AITeachMe

学习工具很擅长保存资料，也越来越擅长回答一次性问题。更难的问题是连续性：如何把一组课件、论文和笔记变成一个能够记住“已经教过什么、薄弱点在哪里、下一步该做什么”的学习环境。

AITeachMe 是围绕这种连续性构建的资料驱动 AI 学习系统。课程不只是一个文件夹或一次对话，而是连接原始资料、知识资产、伴读问答、诊断测评和持续变化的学习画像的统一边界。

学习闭环

系统将长链路学习过程组织为五个相互连接的引擎：

1. Ingest（透视）：将上传资料转换为标准 Markdown 与可复用资产；
2. Digest（织网）：形成学习方案、知识文档与知识图谱；
3. Interact（伴读）：基于课程证据和对话上下文进行讲解与问答；
4. Examine（诊断）：生成题目、评估作答并解释错因；
5. Profile（显影）：记录掌握度、薄弱点、复习任务与后续学习计划。

真正的价值来自这些阶段之间的复用。资料不能在完成一次摘要后就被丢弃；一次测评的结果应当改变后续教学；生成的知识文档也应能追溯到支持它的课程材料。

将 Workflow 作为后端边界

我在项目中主要负责后端架构与实现。FastAPI 提供应用接口，LangGraph Workflow 协调多阶段 AI 任务；Repository 与共享基础设施分别处理持久化、模型、检索、存储和可观测性，而不在基础设施层拼装具体的学习行为。

这种分层对 AI 产品尤其重要。完成一次模型调用很容易演示；能够汇报进度、从局部失败中恢复、保留证据并产生持久状态的工作流，才让一项能力真正越过演示阶段。

本地优先，同时保留扩展路径

AITeachMe 可以使用本地 SQLite 与文件系统 ContentStore 独立运行；PostgreSQL、pgvector 与兼容 S3 的对象存储则为托管部署提供扩展路径，但云端基础设施不是基础学习闭环的前置条件。

这既是技术选择，也是产品判断。个人学习资料可能具有隐私性，开发环境不应依赖完整服务集群，课程资产也应当保持可迁移。可选的解析服务、模型供应商与云端存储应该增强系统，而不是决定其权威数据的归属。

当前状态

项目正从 MVP 走向早期产品化。课程与 Workflow 的核心边界已经形成，部署模板、公开演示和面向社区的体验仍在持续完善。这里值得直白说明：AITeachMe 当前最成熟的部分，是一致的学习模型以及支撑它长期运行的后端，而不是宣称所有课堂场景都已经完成。