接收者的 bar）
• 自我 review 有盲点，找人 review 又欠人情/不够及时

Trigger 场景：开会前给 boss / 投资人 / co-founder 发 brief，PR 提交前自审，提案文档定稿前。

3. 竞争格局

邻近但不重合：

• Pre-read 类（Granola, Read.ai, Otter）—— bottom-up，给 receiver 做摘要，不教 sender 怎么写
• PR review 类（Greptile, CodeRabbit, inferact）—— 只盖代码 diff，不覆盖 narrative materials
• Writing assistant（Grammarly, Lex）—— 改语法 / 风格，不模拟 responder 的反驳

差异化：top-down 评审 + responder simulation + dissent log，把 responder 的 bar 显式编码成 4-pillar，而非泛泛 "make it better"。

4. 独特观察

• "Top-down review" 这个 niche 现在没人占（2026-04 调研结论），是结构性空白还是市场不够大尚未验证 —— 重装 v3 + 接 Lark 后会有更多 live data。
• 设计上把 dissent log 与 summary 分离：dissent 给 requester（让他知道哪些点站不住），summary 给 responder（让会开得快），是 ai-human-hybrid 的一种实现。
• v2 → v3 的关键教训：skill-as-plugin 模式（v2 跑在 openclaw 里）的 lifecycle 管理（install/uninstall/upgrade）远比想象中难，issue #1 一次记录了 7 个 uninstall bug；v3 改成独立服务后 lifecycle 干净很多。
• 与 personal-ai-delegate 是同一 personal-ai stack 里的不同层：PAID 是 outbound delegate（替你发消息 / 决策），review-agent 是 inbound gate（替你压住要发出去的内容）。
• 推理 backend 用 deepseek（V4 Pro / V4 Flash，2026-04 起；早期跑在 v3 系列），thinking-disable 模式跑，性价比比 Claude / GPT 高一档，对 review 这种 long-context-但-不需-超-creative 的任务够用。

5. 财务 / 融资

非商业项目。Jimmy 个人 self-host，运行成本主要是 DeepSeek API 调用（per-review 量级 ~cents）+ 一台共享 VPS。GitHub repo 公开作为 skill release，无变现路径在规划中。

6. 关联人 & 公司

• 作者 / 维护者：Jimmy（owner.json 配置驱动，无 hardcode）
• 依赖 runtime：hermes-agent（v1）、openclaw（v2.x，无 wiki 条目）
• 推理 provider：deepseek（v3 主力 model）
• 同 stack 邻居：personal-ai-delegate —— 同一个人 AI 体系下的 outbound 端
• 相关 module：claude-code-sessions（开发工作流）、ai-human-hybrid（设计哲学）、human-in-the-loop-ai（close-loop 交付模式）

---

Sources

• local: 2026-04-20-summary.md
• local: memory/project_review_agent.md (v2.x 设计 + 卸载教训)
• local: memory/project_review_agent_v3_deploy.md (v3 部署架构)