【学习工作】对话回声 · echolog —— 让每一次 AI 对话沉淀为个人专属知识库
一、团队介绍
队长 · 王诗淇
我是王诗淇，某大学 2026 届本科毕业生，非计算机专业。今年3月份左右我下载 TRAE 之后，有一种"发现了新大陆"的感觉——原来我可以不用纠结于语法和工程范式，而是把脑子里的想法直接交给 AI 帮我实现出来。从那时起到现在，我持续 Vibe Coding 半年了。
初赛时我做的是一个浏览器插件。起因很朴素：我自己就是重度 AI 学习用户，经常在不同平台问各种知识，但问完一段时间就忘了。我不想让这些高质量的答案继续沉在聊天记录里，于是想做一个工具，把跨平台对话收集起来，让我能查找、整理，并生成测试题帮自己复习巩固。这就是「对话回声」最初的雏形。
队员 · 摩尔因
OK啊，看到这的评委老师们，参赛选手们以及观众朋友们大家好。这里是摩尔因 一个13岁的初中生。今年年初时加入了trae用户的大家庭，曾参加过solo大赛的报名（doge）。平常喜欢玩玩异环，听听术曲，等等扯远了。回到正题，参加这次比赛是想借此机会将自己的创意变成现实，只有自己体验过才知道，将脑中的创意做出来放在一块24英寸的玻璃板上的这种兴奋的感觉是无可比拟的。
我也很高兴能遇上一个负责任，有温度的比赛举办方和一个跟我同样热爱vibecoding的队长。
我将自己和身边朋友用AI时抱怨的部分问题在这个项目中提出了解决方案，也希望这个项目能帮助到朋友们。
分工与协作
| 成员 | 角色 | 主要负责 |
|---|---|---|
| 王诗淇 | 队长 | 浏览器插件， 整体架构 |
| 摩尔因 | 队员 | 软件端的前后端辅助开发 |
| 共同 | — | 其它代码的共同完善、联调、测试与产品打磨 |
如果说初赛是我一个人的"想法落地"，复赛就是我们两个人用 TRAE 把同一个想法"造得更完整"的过程。
二、产品简介
是什么
对话回声（echolog） 是一个「浏览器插件 + 桌面软件」一体化的 AI 对话的「售后」：把你在各家 AI 平台（DeepSeek / 千问 / 豆包 / Kimi / 元宝 / 文心）上的零散对话，自动采集 → 沉淀 → 智能抽取知识点 → 沉淀成可问答、可测验、可辅助工作的知识图谱。
一句话定位：
让散落在多个 AI 平台中的对话，不再结束于聊天窗口，对话结束了，但其依旧不断产生价值。
面向谁
- 学习者（学生、终身学习者）：每天在多家 AI 平台提问，但答案停留在聊天记录里，无法被复习与检验。经常学了忘，忘了学，最后连自己也不知道忘了啥。
- 知识工作者（产品、运营、研发、咨询、研究等）：会议纪要、工作沟通、决策线索散落在不同对话与文档里，缺少可追踪、可交付的统一上下文。
- 重度 AI 用户：把 AI 当作第二大脑，但苦于没有「把对话变成资产」的入口工具。
完整功能
整个项目由两个紧耦合子工程构成「采集 → 沉淀 → 抽取 → 图谱化」的数据闭环：
你在 6 个 AI 平台对话
↓
web-ai-chat-collector（Chrome MV3 插件）采集（纯 DOM 提取，不拦截网络）
↓
本地 IndexedDB + 可选远程向量库（RAG 悬浮球就地问答）
↓ （在设置页启用「本地应用对接」后由用户显式触发推送）
POST /api/plugin/conversations → 软件侧 observations 表
↓
graph_agent 自动抽取候选知识点（带类型初判、归一去重）
↓
用户在「待抽取」侧栏确认 → 随后图谱可视化
↓
Study 模式：测验 / 费曼解释 / 推荐复习
Work 模式：风口推荐 / 工作报告 / 对话提问
对话回声 · echolog 浏览器插件侧
- 多平台对话采集 —— 6 家平台开箱即用：DeepSeek、千问、豆包、Kimi、腾讯元宝、百度文心；完整提取用户提问、AI 回答、深度思考过程与联网搜索引用。（基于安全考量，各平台默认不启用对话自动采集功能。用户可在设置界面手动勾选启用，以确保采集行为在知情且授权的前提下进行）
- 纯 DOM 采集 —— 只解析已渲染浏览的页面内容，不拦截网络流量、不 monkey-patch
fetch/XHR、不模拟登录点击；完整保留 Markdown 格式（标题 / 列表 / GFM 表格 / 代码块 / KaTeX 数学公式）。 - 语义搜索 + RAG 问答 —— 对话切片嵌入为向量，悬浮问答球三模式流式输出：整理信息、生成测验、AI 问答；回答基于用户已保存的对话历史。
- 多厂商 LLM —— 6 家预设（DashScope / DeepSeek / 智谱 / Kimi / 豆包 / MiniMax）走 OpenAI 兼容协议，支持深度思考模式切换；亦可自定义任意 OpenAI 兼容端点。
- 多后端向量库 —— 默认本地 IndexedDB 零配置；可切换 ChromaDB / Milvus / pgvector / Supabase / Qdrant 远程库，支持跨设备与外部智能体消费。
