【学习工作赛道】+ 基石学习系统 Foundation OS
0. 先和大家打个招呼吧 
大家好，我是一名独立开发者。
我一直在思考一个问题：当 AI 可以快速给出答案以后，我们的学习能力究竟会变强，还是会逐渐变成对 AI 的依赖？
现在很多 AI 学习产品解决的是“更快获得答案”，但真正的学习不仅是知道答案，还包括理解知识、实际应用、迁移到新问题，以及最终能够在没有帮助的情况下独立完成任务。
因此，我使用 TRAE 开发了 基石学习系统 Foundation OS。它不是一个简单的 AI 问答工具，而是一套以真实能力成长为目标的学习系统。
在开发过程中，我主要负责描述产品目标、体验方式和学习逻辑，再让 TRAE 帮助我完成需求拆解、技术架构、页面实现、状态管理和 AI 能力接入。
最让我印象深刻的是，我不需要一开始就把所有技术细节想清楚。我可以先告诉 TRAE：
“我想做一个 AI 不直接给答案，而是逐步引导用户独立解决问题的学习系统。”
然后再通过一轮轮对话，把这个想法逐渐拆解为学习路线、每日任务、AI 导师、实践项目、能力图谱和成果证据。
TRAE 帮我跨过的最大门槛，是把一个抽象的“未来学习方式”概念，变成了可以真正操作和体验的产品 Demo。
1. Demo 简介
它是什么？
基石学习系统 Foundation OS 是一个面向未来学习方式的 AI 能力训练网站。
它通过学习路线、真实任务、分级 AI 辅导和能力证据，帮助用户把“看过、听过”转化成“能够独立完成”。
它不是传统的视频课程网站，也不是直接生成答案的 AI 聊天工具，而是一套围绕以下闭环设计的学习系统：
学习知识 → 完成理解检查 → 提交实践任务 → 获得分级帮助 → 更新能力状态 → 完成真实项目
它面向谁？
基石学习系统主要面向以下用户：
- 不知道应该从哪里开始学习的初学者
- 看过很多教程，却依然无法独立完成任务的自学者
- 希望系统建立计算机基础和数字技能的人
- 每周学习时间有限，需要明确学习路线的人
- 希望减少对 AI 答案依赖、真正提升独立能力的人
当前 Demo 首先以 计算机基础学习 为示范领域，后续可以把同一套学习机制扩展到机电、焊接等更多数字技能和实体技能。
主要功能一：能力成长路线
系统把学习目标拆解为顺序解锁的学习节点。
每个节点不仅包含知识内容，还包含理解检查、实践回答和完成条件。用户需要真正完成当前任务，才能逐步推进后续学习。
当前计算机基础路线包含四个核心节点，用来演示从基础知识到实际应用的完整过程。
【此处插入截图 1：学习路线页面】
主要功能二：分级 AI 导师
系统内置 AI 导师，并提供三种不同强度的帮助方式：
- 提示：只提供方向和下一步线索
- 讲解：解释知识结构和解决思路
- 示范：在用户仍然无法推进时给出完整案例
这种设计的目的，是让用户可以根据自己的真实困难选择帮助，而不是一开始就让 AI 直接完成任务。
AI 在这里扮演的是“脚手架”，而不是“答案替代者”。
【此处插入截图 2：AI 导师提示、讲解、示范界面】
主要功能三：五维能力证据
传统学习产品通常用观看时长、签到天数或者答题数量表示学习成果。
基石学习系统则从五个维度描述用户的能力：
- 理解
- 应用
- 迁移
- 独立性
- 保持度
用户完成课程任务和实践项目后，系统会更新对应的能力状态，并在能力图谱与成果中心中进行展示。
这让学习结果不再只是“完成了多少课程”，而是“已经能够做到什么”。
【此处插入截图 3：能力图谱或成果中心】
主要功能四：实践项目
系统设计了一个“个人学习资料整理系统”实践项目。
用户需要完成需求分析、信息分类、结构设计和最终交付等多个里程碑，将课程中学习的知识应用到一个真实任务中。
项目包含明确的验收标准，帮助用户从“理解知识”走向“独立产出成果”。
【此处插入截图 4：实践项目和里程碑页面】
2. Demo 创作思路
灵感来源
这个作品的灵感来自我对 AI 学习方式的观察。
AI 大幅降低了获得知识和答案的成本。遇到问题时，我们可以直接让 AI 解释、总结甚至生成完整结果。
但这也带来了一个新的问题：
当 AI 把所有步骤都完成以后，用户是否真的学会了？
很多时候，我们感觉自己“看懂了”AI 给出的答案，但当关闭 AI、换一个问题或者进入真实场景时，依然无法独立完成任务。
因此，我想做的不是一个“回答速度更快”的产品，而是一套可以控制 AI 帮助强度、记录真实实践过程，并验证独立能力的学习系统。
想解决的问题
基石学习系统重点解决以下问题：
- 学习资源过于零散，初学者不知道从哪里开始
- 看过很多课程，但缺少真正动手实践的机会
- AI 经常直接给出完整答案，容易让用户产生依赖
- 学习完成率不等于真实能力，缺少可信的成果证据
- 学习过程与真实任务脱节，知识难以迁移到新场景
为什么选择这个方向？
我认为未来的学习产品不应该只负责“提供更多内容”。
当知识可以被 AI 随时生成以后，真正稀缺的将是：
- 判断问题的能力
- 动手解决问题的能力
- 将知识迁移到新场景的能力
- 在没有 AI 帮助时独立完成任务的能力
所以，我把 Demo 的核心定位确定为：
面向未来学习方式的 AI 能力训练系统。
