NicheCompass — 热门赛道时间审计 × 小众方向价值评估器一、实际应用场景描述你坐在电脑前复盘过去半年- 学了三个月大模型微调所有人都在聊- 刷了两百小时行业资讯怕错过风口- 参加了五个热门研讨会大家都去- 结果简历上多了一行关键词但心里空空的与此同时你偶然帮朋友修了一次老式胶片相机花了一个周末没人知道也没人点赞但你记得那种手指沾着机油、齿轮咔哒转动的感觉——那是你半年里唯一一次觉得我在做事。你问自己两个问题1. 我花了多少时间在追热门2. 那些没人注意的小众探索到底给了我什么NicheCompass 就是为这两个问题而生的工程化工具——它不告诉你该选什么赛道它给你一套审计框架记录时间去向量化两类投入的回报然后让你自己看见——你的注意力到底在喂养谁又在荒废谁。二、引入痛点痛点 本质问题 本工具解法FOMO错失恐惧 害怕错过风口 → 盲目追热门 时间追踪 机会成本显性化从众惯性 大家做什么我就做什么 热门/小众标签强制分类热门回报虚高 只看曝光不看实质收获 多维回报量化技能/连接/满足感小众价值隐形 没人讨论 没价值 长期复利系数 独特性评分赛道模糊 不知道自己真正适合什么 数据驱动的赛道推荐决策焦虑 选热门怕卷选小众怕饿死 风险-回报四象限分析三、核心逻辑讲解理论基础工程化映射1. 注意力经济学Herbert Simon- 信息消耗注意力注意力成为稀缺资源- 本工具将注意力时间作为核心记账单位2. 差异化战略Blue Ocean Strategy- 热门 红海竞争激烈利润薄- 小众 蓝海竞争少价值独特- 本工具用竞争强度 × 独特性评估赛道质量3. 刻意练习理论Ericsson- 有效进步需要专注、反馈、挑战- 热门方向往往碎片化、浅层化- 本工具追踪深度工作时间占比4. 长期主义Compound Effect- 小众方向的回报往往是滞后的、非线性的- 本工具引入复利系数修正短期偏见核心算法流程记录时间投入按活动细分↓自动分类热门 vs 小众基于讨论热度 / 从业人数 / 资本关注度↓多维回报评估每次活动后技能增长 | 连接质量 | 市场认可 | 个人满足 | 长期价值↓时间汇总 回报加权↓赛道质量评分热门赛道回报总和 ÷ 时间投入 × (1 - 竞争强度)小众赛道回报总和 ÷ 时间投入 × 复利系数 × 独特性↓风险-回报四象限分析↓个人适配度计算基于满足感权重 技能匹配↓推荐核心赛道 实验性小众 保留的热门关键指标定义指标 公式 含义时间投资比 热门时间 ÷ 总时间 你多大程度在随大流单位时间回报 总回报 ÷ 总时间 效率赛道质量分 回报加权 ÷ 时间 × 修正系数 赛道性价比独特性指数 1 - (从业者数 ÷ 总人口) 越稀有越高个人适配度 满足感权重 × 0.4 技能匹配 × 0.3 长期价值 × 0.3 适合你的程度机会成本 热门时间 × (小众单位回报 - 热门单位回报) 追热门的隐性代价四、代码模块化六层架构目录结构nichecompass/ ← 28 个 Python 文件 / ~2300 行├── main.py ← 入口层Application 容器 CLI 调度├── config.py ← 配置层赛道分类/权重/阈值/菜单│├── models/ ← 数据模型层dataclass不可变│ ├── enums.py ← 枚举方向类型/回报维度/风险等级│ ├── time_entry.py ← TimeEntry 实体时间记录│ ├── activity.py ← Activity 实体具体活动│ ├── return_record.py ← ReturnRecord 实体回报评估│ ├── niche_profile.py ← NicheProfile 实体赛道画像│ └── career_recommendation.py ← CareerRecommendation 实体│├── storage/ ← 持久化层Repository 模式│ └── json_store.py ← CRUD 原子写入 自动备份│├── services/ ← 业务层7 个 Service单一职责│ ├── tracking_service.py ← 时间追踪开始/结束/标签│ ├── classification_service.py ← 热门/小众自动分类│ ├── return_service.py ← 多维回报评估│ ├── analysis_service.py ← ★ 核心赛道分析引擎│ ├── comparison_service.py ← 热门 vs 小众对比│ ├── recommendation_service.py ← 赛道推荐引擎│ └── report_service.py ← 综合报告 导出│├── cognition/ ← 认知干预层│ ├── fomo_detector.py ← FOMO 行为检测│ ├── bandwagon_bias.py ← 从众偏差识别│ └── value_reframer.py ← 价值重构热门→小众│├── utils/ ← 工具层纯函数零业务依赖│ ├── cli_helper.py ← 终端交互│ ├── dashboard.py ← 终端可视化│ ├── statistics.py ← 加权/回归/聚类│ ├── date_util.py ← 时间计算│ ├── text_processor.py ← 关键词/主题提取│ └── validator.py ← 输入校验│├── README.md / USAGE.md / CHEATSHEET.md└── demo.py ← 一键跑通全流程各层职责边界层 能做什么 不能做什么main.py 组装系统、路由菜单 不写业务逻辑config.py 集中管理常量/分类/权重 不含逻辑models/ 数据结构、校验、序列化 不读写文件storage/ 读写 JSON、备份、查询 不知道数据含义services/ 核心业务逻辑 不直接操作文件cognition/ FOMO检测、价值重构 不修改数据utils/ 纯函数工具 零业务依赖核心模块代码展示1️⃣ 数据模型不可变 自校验# models/time_entry.pydataclass(frozenTrue)class TimeEntry:时间记录实体 —— 不可变防止篡改历史entry_id: stractivity_name: strstart_time: datetimeend_time: datetime | None