【标签】学习工作
【标题】学习工作赛道 + 知径 (Zhijing) —— AI 驱动的知识体系规划平台
【正文】
- 先和大家打个招呼吧
大家好，我是一名独立开发者兼 AI 应用爱好者，日常沉迷于研究怎么用 AI 降低学习新领域的门槛。
这次用 TRAE 做「知径」，是因为我注意到一个现象：身边很多人想学一个新领域（比如人工智能、摄影、前端开发），但打开搜索框之后很快就放弃了——“东西太多了，不知道从哪里开始”。
和 TRAE 配合的感受很特别。以前做全栈项目，最难的不是写代码，而是前后端对接时反复调试参数、查文档。TRAE 理解力很强，我把想法拆成一句句需求讲给它听，它基本一次就能做出我想要的组件。印象最深的是做「比喻零件点击高亮并滚动到对应知识点」这个交互——我跟 TRAE 说"点一下造车比喻里的发动机，发动机亮起来，页面自动滚到发动机对应的知识点区块"，它直接给出 Framer Motion 动画 + scrollIntoView 的完整实现，几乎没有修改就合进去了。
还有 AI Prompt 编排那一块，我原本觉得自己写会花很多时间调 DeepSeek 的返回格式。TRAE 帮我设计了 orchestrator.py——目标分析 → 比喻选择 → 知识体系生成，三层 Prompt 链式调用，还自动处理了 API 降级（没 Key 时走 mock 数据）。这一步是我觉得"原来这么简单"的时刻。
（这段不计入评分，但真诚的分享确实能让作品更有温度。谢谢 TRAE 陪我完成这个有意思的项目 
）
- Demo 简介
一句话定位： 知径是一个 AI 驱动的知识体系构建与学习路径规划网站（Web App）。
面向谁： 所有想入门一个新领域但不知从何下手的学习者——大学生转换方向，职场人跨界，自学者扫盲。
主要功能：
AI 智能拆解学习目标 — 输入「我想学人工智能」，AI 自动拆出 3-5 个具体方向（计算机视觉、自然语言处理、强化学习等），每个方向有难度评估和应用场景标签
动态比喻系统 — 学 AI 就显示「造车」比喻（4 个零件：轮子/发动机/方向盘/车身），学前端就显示「盖房子」（地基/承重墙/屋顶/门窗），每个零件可点击展开对应知识点
真实学习资源聚合 — 每个知识点配 B 站视频、豆瓣书籍、在线课程，点开即可直接学
输入学习目标：
AI智能拆解：
知识体系：
- Demo 创作思路
灵感来源： 我自己换过几次技术方向，每次都觉得"找学习路径比学本身还累"。网上攻略要么太泛（“先学 Python”），要么太专（某个框架的深入教程），缺少一个能把"我想学什么"翻译成"具体学哪些、按什么顺序"的工具。
想解决的问题： 学习新领域的"第一公里"焦虑——面对海量信息不知道从哪切入、不知道各知识点之间的关系、不知道哪些资源靠谱。
为什么做这个方向： 我发现很多人放弃学习不是因为学不会，而是因为"不知道怎么开始"。与其做一个又一个大而全的课程平台，不如做一个"学习导航仪"——帮用户从模糊目标到清晰路径，只做这第一公里的导航。搭配比喻系统是为了降低认知负担：你跟一个非技术的人说"计算机视觉是让计算机理解图像"，他可能记不住；但你说"学 AI 就像造一辆车，车轮是数学基础，发动机是深度学习核心"，他一下就有了心理模型。
- Demo 体验地址
项目已完整构建，可通过 Docker 一键启动体验：
cd 项目目录
docker compose up -d
# 然后访问 http://localhost:5173
本地开发启动（需 Node 18+ 和 Python 3.10+）：
# 终端 1 — 后端
cd backend
pip install -r requirements.txt
uvicorn app.main:app --reload --port 8000
# 终端 2 — 前端
cd frontend
npm install
npm run dev
# 访问 http://localhost:5173
无需 DeepSeek API Key，无 Key 时自动降级到 mock 模式，预置 12+ 领域的比喻数据和知识点，可以直接体验完整交互流。
- TRAE 实践过程
开发流程概览：
第一阶段：需求梳理 + 原型搭建
整体项目统筹：确定全栈架构（React + FastAPI + SQLite），TRAE 一次性生成前后端脚手架、路由框架、数据库模型。
第二阶段：核心功能落地
在同一段对话中连续实现：AI 目标分析接口（goal analyze + direction 拆解）、Prompt 链编排、比喻系统组件（MetaphorGrid + 零件点击联动）、知识点面板与资源展示、Framer Motion 动画融合。
第三阶段：增值功能
仍在同一段 Trae 工作区内迭代：用户注册/登录系统（JWT + bcrypt）、分享功能与 Markdown 导出、学习计划生成（贪心排程）、管理后台（用户/知识体系/指标）
第四阶段：加固
本段对话收尾：错误处理中间件、限流中间件、安全头、Sentry 集成、国际化（i18n 中英文）、无障碍（aria-label + focus-visible）、测试（pytest + vitest）。
Session ID： `6a5523cd7db985ac8f02f56b`
整个作品完整在一个 TRAE 工作区内完成，以上是同一工作区内的开发阶段划分。
- 对应的报名审核通过的帖子链接
（请在此处粘贴报名帖链接）
项目仓库结构一览：
Main/
├── frontend/ # React 18 + Vite + TypeScript + Tailwind
│ └── src/
│ ├── pages/ # Home, Directions, KnowledgeSystem, NodeDetail …
│ ├── components/ # MetaphorGrid, PartGroup, NodeList, AIChat …
│ ├── api/ # API 客户端 + 错误处理
│ ├── context/ # AppContext（全局状态）+ AuthContext
│ ├── i18n/ # 中英文支持
│ └── types/ # TypeScript 类型定义
├── backend/ # Python FastAPI + SQLAlchemy + SQLite
│ └── app/
│ ├── api/v1/ # 12 个路由模块
│ ├── services/ # Prompt 链、DeepSeek 调用、Mock 数据、排程算法
│ ├── core/ # 配置、安全、异常、日志、监控
│ └── db/ # 数据库初始化与迁移
├── docker-compose.yml # 一键启动
├── docs/ # API 文档 + 启动指南
└── e2e_test.py # 端到端测试
技术栈：
| 层级 | 选用技术 |
|---|---|
| 前端 | React 18 + Vite + TypeScript + Tailwind CSS + Framer Motion |
| 后端 | Python FastAPI + SQLAlchemy 2.0 + aiosqlite |
| AI | DeepSeek API（无 Key 自动降级 mock） |
| 部署 | Docker + Docker Compose + Nginx |
| 测试 | pytest + vitest |
| 监控 | Sentry + Prometheus 指标 |
12+ 动态比喻库： AI/机器学习 → 造车 · 前端/Web → 盖房子 · 摄影 → 拆相机 · 健身 → 练肌肉 · 后端/运维 → 建工厂 · 写作 → 养花园 · 金融 → 航海 · 烹饪 → 建厨房 · 产品 → 建桥梁 · 数据分析 → 做实验 · 音乐 → 组乐队
项目文件：
Zhijing-v8.1.zip (335.9 KB)