基于大模型的个性化知识智能体 MVP

Side Project ｜ 独立开发者
一个面向泛教育/知识产品场景的个性化导学原型：把分散资料、长文本内容、学习目标与复盘追踪串成可执行的智能工作流。

项目背景

针对泛教育产品中“优质知识分散、长文资料难以直接转化为可执行任务”的痛点，我独立设计并落地了一套基于 LLM 的个性化知识智能体 MVP。
该系统将用户画像、任务拆解、执行追踪、证据校验与复盘沉淀自动化串联，目标不是只做一个对话助手，而是验证一条可复用的“知识获取 → 学习执行 → 结果沉淀”的最小产品链路。

项目定位

• 产品形态：基于大模型的个性化教育 / 知识获取 MVP 原型
• 核心用户问题：资料太散、长文太重、学习过程缺少结构化引导与结果反馈
• 核心产品目标：把原始知识内容自动重构为颗粒度可控、可执行、可复盘的学习单元
• 当前状态：已形成可复用的本地工作流与仓库结构，可持续扩展为教育陪练、知识助手或内容导学产品

核心架构与实现

1. Agent 技能与工作流编排

• 将 AI 行为拆为多类结构化 Prompt 组件（Skills），避免把业务逻辑重度硬编码在单个长 Prompt 中
• 通过 .agents/skills/ 与 .agents/workflows/ 组织“督学、学习单元生成、验证、排障、规划”等能力模块
• 借助本地脚本和工作流模板，把外部 Markdown / 文档类长文本自动重构为可交互学习单元
• 学习单元默认内置：
  • 今日目标
  • 原始资料导读
  • 最小可运行示例
  • 带引导的微调练习
  • 自测题
  • 证据提交

2. 双层状态流转机制

我将系统状态拆成两层：

• 长期状态层：由 docs/profile.md 承载，沉淀用户长期目标、时间窗口、学习偏好、阶段进度、投递数据与卡点
• 动态执行层：由 docs/checkins/*.md、docs/dashboard.md、docs/applications.md 等文件承载，跟踪每天/每周的任务执行与结果证据

在执行链路上，AI 会优先读取长期画像约束，再生成当日行动项，并依据证据门禁校验“是否真正完成”。
这套机制让系统不只是“回答问题”，而是能围绕用户目标做上下文感知的任务编排与过程管理。

3. 自动化提效与工程约束

• 使用 uv 统一 Python 环境与依赖管理，降低本地环境准备和脚本运行成本
• 通过 tools/new-checkin.sh 自动创建每日打卡，并检测长期画像是否过期
• 通过证据门禁要求 commit hash / 命令输出 / 截图，把“做了”和“证明做了”区分开
• 对真实模型调用统一走环境变量（默认 OPENAI_API_KEY），避免密钥硬编码进仓库
• 在 notebook-first 流程中优先强调能跑、能改、能讲、可复现，而非只做概念堆砌

业务与工程收益

• 将“资料筛选、学习拆课、任务组织、进度追踪、结果验收、周度复盘”等高内耗环节收敛为模板化 + 脚本化 + 工作流化的半自动链路
• 显著减少从原始长文本资料到可执行学习计划之间的人工整理成本
• 让教育/知识类产品中的“导学逻辑”具备可复用、可追踪、可验证的工程落点
• 当前系统已达到可复用 MVP 状态，具备向个性化教育、内容导学、知识助手等场景平移的潜力

仓库结构

.
├── .agents/
│   ├── skills/          # 结构化 Prompt 组件（督学、排障、学习单元生成、验证等）
│   └── workflows/       # 每日打卡、每周复盘等工作流定义
├── docs/
│   ├── profile.md       # 长期画像 / 长期状态约束
│   ├── checkins/        # 每日执行追踪
│   ├── dashboard.md     # 全局进度视图
│   └── plans/           # 路线图与阶段计划
├── notebooks/           # notebook-first 学习单元
├── projects/            # 后续沉淀为可演示的项目代码
├── resources/           # 本地知识/教程资源
└── tools/               # 自动化脚本

关键设计理念

notebook-first，而不是教程堆积

这里的核心不是“每天新建一个 notebook”，而是每天完成 1 个可运行、可验收的学习单元。
系统会优先把知识内容转成可执行任务，再驱动用户完成最小实现、微调练习和结果沉淀。

Evidence First，而不是口头完成

本项目特别强调工程纪律：
任何“完成了、会了、能跑了”的判断，都应该尽量附带证据，例如：

• Git 提交记录
• 终端命令输出
• 截图或录屏

这使得系统天然更适合向真实产品化或团队协作方向演进。

快速开始

1. 安装依赖

本仓库默认使用 uv：

uv sync

2. 了解规则与工作流

建议按下面顺序阅读：

1. AGENTS.md
2. docs/notebook-first.md
3. docs/profile.md
4. docs/checkins/template.md
5. notebooks/README.md

3. 创建当天执行单

bash tools/new-checkin.sh

4. 如需真实模型调用

默认通过环境变量注入：

export OPENAI_API_KEY=your_key_here

适合展示给谁

这个仓库尤其适合作为以下岗位或方向的作品补充材料：

• AI 应用开发工程师
• 教育 / 内容类 AI 产品原型工程师
• Agent / Workflow 编排方向工程师
• RAG / LLM 应用落地方向实习或校招岗位

后续演进方向

• 将当前本地工作流沉淀为可直接交互的 Web Demo / API 服务
• 增加 RAG、工具调用、LangGraph 编排等更强的执行能力
• 将“个性化导学”拓展为“知识问答 + 任务执行 + 学习反馈”的完整产品闭环