None # None 表示进行中direction_type: str unknown # mainstream / niche / hybridtags: List[str] field(default_factorylist)notes: str def __post_init__(self):if not self.activity_name.strip():raise ValueError(活动名称不能为空)if self.end_time and self.end_time self.start_time:raise ValueError(结束时间不能早于开始时间)propertydef duration_minutes(self) - int:if not self.end_time:return 0delta self.end_time - self.start_timereturn int(delta.total_seconds() / 60)propertydef is_mainstream(self) - bool:return self.direction_type mainstream# models/return_record.pydataclass(frozenFalse) # 允许更新因为有修正机制class ReturnRecord:回报评估实体 —— 每次活动后的多维打分record_id: strentry_id: strskill_growth: int 0 # 1-10技能增长connection_quality: int 0 # 1-10连接质量market_recognition: int 0 # 1-10市场认可personal_satisfaction: int 5 # 1-10个人满足感long_term_value: int 5 # 1-10长期价值notes: str def __post_init__(self):for field_name, value in self.__dict__.items():if field_name.endswith((_growth, _quality, _recognition,_satisfaction, _value)):if not (0 value 10):raise ValueError(f{field_name} 必须在 0-10 之间)def weighted_return(self, weights: Dict[str, float]) - float:计算加权回报return (self.skill_growth * weights.get(skill, 0.25) self.connection_quality * weights.get(connection, 0.15) self.market_recognition * weights.get(market, 0.20) self.personal_satisfaction * weights.get(satisfaction, 0.25) self.long_term_value * weights.get(long_term, 0.15))设计意图时间记录不可变历史事实回报评估可修正认知更新多维打分避免单一指标偏见。2️⃣ 分类引擎热门 vs 小众判定# services/classification_service.pyclass ClassificationService:方向分类引擎 —— 基于多维度判断热门/小众def __init__(self):# 热门方向关键词可配置self.mainstream_keywords {ai: [大模型, LLM, 微调, RAG, Agent],web3: [区块链, NFT, DeFi, 元宇宙],career: [大厂, 上岸, 考公, 跳槽],skills: [Python, React, SQL, Excel],}# 小众方向特征低讨论度 高专业度self.niche_indicators {low_discussion: 0.3, # 讨论热度低于30%high_expertise: 0.7, # 专业度高于70%small_community: 10000, # 从业者少于1万long_history: 10, # 存在超过10年}def classify_activity(self, activity_name: str,description: str ) - Tuple[str, float]:返回(分类结果, 置信度)置信度 0-1越高越确定text f{activity_name} {description}.lower()# 1. 关键词匹配mainstream_score 0for category, keywords in self.mainstream_keywords.items():for kw in keywords:if kw.lower() in text:mainstream_score 1# 2. 语义分析简化版实际可用 embeddingniche_score self._detect_niche_features(text)# 3. 综合判断if mainstream_score 2:return mainstream, min(0.9, mainstream_score * 0.3)elif niche_score 0.6:return niche, niche_scoreelif mainstream_score 1:return hybrid, 0.5 # 混合方向else:return unknown, 0.1def _detect_niche_features(self, text: str) - float:检测小众特征score 0.0# 特征1包含专业术语expert_terms [算法, 架构, 范式, 拓扑, 熵]if any(term in text for term in expert_terms):score 0.3# 特征2提及具体问题而非泛泛而谈specific_words [如何, 为什么, 原理, 实现, 调试]if any(word in text for word in specific_words):score 0.2# 特征3长度较长通常小众话题描述更详细if len(text) 50:score 0.1return min(1.0, score)设计意图不是二元分类而是概率化判断支持混合方向现实中大量存在。