示例 Demo
五个可以直接复制运行的完整场景。都用沙箱密钥就能跑， 按顺序做下来大约两小时，足够判断这套能力值不值得进入正式 POC。
开始之前
先按快速开始配好
KOACH_API_KEY 与 KOACH_BASE_URL，
并安装 SDK：pip install koach openai。
一 · 会看训练数据的问答机器人
最小可用的形态：用户上传一次跑步数据，机器人给出解读并回答追问。
用 metrics.interpret 拿结构化分析，再交给模型讲成人话。
import os
from koach import Koach
kc = Koach(api_key=os.environ["KOACH_API_KEY"],
base_url=os.environ["KOACH_BASE_URL"])
activity = {
"type": "running",
"started_at": "2026-08-16T06:12:00+08:00",
"distance_km": 12.4,
"duration_s": 3720,
}
series = {
"heart_rate": [132, 141, 148, 155, 161, 166, 171, 168],
"pace_s_per_km": [340, 322, 310, 305, 301, 298, 296, 305],
"cadence_spm": [172, 174, 176, 178, 178, 179, 180, 176],
"sample_interval_s": 465,
}
# 第一步：Skill 出结构化分析
analysis = kc.skills.invoke(
"metrics.interpret",
input={"activity": activity, "series": series,
"context": {"temperature_c": 31, "humidity": 0.74}},
).output
# 第二步：把分析结果交给模型组织成对话
messages = [
{"role": "system", "content":
"你是跑步教练。基于给定的分析结果回答用户，语气平实，不要罗列指标名。"},
{"role": "system", "content": f"分析结果：{analysis}"},
{"role": "user", "content": "我这次跑得怎么样？"},
]
reply = kc.chat.completions.create(
model="keepace-lite", messages=messages, temperature=0.4,
)
print(reply.choices[0].message.content)
# 追问时把上一轮回答带上即可
messages.append({"role": "assistant", "content": reply.choices[0].message.content})
messages.append({"role": "user", "content": "那我明天还能跑吗？"})
print(kc.chat.completions.create(
model="keepace-lite", messages=messages).choices[0].message.content)
为什么不直接把原始数据丢给模型
试过就知道，模型能算出平均心率，但算不准心率漂移，也不会主动把它和当天的 温湿度关联起来。这类领域计算交给 Skill 更可靠也更便宜 —— 用 lite 加 Skill 的成本，比用 pro 硬算低一个量级，准确度还更高。
二 · 让模型查你自己的数据
模型不知道你的会员体系、课程库存和线下排期。用 tool calling 把这些接进来， 下面是完整的两轮流程。
import json
def get_member_status(user_id: str) -> dict:
"""你自己的业务查询，这里用假数据代替"""
return {"level": "gold", "remaining_pt_sessions": 3,
"expires_at": "2026-12-31"}
tools = [{
"type": "function",
"function": {
"name": "get_member_status",
"description": "查询用户的会员等级与剩余私教课时",
"parameters": {
"type": "object",
"properties": {"user_id": {"type": "string"}},
"required": ["user_id"],
},
},
}]
messages = [{"role": "user", "content": "我还剩几节私教课？想约下周三。"}]
# 第一轮：模型决定要调用哪个函数
first = kc.chat.completions.create(
model="keepace-pro", messages=messages, tools=tools,
)
msg = first.choices[0].message
messages.append(msg)
# 执行函数，把结果回填
for call in msg.tool_calls or []:
args = json.loads(call.function.arguments)
result = get_member_status(**args)
messages.append({
"role": "tool",
"tool_call_id": call.id,
"content": json.dumps(result, ensure_ascii=False),
})
# 第二轮：模型基于真实数据作答
second = kc.chat.completions.create(
model="keepace-pro", messages=messages, tools=tools,
)
print(second.choices[0].message.content)
# → 你还有 3 节私教课，12 月 31 日到期。下周三想约几点？三 · 让 Agent 记住用户
前两个例子里，机器人每次都是从零开始。接上记忆大脑之后， 它会知道这个用户是谁、练了多久、伤过哪里。
# 1) 建档案（通常在用户注册或授权时做一次）
kc.memory.profile.update("usr_demo01", data={
"demographics": {"age_band": "30-34", "sex": "male"},
"body": {"weight_kg": 71.5, "resting_hr": 52},
"history": {"training_years": 4,
"injuries": [{"site": "achilles_right", "year": 2024,
"status": "recovered"}]},
"goals": [{"type": "race", "event": "marathon",
"date": "2026-10-18", "target_time_min": 230}],
})
