# 知习 AI 工作流与学习 Agent 设计总结 > **设计方向文档。** > > **实现状态**：阶段 0 全部完成，三层架构（Provider → Gateway → Workflow）已落地。详见 [[已完成]-AI架构决策清单.md](./[已完成]-AI架构决策清单.md) > > **最后更新**：2026-05-16 ## 一、核心原则 知习的 AI 能力不应该是一套通用聊天接口，也不应该所有业务都共用同一套 AI 工作流。 更合理的设计是： ```text 以产品业务流程为主导 按业务场景划分 AI 工作流 按任务复杂度选择模型 用用户学习画像实现“越用越懂你” 后期再演进为受控的学习 Agent ``` 当前阶段不建议一开始就做完全自治 Agent，也不建议为每个用户单独部署一个真实 Agent 进程。 更合理的是： ```text 统一 AI Workflow Engine + 每个用户独立的学习画像 + 每个用户独立的长期学习记忆 + 可复用的 Prompt / Skill / Workflow = 逻辑上的个人学习 Agent ``` 用户感知上可以是“我的专属学习 Agent”，但技术实现上不应该是一人一个独立运行的 Agent。 --- ## 二、为什么不能所有业务共用一套 AI 工作流 知习里的 AI 任务类型差异很大。 例如： ```text 知识导入 主动回忆分析 费曼解释分析 待巩固项生成 复习卡片生成 长期学习趋势分析 后台风控和成本监控 ``` 这些任务的输入、目标、模型要求、成本要求都不同。 所以不应该设计成： ```text 所有任务 → 同一个 Prompt → 同一个模型 → 同一种分析结果 ``` 而应该设计成： ```text 不同业务场景 → 不同 AI Workflow → 不同模型策略 → 不同结构化输出 ``` --- ## 三、业务分级工作流设计 ### 1. 知识导入工作流 目标：把用户输入的内容整理成可学习结构。 ```text 上传文档 / 输入内容 → 文本提取 → 内容清洗 → 知识点切分 → 生成标题 / 摘要 / 标签 → 用户确认 → 入库 ``` 适合模型： ```text 便宜模型 中档模型 规则代码 ``` 不需要一开始就使用最强模型。 --- ### 2. 主动回忆分析工作流 目标：判断用户是否真正理解知识点。 ```text 用户提交主动回忆回答 → 检查回答质量 → 提取回答覆盖的要点 → 对比知识点关键点 → 判断理解程度 → 找出遗漏 / 误解 / 模糊表达 → 生成待巩固项 → 生成复习建议 → 保存结构化分析结果 ``` 这是知习最核心的 AI 工作流之一，应该使用主力模型。 适合模型： ```text 主力模型 强模型 必要时结合便宜模型做预处理 ``` 注意：便宜模型可以做清洗和提取，但核心判断最好由主力模型完成。 --- ### 3. 复习工作流 目标：低成本、高频地帮助用户完成间隔复习。 ```text 读取到期复习项 → 生成复习卡片 → 用户回答 → 判断掌握情况 → 更新复习状态 → 更新 nextReviewAt ``` 适合模型： ```text 规则算法 便宜模型 中档模型 少量核心判断使用主力模型 ``` 复习工作流不应该每一步都调用强模型，否则成本会过高。 --- ### 4. 长期学习分析工作流 目标：根据用户一段时间内的学习数据，生成趋势分析和改进建议。 ```text 读取最近 7 / 30 天学习记录 → 统计主动回忆表现 → 统计薄弱点类型 → 识别重复错误 → 分析复习完成率 → 生成阶段性学习报告 → 给出下一阶段建议 ``` 这个工作流可以异步执行，不需要用户实时等待。 适合模型： ```text 中档模型 主力模型 异步队列 ``` --- ### 5. 后台风控与成本分析工作流 目标：控制 AI 成本、监控异常调用、辅助后台运营。 ```text 统计 AI 调用次数 → 计算 token 和成本 → 识别异常用户 → 识别高失败率任务 → 生成后台告警 → 辅助管理员排查问题 ``` 这个工作流主要靠规则和数据库统计，不一定需要强模型。 --- ## 四、模型选择原则 模型选择不应该按“哪个最强”来决定，而应该按任务分级。 可以分成四类： ```text 轻任务：便宜模型 核心分析：主力模型 复杂推理：强模型 后台异步任务：可低优先级慢慢跑 ``` 例如： ```text 简单数据清洗、摘要、标签提取： 使用便宜模型或规则代码。 主动回忆薄弱点分析： 使用 DeepSeek V4 Pro / V4 Flash 这类主力模型。 长期学习趋势分析： 可以异步使用主力模型。 复习卡片生成： 可以使用中档模型或便宜模型。 ``` 关键原则： ```text 便宜模型负责客观提取和清洗 主力模型负责学习判断和薄弱点诊断 强模型必须能看到原始证据，不能只依赖便宜模型的二次总结 ``` 避免这种高风险流程： ```text 用户原始回答 → 便宜模型总结 → 强模型只看总结后做判断 ``` 更安全的是： ```text 用户原始回答 + 知识点原文 / 关键点 + 便宜模型提取结果 → 主力模型综合判断 ``` --- ## 五、用户数据不足时怎么处理 第一版不应该依赖“海量用户数据”。 要区分三种分析： ### 1. 单次回答分析 不需要大量用户数据。 依赖的是： ```text 知识点内容 用户本次回答 知识点关键要点 AI 分析规则 ``` 这个阶段现在就能做。 --- ### 2. 个人学习趋势分析 不需要大量平台用户，但需要同一个用户自己的历史数据。 依赖的是： ```text 最近学习记录 主动回忆提交次数 AI 分析评分变化 待巩固项变化 复习完成率 重复出现的薄弱点 ``` 这个需要用户持续使用一段时间后才能更准确。 --- ### 3. 