3️⃣ 分析引擎核心算法# services/analysis_service.pyclass AnalysisService:赛道分析引擎 —— 计算各类指标def analyze_direction_performance(self,entries: List[TimeEntry],returns: List[ReturnRecord]) - Dict:分析不同方向的表现# 1. 按方向分组grouped self._group_by_direction(entries, returns)results {}for direction, data in grouped.items():if not data[entries]:continue# 2. 基础统计total_time sum(e.duration_minutes for e in data[entries])avg_return self._avg_return(data[returns])total_return sum(r.weighted_return(CONFIG.RETURN_WEIGHTS)for r in data[returns])# 3. 赛道质量评分quality_score self._calculate_niche_quality(direction, data, total_time, total_return)# 4. 个人适配度fit_score self._calculate_personal_fit(data[returns])results[direction] {total_time_minutes: total_time,entry_count: len(data[entries]),avg_return: avg_return,total_return: total_return,quality_score: quality_score,personal_fit: fit_score,roi: total_return / max(total_time, 1), # 每分钟回报compound_factor: self._estimate_compound_factor(data),}return resultsdef _calculate_niche_quality(self, direction: str,data: Dict,total_time: int,total_return: float) - float:计算赛道质量分if direction mainstream:# 热门赛道回报除以竞争强度competition_penalty self._estimate_competition(data)base_score (total_return / max(total_time, 1)) * 100return base_score * (1 - competition_penalty)elif direction niche:# 小众赛道回报乘以复利系数和独特性uniqueness self._calculate_uniqueness(data)compound_factor self._estimate_compound_factor(data)base_score (total_return / max(total_time, 1)) * 100return base_score * compound_factor * uniquenesselse: # hybridreturn (total_return / max(total_time, 1)) * 80 # 中性评分def _estimate_competition(self, data: Dict) - float:估算竞争强度0-1# 简化版基于活动频率和热门关键词frequency len(data[entries]) / 30 # 每月平均次数mainstream_kw_ratio self._count_mainstream_keywords(data) / len(data[entries])# 高频 高热度关键词 高竞争return min(0.8, frequency * 0.1 mainstream_kw_ratio * 0.7)def _calculate_uniqueness(self, data: Dict) - float:计算独特性指数1-3倍# 基于小众关键词密度 专业深度 社区规模niche_kw_density self._count_niche_keywords(data) / len(data[entries])depth_avg sum(r.long_term_value for r in data[returns]) / len(data[returns])# 独特性 基础值(1.0) 关键词加成 深度加成return 1.0 niche_kw_density * 1.0 (depth_avg - 5) * 0.2def _estimate_compound_factor(self, data: Dict) - float:估算复利系数1-2倍# 小众方向通常有更高的复利效应consistency self._calculate_consistency(data) # 连续性depth sum(r.long_term_value for r in data[returns]) / len(data[returns])# 持续投入 高深度 高复利return 1.0 consistency * 0.5 (depth - 5) * 0.1设计意图热门和小众用不同公式计算体现其本质差异引入复利系数修正短期偏见。4️⃣ 推荐引擎赛道决策# services/recommendation_service.pyclass RecommendationService:赛道推荐引擎 —— 基于数据给出建议def generate_recommendations(self,analysis_results: Dict,user_preferences: Dict) - CareerRecommendation:生成个人化发展建议# 1. 