01
鉴来助手 小说 AI 伏笔雷达
已上线 Chrome + Edge 双商店的浏览器扩展，帮网文读者与作者在数百万字里理清人物与伏笔。
角色 · 独立完成
背景
网文动辄数百万字，读者追更数月后早期伏笔与人物关系在记忆中早已断裂；作者写上百章后自己也容易忘掉埋过的伏笔。
洞察
长文本的「结构化记忆」是刚需——人脑记不住，但读者与作者随时需要调取。
方案
阅读时一键分析章节 → 概况 / 伏笔雷达 / 人物关系图 / 周报 / 批量分析 / 划词查角色。
★ AI 决策点
- 用大模型抽取，而非规则：长文本语义难以用规则覆盖。
- 按章节分段，而非整书塞入：上下文窗口 + 成本 + 时效。
- 结构化输出图 / 表，而非自由问答：让结果可读、可核对。
- 渐进式加载：摘要先出、详情后出、两调用并行。
- 砍掉「AI 生成引流文案」功能：YAGNI，聚焦核心价值。
- 免登录试用 3 次 + 注册额度：降低尝试门槛、控制成本。
验证
真实上线 jianla.xyz（备案齐全）；多端分发（Chrome / Edge / Greasy Fork / 官网直链）；真实用户反馈驱动的 20+ 次迭代。
复盘
番茄反爬、AI 内容可信度风险、网络稳定性 → 学会防御性产品设计与兜底。
浏览器扩展渐进式摘要结构化记忆SSE多端分发
02
AI Interview Agent Multi-Agent 面试训练平台
多智能体协同的面试训练系统：简历解析、模拟面试、自动评分、报告生成全流程自动化。
角色 · 独立完成
洞察
面试 = 简历解析 + 提问 + 评估 + 复盘，是天然可拆分的多步骤任务。
方案
4 个 Agent 分工：Resume（简历解析）/ Interview（5 阶段提问 + 自动追问）/ Eval（实时评分）/ Report（报告生成），SharedMemory + MessageBus 共享上下文。
★ AI 决策点
- 拆 4 个 Agent 而非单 Agent：职责分离、可独立替换。
- 用 SharedMemory + MessageBus：Agent 间共享上下文、避免割裂。
- 多模型一键切换（DeepSeek / OpenAI / Anthropic / Ollama）：模型无关的产品设计，不绑定单一供应商。
复盘
单 Agent → 多 Agent 的取舍：可控性提升，复杂度与成本上升。
Multi-AgentSSE多模型切换FastAPISQLite
03
GraphMind GraphRAG 知识检索与推理平台
可解释、可评估、可运营的 Graph RAG 知识平台。
角色 · 独立完成
背景
市面 RAG 产品多是「套壳聊天」——回答不可信、不可评估、不可运营。
用户
需要「可信知识检索」的开发者 / 企业（工程化展示项目）。
洞察
RAG 不能是黑盒：要能解释（引用来源）、能评估（质量门禁）、能运营（入库状态机 / 队列健康）。
方案
三路混合检索（向量 + BM25 + 图谱）+ 引用来源 + Trace 面板 + Golden Eval 质量门禁 + 生产化入库。
★ AI 决策点
- 三路混合检索（向量 + BM25 + 图谱）：向量管语义、BM25 管精确关键词、图谱管关联，RRF 融合 + Reranker 重排。
- 可解释（引用 + Trace）：信任是 RAG 产品的生命线。
- Golden Eval 质量门禁（Recall / MRR / Citation Precision / p95 latency）：质量要有量化红线。
- 生产化入库（状态机 / 重试 / DLQ）：「能跑」和「能上线」的区别。
验证
可运行，内置 Demo Pack + 验收命令 + 面试讲稿。
复盘
从「做能聊天的 RAG」到「做可信可评估的 RAG」——把工程能力翻译成产品价值。
GraphRAG混合检索引用溯源Golden EvalNeo4jMilvus