- SKILL 集成 —— 配套 SKILL 让外部智能体（TRAE、OpenClaw、Cursor）语义检索采集到的知识库，让你的工作助手懂你所想，知你所需。
- 导出 —— Markdown / JSON，单条或全部。
对话回声 · echolog 软件侧
- 双模式知识图谱 —— Study（学习）与 Work（工作）两套独立图谱，互不互通；右上角切换开关带过渡动画，切换后仅显示对应类型图谱。
- 图谱可视化 —— 无向图渲染，节点为小卡片（常显标题 + 一句话概括 + 类型标签）；支持拖拽 / 缩放 / 平移；孤立节点独立显示；延伸生成的灰色节点标记清晰。
- 双视图 —— 图谱视图与卡片视图并列切换，数据同步无丢失。
- 悬停详情卡 —— 悬停 300–500ms 显示五区域详情卡（标题 / 概括 / 重要点 / 延伸推荐 / 我的补充）；已覆盖 11 个学科模板，未命中走通用兜底，可手动切换类型并记忆。
- 节点延伸与编辑 —— 双击生成全部延伸（新节点标灰建边），单击推荐方向仅生成该方向一个节点；已存在节点不重复生成；可手动编辑标题 / 概括 / 类型 / 详情；用户留白可保存为疑问 / 联想 / 考点 / 易错点 / 笔记，让它“越用越懂你”。
- Study 测验 —— 生成选择题（单选 / 多选）与费曼解释题；选择题即时判分给解析，费曼题由 Agent 语义判分给理解度评分与反馈；结果记录并关联节点。
- Work 图谱 —— 工作对象按子类型建模（线索 / 关键人 / 承诺 / 期望 / 事件 / 决策 / 风险 / 资料 / 偏好 / 复盘）；Agent 抽取归一去重建关系；节点详情卡含置信度与来源依据。
- Work 风口推荐 —— 侧栏按时间线展示风口推荐卡片，含可解释理由；「加入图谱」一键转为 Work 图谱节点。
- Work 工作报告 —— 生成 Markdown 报告（进展 / 计划 / 风险 / 承诺跟进）；可导出
.docx；HTML 预览可打印为 PDF。 - Work 对话提问 —— Work 模式对话式提问入口，Agent 基于工作图谱上下文回答，标注来源与置信度。
- Agent 集成 ——
main_agent/writer_agent/graph_agent承载节点抽取 / 延伸 / 出题判分 / 风口 / 报告 / 提问；WebSocket 推送 Agent 流式输出与图谱变更。
相比初赛 Demo 的升级
初赛时我只交付了浏览器插件——解决"跨平台采集 + 本地 RAG 悬浮球问答 + 测验复习"这一条链路。复赛阶段的最大变化是：从「单一插件」演进为「插件 + 桌面软件」一体化形态，让对话不再止步于浏览器，而是沉淀为可长期积累、可结构化、可行动交付的个人知识资产。具体升级：
一、新增对话回声 · echolog 桌面软件
初赛没有桌面端。复赛从零搭建了 Electron + FastAPI 桌面软件，承接插件推送的对话并完成结构化沉淀，构成完整闭环：
- 双模式知识图谱 —— Study（学习）与 Work（工作）两套独立图谱，由同一知识资产引擎串联。
- 图谱可视化与节点详情 —— 无向图渲染、双视图切换、悬停五区域详情卡，覆盖 11 个学科模板。
- 节点延伸与编辑 —— 双击全部延伸 / 单击方向延伸、已存在节点高亮、留白保存为疑问 / 考点 / 易错点等。
- Study 测验升级 —— 从初赛插件内的简单测验，升级为选择题（即时判分）+ 费曼解释题（Agent 语义判分给理解度评分与反馈）的双题型闭环。
- Work 闭环 —— 工作对象建模（线索 / 关键人 / 承诺 / 风险…）、风口推荐、工作报告（导出
.docx/ 打印 PDF）、对话提问。 - Agent 集成 ——
main_agent/writer_agent/graph_agent承载抽取 / 延伸 / 出题判分 / 风口 / 报告 / 提问，WebSocket 推送流式输出与图谱变更。
二、打通「采集 → 沉淀 → 图谱化」数据闭环
初赛的插件是"采集即结束"——对话留在浏览器 IndexedDB。复赛新增 bg/local-app.js 推送通道与后端 POST /api/plugin/conversations 接口，让插件采集的对话可以由用户显式推送到桌面软件，经 Agent 抽取候选、用户确认后入图，形成「采集 → 沉淀 → 抽取 → 图谱化」的完整闭环。
三、扩展插件平台适配覆盖
初赛插件覆盖的平台有限。复赛阶段扩展了 DOM 适配器，新增对 腾讯元宝、百度文心 平台的支持，当前开箱即用平台达到 6 家：DeepSeek、千问、豆包、Kimi、腾讯元宝、百度文心；完整提取用户提问、AI 回答、深度思考过程与联网搜索引用。
四、从「能跑」到「可信」的工程加固
- 人机协同入图 —— Agent 生成候选 + 用户确认，所有工作节点带置信度与来源依据，区分事实 / 推断 / 用户意见。