找出最佳赛道best_niche self._find_best_niche(analysis_results)best_mainstream self._find_best_mainstream(analysis_results)# 2. 风险评估risk_assessment self._assess_risks(analysis_results, best_niche)# 3. 时间重分配建议reallocation self._suggest_time_reallocation(analysis_results, user_preferences)# 4. 生成具体行动actions self._generate_action_plan(best_niche, best_mainstream, reallocation)return CareerRecommendation(primary_nichebest_niche,secondary_directionbest_mainstream,risk_levelrisk_assessment[level],time_reallocationreallocation,concrete_actionsactions,reasoningself._explain_recommendation(analysis_results, best_niche),confidenceself._calculate_confidence(analysis_results))def _find_best_niche(self, results: Dict) - Optional[str]:找出最有潜力的小众方向niche_candidates {k: v for k, v in results.items()if k niche or niche in k}if not niche_candidates:return None# 评分 质量分 × 个人适配度 × 复利系数scored {}for name, data in niche_candidates.items():score (data[quality_score] * 0.4 data[personal_fit] * 0.4 data[compound_factor] * 0.2)scored[name] scorereturn max(scored, keyscored.get)def _suggest_time_reallocation(self,results: Dict,preferences: Dict) - Dict[str, float]:建议时间重分配百分比current {mainstream: results.get(mainstream, {}).get(total_time_minutes, 0),niche: results.get(niche, {}).get(total_time_minutes, 0),hybrid: results.get(hybrid, {}).get(total_time_minutes, 0),}total sum(current.values())if total 0:return {mainstream: 50, niche: 40, hybrid: 10}current_pct {k: v / total * 100 for k, v in current.items()}# 基于 ROI 和个人适配度调整adjustments {}for direction, data in results.items():if direction in current_pct:roi_weight data.get(roi, 1.0)fit_weight data.get(personal_fit, 5.0) / 10.0# 高 ROI 高适配 增加时间adjustment (roi_weight - 1.0) * 10 (fit_weight - 0.5) * 20adjustments[direction] adjustment# 应用调整确保总和仍为100%new_pct {}for direction in [mainstream, niche, hybrid]:base current_pct.get(direction, 0)adj adjustments.get(direction, 0)new_pct[direction] max(0, base adj)# 归一化total_new sum(new_pct.values())return {k: v / total_new * 100 for k, v in new_pct.items()}5️⃣ FOMO 检测器认知层# cognition/fomo_detector.pyclass FOMODetector:FOMO 行为检测 —— 识别非理性跟风def detect_fomo_patterns(self,entries: List[TimeEntry],returns: List[ReturnRecord]) - List[Dict]:检测 FOMO 模式patterns []# 模式1高频低回报的热门活动mainstream_low_return self._find_low_return_mainstream(entries, returns)if mainstream_low_return:patterns.append({type: high_frequency_low_return,description: f在{mainstream_low_return}上花费大量时间但回报很低,severity: high,suggestion: 考虑减少此类活动或改变参与方式})# 模式2突然转向热门方向sudden_shifts self._detect_sudden_shifts(entries)for shift in sudden_shifts:patterns.append({type: sudden_shift_to_trending,description: f突然从{shift[from]}转向热门方向{shift[to]},severity: medium,suggestion: 问自己是真的感兴趣还是怕错过})# 模式3小众方向浅尝辄止abandoned_niches self._find_abandoned_niches(entries, returns)for