群体级智能优化 这个需要大量用户数据。 例如： ```text 基于大量用户优化学习路径 预测某类知识点常见错误 优化复习算法 做人群画像 优化会员转化 ``` 这不是第一版重点。 第一版应该聚焦： ```text 基于用户自己的知识内容、主动回忆回答、AI 分析结果和复习表现，逐步形成个人学习画像。 ``` --- ## 六、用户学习画像设计 知习后期所谓“个人 Agent 成长”，不应该理解为模型自己训练升级，而应该理解为系统持续积累用户学习画像。 可以记录： ```text 用户常见薄弱类型 用户常错知识点 用户复习完成率 用户主动回忆平均得分 用户偏好的解释方式 用户经常缺失的回答类型 用户最近学习强度 用户重复出现的错误模式 ``` 这些数据可以组成： ```text UserLearningProfile ``` 有了这个画像后，系统可以逐步做到： ```text 分析时更关注用户常犯错误 复习时优先安排重复薄弱点 生成解释时适配用户偏好 学习报告更贴近用户真实表现 ``` 这就是“学习 Agent 越来越懂用户”的基础。 --- ## 七、Agent 设计原则 知习后期可以做 Learning Agent，但应该是受控 Agent，不是完全自治 Agent。 推荐定义： ```text Learning Agent = 业务工作流 + 用户学习画像 + 长期学习记忆 + 工具调用能力 + 结构化输出 + 权限控制 + 成本控制 + 审计日志 ``` Agent 可以做： ```text 分析用户回答 发现薄弱点 生成待巩固项 安排复习建议 追踪重复错误 生成阶段性学习报告 ``` Agent 不应该随意做： ```text 自动删除用户知识库 自动修改订阅 自动退款 自动封号 自动无限调用 AI 自动访问其他用户数据 ``` 所有关键操作都必须有权限控制、日志记录和后台审计。 --- ## 八、推荐演进路线 ### V0：固定业务工作流 先不做 Agent。 只打通最核心的一条链路： ```text 用户提交主动回忆回答 → AI 分析理解程度 → 生成待巩固项 → 生成复习建议 → 记录 token 和费用 → 前端展示结果 ``` --- ### V1：用户学习画像 开始记录用户长期学习表现。 ```text 薄弱点类型 复习完成率 主动回忆得分 重复错误 知识点掌握变化 ``` 这时系统开始具备“越来越懂用户”的基础。 --- ### V2：逻辑 Learning Agent 在统一工作流引擎上加载用户画像和历史记忆。 ```text 统一 Workflow Engine + 用户学习画像 + 用户历史学习记录 + 用户薄弱点 = 用户专属学习 Agent 体验 ``` 对用户来说，它像一个个人学习 Agent。 但技术上不是每人一个独立进程，而是共享引擎 + 用户级记忆。 --- ### V3：受控技能成长 后期可以引入类似 Agent Skill 的能力。 但不要让 Agent 自由生成并上线技能，而应该： ```text 系统生成候选 Skill → 后台审核 → 灰度发布 → 监控效果 → 正式启用 ``` 这样既能成长，又能保持产品稳定和安全。 --- ## 九、后端概念设计 后端可以逐步抽象出三个核心概念： ```text Workflow：业务工作流 AgentProfile：用户学习画像 Skill：可复用分析策略 ``` 可以预留的数据结构方向： ```text ai_workflows - id - key - name - businessType - version - status ai_workflow_steps - id - workflowId - stepKey - modelTier - promptKey - order - inputSchema - outputSchema user_learning_profiles - userId - weakTypes - preferredExplanationStyle - recallAccuracyAvg - reviewCompletionRate - repeatedMistakes - updatedAt ai_skills - id - key - description - workflowKey - version - isActive - source - createdAt ``` 第一版不一定全部建表，但设计上要预留这些方向。 --- ## 十、当前最应该落地的第一版 当前不应该一上来做完整 Agent 系统。 第一版最适合落地的是： ```text 主动回忆分析 Workflow V1 + AI Usage Logs + Prompt Version + Structured JSON Result + User Learning Profile V1 ``` 具体流程： ```text 1. 用户提交主动回忆回答 2. 后端保存原始回答 3. 规则检查回答是否为空、过短、重复 4. 便宜模型或规则提取回答覆盖点 5. 主力模型分析薄弱点和理解程度 6. 返回结构化 JSON 7. 生成待巩固项 8. 生成复习建议 9. 记录模型、token、费用、耗时、promptVersion 10. 更新用户学习画像 11. 前端展示 AI 分析结果 ``` 这条链路跑通后，知习就不再是一个 AI 聊天壳，而是开始具备真正的主动学习系统能力。 --- ## 一句话总结 ```text 知习的 AI 设计应该从“业务分级工作流”开始，而不是一开始做完全自治 Agent；后期通过用户学习画像、长期记忆和受控 Skill 系统，逐步演进成每个用户感知上的专属学习 Agent。 ``` 这个方向也符合当前项目阶段：现在最重要的是先把 iOS App 和后端真实打通，并围绕最小学习闭环逐步接入真实 AI 分析能力。