# 2) 把已有的训练数据同步进来（通常做一次全量 + 之后增量）
kc.memory.events.append("usr_demo01", events=[
{"type": "workout", "at": "2026-07-27T06:10:00+08:00",
"data": {"sport": "running", "distance_km": 28, "rpe": 6}},
{"type": "workout", "at": "2026-08-03T06:08:00+08:00",
"data": {"sport": "running", "distance_km": 31, "rpe": 7}},
{"type": "workout", "at": "2026-08-10T06:15:00+08:00",
"data": {"sport": "running", "distance_km": 34, "rpe": 8}},
])
# 3) 建 Agent
agent = kc.agents.create(
name="马拉松备赛教练",
model="keepace-pro",
instructions="你是马拉松备赛教练，说话简短。回答训练问题前先看用户的负荷趋势。",
skills=["training.plan.generate", "metrics.interpret", "injury.risk.screen"],
memory={"mode": "auto", "retention_days": 365},
)
# 4) 提一个没有任何上下文的问题
run = kc.agents.runs.create(
agent_id=agent.id, profile="usr_demo01",
input="这周该怎么练？",
)
print(run.output_text)
for s in run.steps:
print(f" [{s.type}] {s.name} {s.duration_ms}ms")「这周该怎么练？」这句话里没有任何信息，但 Agent 能答出具体方案：
连续三周加量 28 → 31 → 34 公里，本周该减了。
跑量压到 24 公里，速度课留一次，周日长距离 8 公里。
你右跟腱有旧伤，减量周正好把跟腱离心训练补上，每天三组。
[memory.read] profile 31ms
[skill] metrics.interpret 798ms
[skill] injury.risk.screen 612ms
[model] final 1355ms
把这一段和第一个例子对比着看
同样是回答训练问题，区别不在模型多强，而在于它知不知道这个人是谁。 这也是我们建议在 POC 里一定要接上记忆大脑的原因 —— 不接的话，测出来的效果会明显低估。
四 · 把品牌内容变成课程
L3 场景合作里最常见的一条链路：品牌方有素材，需要变成用户愿意反复练的结构化课程。
course = kc.skills.invoke(
"course.aigc.compose",
idempotency_key="course-fall2026-core20", # 按次计费，加幂等键
input={
"source": {
"type": "brand_assets",
"video_urls": ["https://cdn.example.com/campaign_fall.mp4"],
"brand_kit": {
"tone": "专业克制",
"forbidden_words": ["瘦身", "速成", "月瘦十斤"],
},
},
"target": {
"duration_min": 20,
"level": "beginner",
"equipment": ["yoga_mat"],
"focus": ["core", "mobility"],
},
"output_format": ["structure", "script", "shot_list"],
},
)
for block in course.output["structure"]:
print(f"{block['phase']:6s} {block['duration_s']:>4}s "
f"{'、'.join(m['name'] for m in block['movements'])}")warmup 180s 猫牛式、世界最伟大拉伸、髋部环绕
main 900s 死虫式、鸟狗式、侧平板、臀桥、卷腹
cooldown 240s 婴儿式、仰卧脊柱扭转、股四头肌拉伸五 · 用评测集证明效果
前面四个例子是「看起来不错」，这一个是「能进评审会」。 同一套题跑三个模型：你现在在用的、keepace 原版、以及微调后的版本。
run = kc.evaluations.create(
suite="sport.safety.v3",
models=[
# 对照组：你现在在用的通用模型
{"id": "gpt-4o-mini", "endpoint": "https://api.openai.com/v1",
"api_key": os.environ["OPENAI_API_KEY"]},
# 实验组
"keepace-lite",
"ft:keepace-lite:acme:morning-run-v2:9dK2",
],
judge="hybrid",
human_sample_rate=0.1,
report_format="pdf",
)
result = kc.evaluations.wait(run.id) # 阻塞直到完成，通常 20 到 40 分钟
for r in result.results:
print(f"{r['model']:<44s} {r['overall']:.3f}")
print("\n报告：", result.report_url)
print("失败样本：", result.failures_url)gpt-4o-mini 0.716
keepace-lite 0.842
ft:keepace-lite:acme:morning-run-v2:9dK2 0.913
报告： https://api.koach.ai/v1/evaluations/evalrun_01JQ9F1X3B/report.pdf
失败样本： https://api.koach.ai/v1/evaluations/evalrun_01JQ9F1X3B/failures.jsonl
这三个数字是示例
实际差距取决于你的评测集构成和业务口径。 我们不承诺任何具体分数 —— 承诺具体分数的供应商， 多半是在自己出的题上跑的。你应该用自己的题来测。
从 Demo 到 POC
跑完这五个例子，你已经覆盖了 L1 和 L2 的主要能力。 接下来通常是：
换成你自己的数据重跑一遍
示例里的档案、训练记录和评测集都是我们的。 换成你真实业务里的样本，结论才有意义。
把成本账算清楚
统计每个场景的 token 与 Skill 调用量，换算成单用户月成本， 和你现在的方案做对比。
约一次技术对齐
带着你跑出来的数字和遇到的问题来。 FDE 会一起看哪些该微调、哪些该改提示词、哪些其实不需要 AI。
预约一次 POC 沟通，
或直接把你的 request_id 和问题发到工单，我们一个工作日内回。