系统不会因为 AI 给出一句“你已经掌握”就直接修改能力结果。能力变化主要来自用户是否完成任务、是否正确应用知识，以及是否依赖帮助。
这是我对未来 AI 学习产品的一种尝试：AI 可以帮助人跨过障碍，但不应该替人走完整段路。
当前 Demo 的范围
当前版本重点完成了计算机基础领域的示范学习闭环，包括：
- 学习工作台
- 计算机基础学习路线
- 每日学习任务
- 分级 AI 导师
- 实践项目与里程碑
- 五维能力图谱
- 成果与证据中心
- 浏览器本地学习进度保存
机电、焊接等领域目前作为后续扩展方向展示，尚未开放完整课程。
3. Demo 体验地址
在线体验
体验地址：【请填写部署后的公开访问链接】
建议使用桌面浏览器体验完整功能，同时系统也支持移动端基础浏览和操作。
推荐体验流程
- 进入学习工作台，查看当前学习任务
- 打开学习路线，选择已经解锁的计算机基础节点
- 阅读核心知识并完成理解检查
- 提交实践回答，观察学习进度变化
- 使用 AI 导师的提示、讲解和示范模式
- 进入能力图谱，查看五维能力状态
- 进入实践项目，查看项目里程碑和验收标准
- 在成果中心查看已经形成的能力证据
体验说明
当前 Demo 使用游客模式，不需要注册账号。
学习进度、实践回答和项目状态会保存在当前浏览器中。更换设备、清理浏览器数据或使用无痕模式后，进度可能不会保留。
4. TRAE 实践过程
第一步：把抽象想法整理成产品需求
项目最初只有一个比较抽象的想法：
做一个代表未来学习方式的产品，让 AI 帮助用户学习，但不直接替用户完成学习。
我通过和 TRAE 对话，逐步明确了以下问题：
- 产品面向哪些用户
- 与普通课程平台有什么区别
- AI 在学习过程中应该扮演什么角色
- 如何判断用户是否真的掌握
- 首版 Demo 应该包含哪些页面
- 哪些功能应该优先实现
经过多轮讨论，最终形成了以“真实能力成长”为核心的产品方向。
.7527696888410424376:ae1e0f9b5caed1e755d7b31e0509a97c_6a5326fafc3ee49ebc2ac291.6a53471e2ce5075e9d708739.6a53471d359ea25bed55400d:Trae.T(2026/7/12 15:49:50)
第二步：设计学习闭环和技术架构
确定产品方向后，我继续让 TRAE 帮助我把学习过程拆解为可实现的系统流程：
工作台 → 学习路线 → 每日学习 → 实践提交 → 能力更新 → 项目验证 → 成果证据
在技术方案上，项目采用：
- Next.js 15
- React 19
- TypeScript
- Tailwind CSS
- Zustand 本地状态管理
- OpenAI 兼容模型接口
- Zod 输入校验
TRAE 还帮助我设计了学习者画像、课程节点、学习进度、实践答案、五维能力和项目里程碑等数据结构。
第三步：完成主要页面和状态联动
接下来，我通过自然语言向 TRAE 描述每个页面需要展示的内容和用户操作。
例如，在学习页面中，我提出了这些要求：
- 同时包含知识内容、理解检查和实践任务
- 用户提交任务后更新学习状态
- 下一节点根据完成情况解锁
- 学习进度需要在刷新页面后继续保留
- 桌面端和移动端都可以使用
TRAE 根据这些要求完成了页面组件、路由结构、状态管理和响应式布局，并帮助我不断修正页面之间的数据联动。
第四步：接入分级 AI 导师
AI 导师是整个 Demo 最重要的功能之一。
我没有让 AI 导师只做一个普通聊天窗口，而是要求它提供三种帮助模式：提示、讲解和示范。
同时，模型请求通过服务端接口处理，浏览器不会直接接触 API Key。接口还加入了输入长度限制、参数校验、请求超时和本地降级方案。
当模型暂时不可用时，用户仍然可以继续完成本地学习任务，不会因为 AI 服务异常而中断整个学习流程。
第五步：测试和调整产品体验
完成主要功能后，我继续通过 TRAE 检查：
- 页面是否可以正常访问
- 学习节点是否按顺序解锁
- 提交任务后能力数据是否更新
- 学习进度是否能够本地保存
- AI 导师不可用时是否有降级提示
- 移动端导航和页面布局是否可用
- 高风险实体技能是否提供安全提示
这个过程让我感受到，TRAE 不只是帮助生成代码，也可以参与需求分析、架构设计、问题排查和体验优化。
5. 使用 TRAE 的真实感受
这次开发过程中，我最大的感受是：独立开发一个产品，不再要求一个人在开始之前就掌握所有技术细节。
我可以先从问题和用户需求出发，用自然语言描述自己想解决什么，再与 TRAE 一起把想法拆解成产品结构和代码实现。
当然，TRAE 并不是按下按钮就能自动做出完整产品。
我仍然需要不断判断：
- 功能是否真的解决用户问题
- AI 是否给了过多帮助
- 哪些能力属于当前 Demo
- 哪些内容应该放到后续版本
- 页面表达是否符合产品定位
- 生成的实现是否与最初目标一致
我认为人与 TRAE 最合适的协作关系是：
人负责提出问题、判断方向和做出取舍，TRAE 负责加速分析、实现和验证。
它降低的不是思考的重要性，而是把想法变成实际作品的技术门槛。
