AI项目

0. 一句话定位

一个“AI学习 Copilot + 知识库”的网站：围绕学习目标→计划→学习→练习→诊断→复习→输出的闭环，让 AI 既负责辅导，也负责把学习过程沉淀成结构化的个人知识库与作品集。

1. 核心设计原则（决定体验上限）

• 短上下文优先：任何长材料都要被拆成可复用的知识点卡片（每卡片一页/一块），避免单页无限增长导致检索与AI对话性能变差
• “AI先做，人来确认”：AI负责生成/整理/建议，人类负责验收与改写（保证可信度）
• 以学习任务流组织，而不是以“资料堆”组织：用户永远知道下一步学什么
• 产出驱动：每个阶段都要产出可展示内容（笔记、题解、项目、复盘）
• 可追溯：任何结论能回到来源材料、笔记版本、练习记录

2. 目标用户与典型场景

• 用户画像
  • 零基础入门：需要解释、类比、学习计划、即时反馈
  • 有工程背景：需要快速补齐理论 + 直接上手项目
  • 面试/考试导向：需要题库、错题复盘、薄弱点诊断
  • 研究/进阶：需要论文精读、实验复现、知识关联
• 场景
  • “我想学LLM应用工程，给我一条路径并按我每天1小时安排”
  • “这节课太长，拆成知识点并给每个知识点的最小例子”
  • “我做题总错在这类，帮我定位原因并补练”
  • “把我的零散笔记整理成结构化页面并建立链接”

3. 产品信息架构（面向AI学习闭环）

• Home / Dashboard
  • 今日任务（学习/练习/复习）
  • 当前路径进度与里程碑
  • 薄弱点雷达（来自错题/测验/停滞点）
  • 最近笔记与待确认（AI草稿待验收）
• Paths（学习路径）
  • 角色/目标驱动：LLM应用工程、传统ML、DL基础、MLOps、AI Systems…
  • 每条路径由“节点（Node）”构成：每个节点有目标、材料、练习、产出
• Concept Cards（知识点卡片库）
  • 每个知识点独立页（短摘要 + 例子 + 练习 + 关联）
  • 前置/后继/相似概念图谱
• Study Session（学习会话/课程工作台）
  • 导入材料（课程/文章/论文/视频字幕）→AI拆分→生成卡片与练习
• Practice（练习与测验）
  • 题库、测验、编程题、错题本、间隔复习
• Notebook（个人笔记库）
  • 原始笔记（raw）
  • 结构化笔记（AI整理后）
  • “待确认队列”（AI输出等待用户验收）
• Projects（项目与作品集）
  • 项目模板、里程碑、产出页面、复盘
• Resources（资源库）
  • 课程/文章/论文/工具，带元数据与适用路径

4. AI能力系统（产品差异化核心）

4.1 AI导师（讲解与引导）

• 分层讲解：小白版/工程版/公式版/面试版
• 追问式学习：苏格拉底提问，逼近概念边界
• 例子生成：最小可运行例子（MRE）+ 反例
• 代码辅导：解释、补全TODO、性能/正确性提示

4.2 AI学习诊断（个性化的关键）

• 从数据推断薄弱点：错题类型、反复停留的节点、笔记空洞处
• 输出补救策略：补前置、换材料、加练习、做项目
• 学习节奏调参：根据完成率与难度自动调整每日负载

4.3 AI内容拆分与“压缩上下文”管线（你原始想法的工程化）

• 输入：文章/课程字幕/笔记/论文
• 处理：
  • 结构提取（章节→段落→概念）
  • Chunking（按语义切块）
  • 概念抽取（候选知识点）
  • 卡片生成（模板化）
  • 去重与合并（同义概念）
  • 关联建立（前置/后继/对比）
• 输出：
  • 知识点卡片（短摘要）
  • 来源引用（可追溯）
  • “待确认队列”（人审）

4.4 AI练习生成与自动反馈

• 题目类型：概念理解题、推导题、编程题、案例分析
• 自动批改：评分维度（思路/正确性/复杂度/边界条件）+ 针对性反馈
• 学习强化：错题本 + 间隔复习 + 重做机制

5. 内容与数据模型（落地到数据库/页面的结构）

• Concept Card（知识点卡片）字段建议
  • 标题
  • 一句话定义（<= 30字）
  • 3-5条要点（bullet）
  • 最小例子（可选）
  • 常见误区（可选）
  • 前置知识（关系）
  • 后继知识（关系）
  • 练习入口（关系）
  • 来源（资源链接/引用）
  • 状态：草稿/待确认/已确认/待更新
• Path Node（路径节点）字段建议
  • 目标
  • 前置
  • 推荐材料（必修/选修）
  • 练习/测验
  • 产出物（笔记/项目）
  • 预计时长
• Practice Item（练习题）字段建议
  • 题目、答案、解析、标签、难度、关联知识点
  • 用户作答记录、得分、错误类型

6. MVP定义（第一版必须“能闭环”）

• 必做
  • 1条学习路径（例如：LLM应用工程）
  • 50个核心知识点卡片（统一模板 + 短摘要）
  • 导入材料→AI拆分→生成卡片（最小可用）
  • AI导师对单个知识点的问答/讲解
  • 练习：每个知识点至少3题 + 错题本
  • Notebook：raw→结构化（AI草稿 + 待确认队列）
  • 搜索与标签
• 暂缓
  • 社区共建
  • 复杂图谱可视化（先用关联列表即可）
  • 完整MLOps/大规模个性化推荐

7. 指标与迭代（上线后怎么判断有效）

• 学习闭环指标
  • 路径节点完成率、周留存
  • 练习正确率提升、错题回访率
  • “待确认队列”清空速度（AI输出可用性）
• 体验指标
  • 搜索成功率（搜索后是否打开并停留）
  • 用户主观评分：解释是否清晰、建议是否准确

8. 里程碑（建议节奏）

• M1：信息架构 + 数据模型 + 核心模板定稿
• M2：MVP内容填充（路径 + 卡片 + 练习）
• M3：导入材料→拆分→卡片生成→人审闭环打通
• M4：上线试用 + 指标看板 + 快速迭代

9. 原始想法

AI大纲（图谱/目录）→每个知识点独立卡片页（短上下文）→Notebook（raw笔记）→AI+Human协作整理成结构化卡片→再反哺路径与练习。