Hello World

AI个人学习机器人实现报告

一、项目背景

1.1 核心需求

在学习和项目开发过程中，存在以下核心问题：

• 学习连续性不足：面向就业的”锦上添花”任务容易被忽略
• 任务优先级混乱：课程作业（强制）vs 就业准备（重要但非强制）难以平衡
• 缺乏实时提醒：需要频繁、个性化的学习督促机制
• 知识碎片化：学习进度、任务状态、技术笔记分散存储

目标：搭建一个面向就业的AI学习管家，实现：

• ✅ 持续、系统的学习计划制定与跟进
• ✅ 实时个性化提醒（根据主要矛盾动态调整频率）
• ✅ 对话记录与任务状态的统一管理
• ✅ 基于实际进度的动态调整与反馈

---

二、方案设计

2.1 资源分工表

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

2.2 双知识库架构设计

核心理念

• Obsidian：你的”大脑外挂” - 外置知识库 + 个人学习笔记（静态，你是唯一编辑者）
• MongoDB：程序的”日记本” - 对话历史 + 任务状态机（动态，程序自动读写）

三层AI认知体系

┌─────────────────────────────────────────────────┐
│          长期知识库 (Obsidian)             │
│  技术笔记 / 学习路径 / 项目方案 / 面试资料    │
└─────────────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────────────┐
│        中期档案层 (MongoDB)                 │
│  每日总结 / 周总结 / 对话意图总结          │
│  客观完成 + 主观意图分离存储               │
└─────────────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────────────┐
│       短期对话层 (滑动窗口 8轮)            │
│  实时对话上下文 (16条消息)                 │
└─────────────────────────────────────────────────┘

MongoDB集合设计

1. conversations（对话记录）

• user_id：用户标识
• role：user/assistant
• content：对话内容
• timestamp：时间戳

2. daily_summaries（每日总结）

• date：日期标识 (2026-03-30)
• content：120字技术客观摘要
• created_at：生成时间

3. weekly_summaries（周总结）

• week_tag：周标识 (2026-W13)
• content：300字周进度汇总
• created_at：生成时间

4. task_lifecycle（任务状态）

• user_id：用户标识
• task_desc：任务描述
• status：pending/in_progress/completed
• created_at：创建时间
• updated_at：更新时间
• ai_comment：AI评语

2.3 技术栈选型

轻量化设计原则：

• ✅ 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

---

三、实现方法

3.1 第一阶段：基础环境搭建

1. 目录结构设计

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

2. Git自动同步

配置SSH Key：

ssh-keygen -t ed25519 -C "your_email@example.com"
# 公钥添加到GitHub

Clone仓库：

cd ~/personal_ai/obsidian_vault
git clone git@github.com:your_username/your_repo.git .

自动同步脚本 (scripts/sync_vault.sh)：

#!/bin/bash
cd ~/personal_ai/obsidian_vault
git fetch --all
git reset --hard origin/main
echo "Vault synced at $(date)" >> ~/personal_ai/logs/sync_log.txt

定时任务 (crontab -e)：

# 每日00:00 同步Obsidian笔记
0 0 * * * /bin/bash ~/secretary/scripts/sync_vault.sh

3. GitHub Webhook实时同步

Webhook监听脚本 (scripts/webhook_listener.py)：

from fastapi import FastAPI, Request, Header
import subprocess
import os

app = FastAPI()
SECRET_TOKEN = "188390AA52f@"
SYNC_SCRIPT = "/home/ubuntu/secretary/scripts/sync_vault.sh"

@app.post("/webhook")
async def github_webhook(request: Request, x_github_event: str = Header(None)):
    body = await request.body()
    try:
        result = subprocess.run(
            ["bash", SYNC_SCRIPT],
            capture_output=True,
            text=True,
            cwd=os.path.dirname(SYNC_SCRIPT)
        )
        print("同步成功:", result.stdout)
        return {"status": "success", "message": "Obsidian 已实时同步"}
    except Exception as e:
        return {"status": "error", "message": str(e)}

后台永久运行：

nohup uvicorn webhook_listener:app --host 0.0.0.0 --port 8888 > ~/secretary/logs/webhook.log 2>&1 &

3.2 第二阶段：自动化系统

1. 每日总结脚本 (scripts/daily_summary.py)

核心功能：读取Obsidian每日笔记，生成120字技术客观摘要

import os
import asyncio
from datetime import datetime
import pytz
from openai import AsyncOpenAI
from mongo_client import summary_db

