2026-03-26

发布时间 :
  1. 03月26日
    1. 一、今日完成情况
    2. 二、今日感悟
    3. 三、备注
    4. 四、个人学习管家项目架构
      1. 1、背景
      2. 2、架构设计
      3. 3、迭代设计
      4. 4、最终敲定方案
        1. 第一步：Obsidian 仓库的目录结构设计（约定大于配置）
        2. 第二步：服务器上的部署与 Git 自动同步
        3. 第三步：Python 知识检索器 (scripts/retriever.py)
        4. 第四步：MongoDB 的极简设计（只存动态数据）
      5. 5、简单上手路径

03月26日

一、今日完成情况

  • PPT工作完成，包括技术架构的插入、代码修改写入数据库截图，作为效果展示
  • 完成excalidraw 字体切换和插入的问题，折腾了半天，还是手动配置字体把，虽然不灵活，只能将就了，都怪我不懂js语法。
  • 完成服务器企业微信发送消息的AI机器人 架构设计

二、今日感悟

  • 核心业务数据​：
    • PPT完成，来到实验室配置excalidraw插件字体。
  • ​今日工作总结：​
    • 完成PPT三页制作（技术架构图插入、代码效果截图展示），从33%推进至100%
    • 解决Excalidraw字体问题，批量导入失败后采用手动配置方案（受JS语法限制）
    • 完成个人学习管家项目架构设计，包括资源分工、技术方案、实施路径四个部分
    • 确定轻量化技术栈：腾讯云2核4G + DeepSeek API + Obsidian(Git) + MongoDB
    • 设计双知识库架构：Obsidian存储静态知识（99_AI_Knowledge_Base/）+ MongoDB存储动态对话和任务状态
  • ​明日工作计划：​
    • 服务器环境搭建：SSH连接腾讯云，创建目录结构（obsidian_vault/scripts/logs）
    • 配置Git同步：配置SSH Key，Clone Obsidian仓库，编写自动同步脚本（sync_vault.sh）
    • 编写Python知识检索器（retriever.py）：实现第一个可独立测试的知识库读取功能
    • MongoDB部署：安装MongoDB，编写测试脚本验证插入/读取对话记录功能
    • 创建Obsidian知识库目录（99_AI_Knowledge_Base/），添加测试笔记并推送到GitHub
  • **​今日学习成长：​
    • 今天还是梳理了AI机器人管家的实现方案，甚至长期来看，他会越来越懂我，未来在长远一点，他就是第一个为我两声定做的操作系统，训练这样一个AI是让我操作系统更上一个层次的好方法。

三、备注

完成PPT剩余两页

  • 分解第二页、第三页的核心内容
  • 设计内容逻辑与第一页的衔接方案
  • 确保整体PPT叙事连贯、技术表达准确

解决Excalidraw字体问题

  • 方案A：分析今日失败原因，修正Base64编码脚本
  • 方案B：采用单字体逐一导入（人工操作）
  • 预计耗时：1-2小时

待定：

  • 异步并发的学习，提上日程。
  • 确定写入数据和读数据，所对应的数据库是哪几个，我接下来要从哪几个数据库当中抽数据

四、个人学习管家项目架构

设备 / 资源 最终分工 不使用原因
腾讯云 2 核 4G 核心运行：脚本 / 定时任务 / Git 同步 / JSON 存储 主力设备，仅运行轻量服务
DeepSeek API 唯一 AI 大脑（解析 / 规划 / 反馈 / 写作） 国内最稳，适配统一接口
Obsidian+GitHub 双向同步笔记（本地↔云端） 数据持久化，自动同步
Mac / 游戏本 脚本调试 / 查看笔记 不参与核心运行
实验室 A100 进阶备用（后期笔记爆炸再启用） 现阶段完全不需要，极简优先

1、背景

我早就想要实现一个AI个人管家了，因为自己平时学习不够上心，而且在一个学习的项目连续性不够，断断续续的效率就很低，因此我需要有个人经常提醒我接下来做什么，这个做的事情是为接下来的项目和面试准备的，不是我实验室必须要做的事情。

因为实验室必须要做的，上课必须要交的作业，都是不需要AI提醒的，QQ群和老师会找上门来。

可是面向就业的，当前锦上添花的事情，在未来是决定我就业去向的重中之重，因此，我需要搭建未来面向就业的AI管家，可以满足我连续的，系统的学习一个项目，并且和AI反馈，AI实时修改整合我的工作量。

而且，AI需要有实时提醒我的效果，如果提醒不了我，那就没有用，而且AI的提醒需要频繁，个性化。如果我说，我当前实验室的项目是主要矛盾，AI就会知道，我当前有更重要的事情，从而提醒的频率会低一些。