niche in abandoned_niches:patterns.append({type: abandoned_niche,description: f在小众方向{niche}上投入不足就放弃,severity: medium,suggestion: 小众方向需要更长周期才能见效考虑延长投入时间})return patternsdef _find_low_return_mainstream(self,entries: List[TimeEntry],returns: List[ReturnRecord]) - Optional[str]:找出高频低回报的热门活动mainstream_entries [e for e in entries if e.is_mainstream]if len(mainstream_entries) 5:return None# 按活动名分组by_activity {}for entry in mainstream_entries:name entry.activity_nameif name not in by_activity:by_activity[name] {entries: [], returns: []}by_activity[name][entries].append(entry)# 匹配回报return_map {r.entry_id: r for r in returns}for name, data in by_activity.items():data[returns] [return_map[e.entry_id] for e in data[entries]if e.entry_id in return_map]# 找出高频低回报for name, data in by_activity.items():if len(data[entries]) 5 and data[returns]:avg_return sum(r.weighted_return(CONFIG.RETURN_WEIGHTS)for r in data[returns]) / len(data[returns])total_time sum(e.duration_minutes for e in data[entries])# 高频20次且低回报4.0if len(data[entries]) 20 and avg_return 4.0:return namereturn None6️⃣ 入口层依赖注入# main.pyclass Application:def __init__(self):# 6 个 Storeself.entry_store JSONStore(DATA_DIR/entries.json, ...)self.activity_store JSONStore(DATA_DIR/activities.json, ...)self.return_store JSONStore(DATA_DIR/returns.json, ...)self.profile_store JSONStore(DATA_DIR/profiles.json, ...)self.recommendation_store JSONStore(DATA_DIR/recommendations.json, ...)self.log_store JSONStore(DATA_DIR/logs.json, ...)# 认知层3 个组件self.fomo_detector FOMODetector()self.bandwagon_detector BandwagonBiasDetector()self.reframer ValueReframer()# 业务层7 个 Serviceself.tracking_svc TrackingService(self.entry_store, self.activity_store)self.classifier_svc ClassificationService()self.return_svc ReturnService(self.return_store)self.analysis_svc AnalysisService()self.comparison_svc ComparisonService()self.recommendation_svc RecommendationService(self.recommendation_store, self.profile_store)self.report_svc ReportService(self.entry_store, self.return_store,self.recommendation_store, self.log_store)# CLIself.cli CLIHelper()项目统计指标 数值Python 文件 28 个总代码量 ~2300 行架构层数 6 层外部依赖 0仅标准库方向分类 3 类热门/小众/混合回报维度 5 维技能/连接/市场/满足/长期认知偏差检测 FOMO / 从众 / 短期偏见数据持久化 本地 JSON 自动备份五、README 文件完整 README.md 已包含在项目中核心内容# NicheCompass把我该选什么方向变成我的时间到底在喂养什么。## 安装python 3.8仅标准库## 快速开始python demo.py # 看演示python main.py # 正式使用## 核心理念- 注意力是最稀缺的资源- 热门 ≠ 适合你- 小众 ≠ 没价值- 数据是决策的基础## 核心功能- 时间追踪自动分类热门/小众- 多维回报评估不只看钱- 赛道质量分析ROI 独特性 复利- 个人适配度计算- 风险-回报四象限- 发展建议生成## 设计原则- 不贩卖焦虑- 不鼓吹小众- 不神化数据- 本地优先六、使用说明USAGE.md 节选如何正确记录场景 记录方式学大模型课程 活动名吴恩达大模型课第3章方向热门修胶片相机 活动名清洁Minolta X-700快门方向小众参加行业大会 活动名AI大会Day1方向热门写技术博客 活动名写Rust内存管理文章方向混合回报评估怎么填维度 问自己技能增长 我学到新东西了吗连接利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