VAULT_ROOT = os.path.expanduser("~/secretary/obsidian_vault")
TIMEZONE = pytz.timezone("Asia/Shanghai")

def get_today_log_path():
    now = datetime.now(TIMEZONE)
    year = now.year
    month = now.month
    date_str = now.strftime("%Y-%m-%d")
    return os.path.join(VAULT_ROOT, "我的工作量", f"{year}年度", f"{month}月份", f"{date_str}.md")

def read_today_log():
    log_path = get_today_log_path()
    if not os.path.exists(log_path):
        return "今日未记录学习/工作内容"
    try:
        with open(log_path, "r", encoding="utf-8") as f:
            return f.read()
    except:
        return "日志文件读取失败"

async def generate_daily_summary(text):
    client = AsyncOpenAI(
        base_url=os.getenv("DEEPSEEK_API_URL"),
        api_key=os.getenv("DEEPSEEK_API_KEY")
    )
    prompt = f"""请以「技术学习+技术工作量」为核心，用不超过120字，客观总结今日内容，仅保留技术相关事实，严格排除非技术内容，不添加主观评价。需包含：
1. 技术学习：AI技术、java、python、框架、算法/刷题、技术知识点复习、技术笔记整理；
2. 技术工作量：实验室技术任务、项目开发（技术模块）；
3. 完成情况：技术相关任务/学习是否完成、未完成原因；
4. 核心细节：仅提炼与技术学习、技术工作相关的关键内容。

{text}"""
    response = await client.chat.completions.create(
        model="deepseek-reasoner",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

async def main():
    log_content = read_today_log()
    summary = await generate_daily_summary(log_content)
    date_str = datetime.now(TIMEZONE).strftime("%Y-%m-%d")
    summary_db.save_daily_summary(date_str, summary)
    print(f"✅ {date_str} 每日摘要已保存")

if __name__ == "__main__":
    asyncio.run(main())

2. 每周总结脚本 (scripts/weekly_summary.py)

核心功能：合并7天每日总结，生成300字周进度汇总

async def generate_weekly_summary(daily_list):
    client = AsyncOpenAI(
        base_url=os.getenv("DEEPSEEK_API_URL"),
        api_key=os.getenv("DEEPSEEK_API_KEY")
    )
    content = "\n".join([f"{item['date']}：{item['content']}" for item in daily_list])
    prompt = f"""请以「技术学习+技术工作量」为核心，合并以下7天的记录，用280-320字客观总结，仅保留技术相关事实，严格排除非技术内容，不添加主观评价。需包含：
1. 技术学习累计成果：编程语言/框架学习时长、算法/刷题总数量/模块、技术知识点复习范围、Obsidian技术笔记核心内容；
2. 技术工作量：具体技术工作内容、项目开发推进情况；
3. 完成与问题：本周技术相关计划是否达标、未完成技术任务及核心原因；
4. 关键细节：仅提炼与技术学习、技术工作相关的调整动作。

{content}"""
    response = await client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

async def main():
    daily_list = summary_db.get_recent_7days()
    if not daily_list:
        print("❌ 近7天无每日摘要，无法生成周总结")
        return

    weekly_summary = await generate_weekly_summary(daily_list)
    week_tag = datetime.now(TIMEZONE).strftime("%Y-W%U")
    summary_db.save_weekly_summary(week_tag, weekly_summary)
    print(f"✅ {week_tag} 每周摘要已保存")

3. 定时任务配置

crontab -e

# 每日00:00 同步Obsidian笔记
0 0 * * * /bin/bash ~/secretary/scripts/sync_vault.sh

# 每日00:10 生成每日摘要
10 0 * * * /home/ubuntu/miniconda3/bin/python ~/secretary/scripts/daily_summary.py >> ~/secretary/logs/summary.log 2>&1

# 每周日00:20 生成每周摘要
20 0 * * 0 /home/ubuntu/miniconda3/bin/python ~/secretary/scripts/weekly_summary.py >> ~/secretary/logs/summary.log 2>&1

3.3 第三阶段：AI对话系统

1. 上下文压缩方案

问题：对话超过8轮（16条消息）后，如何处理溢出部分？

方案选择：

• ❌ 方案一：超出一条立即总结（时间冲突，高强度对话时失效）
• ❌ 方案二：每8轮总结一次（频率适中，但非主流）
• ✅ 方案三：滚动窗口 + 增量递归摘要（主流方案，Kimi、Claude 3在使用）
• ❌ 方案四：向量数据库（服务器性能不足，需求过度）

实现逻辑：

对话过程：
0~8轮   → 完整对话上下文
9~16轮   → 0~8轮滑出窗口 → 压缩进摘要池 + 9~16轮保持完整
17~24轮  → 9~16轮滑出窗口 → 摘要池增量合并 + 17~24轮保持完整
...