2、架构设计

在需求方面的设计完成之后，我就需要设计这个产品了。

当然巧妇难为无米之炊，我需要根须当前我的资源，可以配置的AI，来选择使用什么方案。

那么主要有，AI的选择，数据库的选择，用户交互的逻辑，AI的提示词等方面。因为我访问的是API，因此，我无法使用大模型微调的方式，修改模型。因为我是轻量的云服务器，因此无法使用向量数据库来存储大量的数据，当然我自己的数据量并不大，AI可以看完的。

✅ AI 永久记住你的背景：JSON 画像每次调用 API 注入，无遗忘；
✅ 处理 Markdown 笔记：纯文本处理，无需向量库；
✅ API 模型迭代画像：不微调模型，只更新本地 JSON 文件；
✅ 双向同步：企微发消息→AI 记笔记，弥补手动记录缺失；
✅ 动态规划：读取日程 / 外部路径，实时修改学习要求；
✅ 轻量化运行：2 核 4G 服务器轻松运行，无卡顿。

3、迭代设计

需求plus：我会时不时和AI交互，因此AI是需要我知道最近在干嘛，我和AI交互的内容是应该被保存下来的，这样AI就会知道，最近我因为什么事情，导致XX 学习进度被推迟了，需要针对性的修改任务。

总结：AI需要知道我和他的对话记录，至少最近两周的对话记录是需要读取的。

需求plus：AI需要使用一个外置的学习进度，比如说代码随想录当中、学校论坛当中，有许多当前的同学java上手的路径，这个是需要AI精确读取的，因为只是依靠AI现有的储备，还是无法这么有针对性的，根据当前的就业形势和学习方法，帮我给出建议，因此是不是需要一个外置数据库。

总结：我其实需要两方面的知识库，一个是我对话记录，一个是我觉得重要的，直接放在笔记里，让AI自己去读，所以两个数据库都是需要的Obsidian的文件夹、MongoDB结合起来完成的。

Pasted image 20260326211925

4、最终敲定方案

工具 负责内容 性质 你的操作
Obsidian (Git) 外置知识库 + 个人学习笔记 静态，你是唯一编辑者 本地写笔记，整理资料，Push 到 GitHub
MongoDB 对话历史 + 任务状态机 动态，程序自动读写 不需要你操作，Python 脚本在后台维护
核心理念：
  • Obsidian 是你的 “大脑外挂”：你觉得什么重要，就往里丢什么。
  • MongoDB 是程序的 “日记本”：记录 AI 跟你说了什么，任务完成了没有。

第一步：Obsidian 仓库的目录结构设计（约定大于配置）

在你的 Obsidian 本地仓库里，专门建一个文件夹用来给 AI 看。

  • Python 脚本只读取 99_AI_Knowledge_Base/ 目录下的 .md 文件。
  • 你想让 AI 知道什么，就把文件（或链接）整理到这个文件夹里。

第二步：服务器上的部署与 Git 自动同步

SSH 连上腾讯云，我们把之前的目录结构细化。

cd ~/personal_ai mkdir -p {obsidian_vault,scripts,logs}

Clone 你的 Obsidian 仓库：

cd ~/personal_ai/obsidian_vault git clone git@github.com:你的用户名/你的Obsidian仓库.git . # 确保服务器能通过 SSH Key 拉取代码

编写自动拉取脚本 (scripts/sync_vault.sh)：

#!/bin/bash
cd ~/personal_ai/obsidian_vault
git fetch --all
git reset --hard origin/main  # 强制覆盖，保证服务器是最新的
echo "Vault synced at $(date)" >> ~/personal_ai/logs/sync_log.txt

设置 Crontab 定时同步：

  • 每小时同步一次，或者你每次在本地 Push 完后手动去服务器跑一下脚本（初期开发建议手动）。

第三步：Python 知识检索器 (scripts/retriever.py)

编写python代码，设计检索规则，让python可以选择性的从Obsidian当中，获取到你想要的信息，比如说时间线安排，项目建议等等。

暴力读取 + 关键词模糊匹配 的方案可以考虑，不过这个从长计议，不需要立马想清楚，因为使用向量数据库的方式是非常简单的，使用语义相关性就可以了。

第四步：MongoDB 的极简设计（只存动态数据）

MongoDB 只需要两个 Collection，结构越简单越好。

  1. conversations（存对话，用于上下文回忆）：
    • 字段：user_id, role, content, timestamp。
  2. task_lifecycle（存任务状态，用于排班）：
    • 字段：user_id, task_desc, status, created_at, updated_at, ai_comment
流程图

5、简单上手路径

  1. 本地 Obsidian 操作
    • 建好 99_AI_Knowledge_Base 文件夹，放几篇测试笔记进去，Push 到 GitHub。
  2. 服务器测试 Git Pull：
    • 确保服务器能顺利 Clone 并看到你的笔记文件。
  3. 写 retriever.py：
    • 这是第一个可以独立测试的脚本，跑通读取本地文件并打印内容。
  4. 接 MongoDB：
    • 写个简单的测试脚本，插入一条对话再读出来。
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com

浙ICP备2025181060号-2 © litearch

Built with Hexo and 3-hexo theme

Obsidian