它能做什么
- 智能问答：四个模型随时切换，长对话自动压缩上下文。
- 知识管理：Markdown 笔记与备忘录，边学边记。
- 职业发展：上传 PDF 简历，结合目标岗位给优化建议。
- 编程练习：AI 出题、提交代码、自动评测与反馈。
- 法律问答：中文法律文档 RAG 检索，带出处回答。
智能问答笔记简历优化编程练习法律问答
写代码解决过很多问题，
现在想搞清楚的是——
人和 AI 一起，能做出什么能长期跑下去的东西。
学氧助手是我一个人从 0 做到线上的 AI 学习助手。这页说明它是什么、我为什么做，以及背后那套技术基本盘和研发方法。不保证对，但都是自己掂量过的。
01 · 产品
学氧助手，一个 AI 学习助手
它不是演示，是一个每天在跑的系统：多模型、可观测、数据按人隔离。
它是怎么搭起来的
- 前端 Vue 3 + Element Plus，后端 FastAPI，LLM 编排走 LangChain / LangGraph。
- 四个模型统一走 OpenAI 兼容接口，换模型只换 api_base 和 key。
- 每个访客一份独立数据目录：SQLite + ChromaDB，互不干扰。
- 上下文压到模型窗口 80% 自动压缩，检索用 RAG，流式输出走 SSE。
Vue 3FastAPILangGraphLangChainSQLiteChromaDB
为什么要做它
我想验证的不是"模型能不能答题"，而是大模型进到真实产品里，怎么做到可观测、可诊断、成本可控。学氧助手就是我的实验场：一个人加一套 AI 工作流，从架构一直做到上线。现在是公开的早期版本——匿名可以直接试用，但匿名身份有限额且会被新访客覆盖，想长期留数据就登录。
02 · 基本盘
我的技术基本盘
一句话：擅长 Java 和架构，会用 AI，能写前端。它们不是并列的技能清单，而是一套能完整落地一个系统的组合。
Java 与架构，是地基
16 年，从百度、度小满到大华。循着"系统到底怎么撑住"这条线走下来：微服务拆分、数据一致性、性能优化、容器化部署，到组件化解耦、热备和高可用。
- 主导 10 人团队的国有大行门禁联网项目交付，40 万人员规模。
- 基础视频服务拆分为 6 个独立模块，热备故障恢复从 2 小时优化到 15 分钟。
- 上云迁移、8000 QPS 活动保障、Kafka 解耦异步链路。
JavaSpring Cloud微服务架构设计
AI，是新工具，也是新边界
过去一年我花了很多时间在 AI 应用落地和 AI 辅助研发上。不是追热点，而是想搞明白：大模型能力进到真实业务系统后，哪些能增收、哪些能提效、哪些只是噱头。
- 独立从 0 到 1 上线两个 AI 应用：AI 诊断治理平台、学氧学习助手。
- 把 Agent、RAG、多模型接入做成可运维的业务系统，而非 Demo。
- 用两套 AI 工作流交付同一项目，做对比、下自己的判断。
LangGraphRAGAgentOpenCodeCodeBuddy
我的判断
不要迷信"AI 自动写、自动运维"。未来软件不会自己进化，而是——人定义目标与边界，AI 负责生成、执行、诊断和反馈，人通过评估、治理和审查控制演进方向。这个分工，是我所有 AI 实践的原点。
03 · 流程
基于 AI 的研发流程，应该长什么样
AI 不会消灭研发流程,而是把它从"写代码"重构为"定义问题、分配任务、校验结果"。这是我目前的心智模型。
定义目标与边界由人定,不清不楚不动工
生成AI 负责把规格转成初版代码
执行自动跑测试、编译、静态检查
诊断失败时 AI 归因、人复核、修正
治理可观测、成本、安全,人在环上把关
关键在"定义"和"治理"这两头
最容易翻车的地方,从来不是 AI 写不对代码,而是人没讲清楚要什么,和做完之后没有人把关。AI 把中间三环(生成、执行、诊断)的效率拉得很高,于是人的精力被逼着向两端集中——想清楚,和管得住。
我自己的实践是拿两套工具链做同一件事:一套更看重"规划先行"(SpecKit),一套更看重"即时协同"(Superpowers)。对比下来,我的结论是——工具决定下限,方法和判断决定上限。流程的价值在于把"靠谱"从靠个人手感,变成组织可复制的能力。
- 规格先行:可测试的输入,是 AI 生成质量的锚点。
- 自动化校验:让 AI 的输出在进门之前先被机器验一遍。
- 人在环上:评估、审查、兜底——最后一道闸门永远是人。
- 数据回流:把失败归档成经验,让下一轮生成更强。
规格驱动自动校验人在环上数据回流