技术要点：

• 溢出内容写入数据库（非内存缓存），防崩溃丢失
• 专用摘要模型（独立DeepSeek实例）并行压缩
• 摘要池持续合并更新，非一次性总结

2. 上下文注入模板

full_context = f"""【角色定位】你是我的专属技术学习管家，核心职责：
1. 基于我的技术学习/工作进度，制定精简可行的任务计划
2. 跟进任务完成情况，针对性督促执行
3. 结合我的反馈实时调整安排，回答极简、聚焦任务，不冗余闲聊
4. 仅围绕Java/Python/项目开发/技术学习相关内容响应

【我的本周技术整体进度】
笔记总结：{weekly_note}
对话总结：{weekly_chat}

【我的昨日技术完成情况】
笔记总结：{daily_note}
对话总结：{daily_chat}

【近期沟通记录】
{context}

【我的当前反馈/需求】
{prompt}

请按管家职责，极简回复，聚焦任务安排与督促。
"""

3. 企业微信机器人模块

功能：

• ✅ 接收消息（用户交互）
• ✅ 发送消息（主动提醒）
• ✅ 上下文数据库记忆（MongoDB读取/写入）
• ✅ 自动推送逻辑（定时触发）

技术要点：

• 异步函数处理（提高并发性能）
• 代理配置（解决502报错）
• 消息格式化（符合企业微信API规范）

3.4 第四阶段：智能优化

1. 自动推送逻辑

触发条件：

• 定时推送（每日早晚固定时间）
• 任务截止前提醒（根据task_lifecycle状态）
• 长期未完成任务预警（优先级动态调整）

推送内容：

• 今日任务清单（基于近期对话总结 + 每日笔记总结）
• 进度回顾（周总结 + 任务完成率）
• 激励性语言（家长口吻，针对主要矛盾）

2. 主观与客观分离

Obsidian笔记 = 客观事实层：

• 记录你「实际干了什么」
• 刚性行为、时间分配、学习/实验室工作量

AI对话记录 = 主观意图层：

• 记录你「想干什么、为什么没干、诉求变化、优先级调整」
• 柔性想法、反馈、计划、提醒要求

存储策略：

• 对话记录直接存入conversations集合
• 笔记总结存入daily_summaries/weekly_summaries集合
• 每日/周对话意图总结独立存储（压缩后）

3.5 项目整合

目录结构调整：

~/secretary/
├── obsidian_vault/          # Obsidian笔记（Git同步）
├── scripts/                # 所有Python脚本
│   ├── daily_summary.py
│   ├── weekly_summary.py
│   ├── sync_vault.sh
│   ├── webhook_listener.py
│   └── mongo_client.py      # 统一数据库访问
├── logs/                   # 日志文件
└── .env                    # 环境变量配置

统一数据库访问 (mongo_client.py)：

class SummaryDB:
    def save_daily_summary(self, date: str, content: str):
        self.daily_summaries.update_one(
            {"date": date},
            {"$set": {"content": content, "updated_at": datetime.now()}},
            upsert=True
        )

    def get_recent_7days(self):
        return list(self.daily_summaries.find().sort("date", -1).limit(7))

    def save_weekly_summary(self, week_tag: str, content: str):
        self.weekly_summaries.update_one(
            {"week_tag": week_tag},
            {"$set": {"content": content, "updated_at": datetime.now()}},
            upsert=True
        )

    # ... 其他方法

---

四、技术落地

4.1 核心技术栈

组件	技术选型	版本/配置
服务器	腾讯云轻量应用服务器	2核4G
AI模型	DeepSeek API	deepseek-reasoner, deepseek-chat
数据库	MongoDB	Community Edition
笔记同步	Git	GitHub
Web框架	FastAPI	0.104+
异步运行	uvicorn	0.24+
任务调度	crontab	Linux内置
Python版本	Python 3.10+	miniconda3

4.2 数据流架构

┌──────────────┐
│  本地Obsidian  │ ──Git Push──→ GitHub ──Webhook──→ 服务器Git Pull
└──────────────┘                              │
                                            ↓
┌──────────────┐                    ┌─────────────────┐
│  企业微信机器人  │ ←─API调用───────→ │   DeepSeek API  │
└──────────────┘                    └─────────────────┘
        ↑                                    ↓
        │                             ┌─────────────┐
        └───MongoDB读写────────────────→│   MongoDB    │
                                      │ - conversations
                                      │ - daily_summaries
                                      │ - weekly_summaries
                                      │ - task_lifecycle
                                      └─────────────┘

4.3 性能优化

Token消耗优化：

1. 上下文压缩（滑动窗口8轮 + 增量摘要）
2. 主客观分层存储（避免重复信息注入）
3. 双层总结系统（每日120字 + 每周300字）

响应速度优化：

1. 异步函数处理（AsyncOpenAI）
2. Webhook实时同步（无需等待定时任务）
3. MongoDB索引优化（timestamp、date字段）

服务器资源优化：

1. 轻量化技术栈（2核4G即可运行）
2. 后台进程管理（nohup + uvicorn）
3. 日志系统（便于排查问题）

4.4 日志系统

日志位置：~/secretary/logs/

日志文件	内容	记录频率
sync_log.txt	Git同步状态、时间戳	每次
summary.log	每日/周总结生成状态、错误信息	定时
webhook.log	GitHub Webhook请求记录	每次
ai_conversation.log	AI对话记录（调试用）	每次

---

五、实施路径

✅ 第一阶段：基础环境（已完成）

• 服务器环境搭建（SSH连接、目录结构）
• Git同步配置（SSH Key、Clone仓库）
• 自动同步脚本（sync_vault.sh + crontab）
• MongoDB部署（安装、测试脚本）

✅ 第二阶段：自动化系统（已完成）

• 每日总结脚本（daily_summary.py）
• 每周总结脚本（weekly_summary.py）
• 定时任务配置（crontab）
• GitHub Webhook实时同步（webhook_listener.py）

✅ 第三阶段：AI对话系统（已完成）

• 上下文压缩方案（滚动窗口 + 增量摘要）
• MongoDB对话记录存储
• 企业微信机器人模块（消息收发）
• 提示词模板设计

🔄 第四阶段：智能优化（进行中）

• 自动推送逻辑（定时提醒 + 任务预警）
• 主观客观分离存储完善
• 外置知识库检索（Obsidian 99_AI_Knowledge_Base/）
• Java学习路径集成（基于外部资料）

⏳ 第五阶段：应用落地（待开始）

• 完整测试（全链路闭环验证）
• 性能调优（Token消耗、响应速度）
• 用户反馈迭代（实际使用场景优化）
• 扩展功能（Google邮箱监听、AI新闻推送）

---

六、技术亮点

1. 三层AI认知体系

• 短期：实时对话上下文（8轮）
• 中期：压缩档案（每日120字 + 每周300字）
• 长期：Obsidian知识库（技术笔记/学习路径）

2. 主客观分离存储

• 客观层：Obsidian笔记（实际做了什么）
• 主观层：对话记录（想做什么、为什么没做）

3. 增量递归摘要

• 滚动窗口（主流方案，Kimi、Claude 3使用）
• 并行压缩（专用摘要模型）
• 数据库持久化（防崩溃丢失）

4. 双知识库架构

• 静态：Obsidian + Git（你唯一编辑者）
• 动态：MongoDB（程序自动维护）

5. 轻量化设计

• 2核4G服务器即可运行
• 无需向量数据库（纯文本处理）
• API模型迭代（JSON画像更新，无需微调）

---

七、问题与解决方案

1. 502代理问题

问题：企业微信机器人返回502错误
解决：在.env文件中配置代理参数，或取消代理（使用国内模型）

2. 上下文长度爆炸

问题：对话超过8轮后上下文过大
解决：滚动窗口 + 增量递归摘要（工业级稳定方案）

3. 项目路径混乱

问题：自动化脚本与AI机器人不在同一目录，数据库访问不便
解决：项目整合，统一mongo_client.py访问接口

4. Git同步延迟

问题：定时任务每小时同步一次，实时性不足
解决：GitHub Webhook实时监听，Push即同步

---

八、未来规划

短期目标（1个月）

• 完成Java学习路径集成
• 实现自动推送消息逻辑
• 外置知识库检索功能
• 完整测试与性能调优

中期目标（3个月）

• Google邮箱自动监听
• AI新闻推送（新闻联播总结）
• 向量数据库升级（A100服务器）
• 多用户支持（实验室内部推广）

长期目标（6个月）

• 智能任务优先级算法
• 个性化学习推荐系统
• 跨平台客户端（Web/移动端）
• 开源社区版本

---

九、总结

9.1 核心价值

1. 系统化学习：从碎片化到连续性，AI实时跟进进度
2. 主客观统一：实际完成情况 + 个人意图，精准规划
3. 轻量化部署：2核4G服务器即可运行，低成本高效率
4. 可扩展架构：模块化设计，易于迭代升级

9.2 技术创新

1. 三层认知体系：短期实时 + 中期压缩 + 长期知识
2. 主客观分离：客观事实 + 主观意图独立存储
3. 增量递归摘要：工业级上下文压缩方案
4. 双知识库设计：静态Obsidian + 动态MongoDB

9.3 个人成长

• 从”被动学习”到”主动规划”
• 从”任务管理”到”智能管家”
• 从”单点工具”到”系统化生态”

未来愿景：这个AI学习管家会越来越懂我，长远来看，它就是第一个为我量身定做的操作系统，训练这样一个AI是让我操作系统更上一个层次的好方法。

---

十、附录：关键代码片段

A. MongoDB封装类 (mongo_client.py)

from datetime import datetime
from pymongo import MongoClient, ASCENDING, DESCENDING

class SummaryDB:
    def __init__(self, uri="mongodb://localhost:27017/", db_name="personal_ai"):
        self.client = MongoClient(uri)
        self.db = self.client[db_name]
        self.daily_summaries = self.db["daily_summaries"]
        self.weekly_summaries = self.db["weekly_summaries"]
        self.conversations = self.db["conversations"]
        self.task_lifecycle = self.db["task_lifecycle"]

        # 创建索引
        self.daily_summaries.create_index([("date", ASCENDING)], unique=True)
        self.weekly_summaries.create_index([("week_tag", ASCENDING)], unique=True)
        self.conversations.create_index([("timestamp", DESCENDING)])
        self.task_lifecycle.create_index([("user_id", ASCENDING), ("created_at", DESCENDING)])

    def save_daily_summary(self, date: str, content: str):
        self.daily_summaries.update_one(
            {"date": date},
            {"$set": {"content": content, "updated_at": datetime.now()}},
            upsert=True
        )

    def get_daily_summary(self, date: str):
        return self.daily_summaries.find_one({"date": date})

    def get_recent_7days(self):
        return list(self.daily_summaries.find().sort("date", -1).limit(7))

    def save_weekly_summary(self, week_tag: str, content: str):
        self.weekly_summaries.update_one(
            {"week_tag": week_tag},
            {"$set": {"content": content, "updated_at": datetime.now()}},
            upsert=True
        )

    def save_conversation(self, user_id: str, role: str, content: str):
        self.conversations.insert_one({
            "user_id": user_id,
            "role": role,
            "content": content,
            "timestamp": datetime.now()
        })

    def get_recent_conversations(self, user_id: str, limit: int = 8):
        return list(self.conversations.find(
            {"user_id": user_id}
        ).sort("timestamp", -1).limit(limit * 2))  # user + assistant pairs

B. Git同步脚本 (sync_vault.sh)

#!/bin/bash
VAULT_DIR="/home/ubuntu/secretary/obsidian_vault"
LOG_FILE="/home/ubuntu/secretary/logs/sync_log.txt"

cd $VAULT_DIR

echo "[$(date '+%Y-%m-%d %H:%M:%S')] 开始同步Obsidian仓库" >> $LOG_FILE

# 强制拉取最新代码
git fetch --all >> $LOG_FILE 2>&1
git reset --hard origin/main >> $LOG_FILE 2>&1

if [ $? -eq 0 ]; then
    echo "[$(date '+%Y-%m-%d %H:%M:%S')] ✅ 同步成功" >> $LOG_FILE
else
    echo "[$(date '+%Y-%m-%d %H:%M:%S')] ❌ 同步失败" >> $LOG_FILE
fi

C. 进程管理脚本

# 查看Python进程
ps aux | grep python

# 查看指定PID进程详情
ps -p <PID> -o args=

# 按端口查找进程
netstat -tlnp | grep <端口号>

# 优雅关闭进程
kill <PID>

# 强制关闭进程
kill -9 <PID>

# 查找Python进程PID
pidof python

# 批量关闭所有Python进程
pkill python

# 按名称查找并关闭特定脚本
pkill -f script.py

---

报告生成时间：2026年4月2日
项目周期：2026年3月26日 - 2026年4月1日
作者：kipley
版本：v1.0 (GLM版本)

---

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