- 稳定性 P0 修复 —— 流式会话 ID 错配、图谱 React/D3 状态覆盖、SQLite 并发锁、WS 在线边界、插件 Observation 幂等等关键问题逐一定位与修复。
- 桌面端可独立运行 —— Electron + PyInstaller 打包出免依赖 NSIS 安装包，后端子进程随主进程启动，开箱即用。
- 演示完成度 —— 三套主题、首页卡片 FLIP 展开、OnboardingWizard 引导、预置演示种子图谱、断网降级路径齐备。
五、从「个人 Demo」到「两人协作」
初赛是我一个人的插件 Demo。复赛组队后，我们团队共同完善其余代码。
三、产品演示视频
TRAE AI 创造力大赛产品演示视频 https://v.douyin.com/m9ss-kSS_bI/ M@j.cn :8pm 11/07 aaa:/
四、产品创作历程
灵感来源
每天在不同 AI 平台问出很多高质量答案，但问完以后，它们通常就沉在聊天记录里。真正的问题不是没有答案，而是答案没有变成之后能复习、能跟进、能交付的资产。
我观察到三件具体的事：
- 跨平台沉没 —— DeepSeek 的某个推导、Kimi 的某段总结、豆包的某个表格，分散在不同账户、不同会话里。
- 复习缺入口 —— 学习场景下，AI 给的答案是「即时理解」，但缺乏「是否真的掌握」「什么时候该复习」的闭环。
- 行动缺沉淀 —— 工作场景下，AI 帮我梳理过要干的事，但这些信息没有被结构化保留，下次还得从头问一遍或自行梳理。
想解决的问题
让 AI 对话从「一次性问答」升级为「持续产生结果的个人知识资产」，并补齐三个空白：
- 采集入口：把已经发生的对话接住，而不是让用户手动复制粘贴。
- 结构化沉淀：把对话拆成知识点、关系、工作对象，而不是一坨 Markdown。
- 闭环输出：让沉淀的知识继续产生复习任务、行动提醒与可交付报告。
关键设计与技术决策
决策一：为什么是「插件 + 桌面软件」一体，而不是单一形态
- 插件 负责接住已发生的对话（DOM 采集、纯浏览器、跨平台），是最自然的入口。
- 桌面软件 负责长期沉淀与图谱化（本地 SQLite、Agent 抽取、Work/Study 双闭环），是真正属于用户的资产容器。
- 两者通过
POST /api/plugin/conversations接口形成闭环：采集在浏览器、沉淀在桌面、资产在用户。
决策二：为什么是「自动采集 + 智能抽取 + 用户确认入图」，而不是全自动
个人知识与工作承诺都具有高语义风险。模型适合提出候选，但不应静默替用户修改长期资产。因此：
- 插件推送后先形成原始 Observation；
- Agent 自动生成候选（带类型初判、归一去重）；
- 用户在「待抽取」侧栏确认后才写入正式图谱。
候选确认、Plan/Build 与高风险工具确认构成可信 Agent 的控制面——这是产品设计，不是模型能力不足。
决策三：为什么区分 Study 与 Work 两种模式
两种模式共享同一条采集、结构化、确认和图谱链路，只在资产产生后的闭环不同：
- Study 关注理解与复习
- Work 关注承诺、风险与交付
统一对象是用户的 AI 对话与个人上下文，统一价值是让它持续产生结果。Study 和 Work 不是两个产品，而是同一份个人上下文的学习闭环与行动闭环。
过程中的关键问题与解决思路
- 流式结果丢失：Chat 的业务会话 ID 与 WebSocket session ID 早期未分离，导致模型已完成但前端无结果。修复为统一使用 WS session 推送。
- 图谱点击跳动：React 与 D3 同时控制节点位置造成属性覆盖。修复为单一数据源 + 显式更新通道。
- 并发推送重复入图：插件幂等去重 + Observation
dedup_key唯一索引 +IntegrityError兜底。 - 断网无反馈：流式前做配置预检，将连接 / 鉴权 / 超时 / 限流 / 服务端错误映射为中文提示，不再无反馈等待。
五、TRAE 实践过程
TRAE 不只是生成页面，而是参与了跨插件、前端、后端与测试的完整工程闭环：用它理解既有架构、补齐 WebSocket 与插件联调测试，并持续把产品反馈落实成可验证改动。人的职责是确定产品边界、批准计划、复核风险与完成真实环境验收。
开发关键步骤
初赛插件部分开发关键步骤
复赛开发关键步骤
- 加新功能
session id: .1118661747671820:5370eb64b6c8ea72f45dbe411598c577_6a630c823598cbe24cabc973.6a631e02c95fcd03c22e3074.6a631e02d948031de9585a0c:Trae CN.T(2026/7/24 16:10:42) ——搭建桌面端软件项目骨架
session id: .1118661747671820:9a0035854bb580e0fd152583442c5e73_6a6bf817812ca582f0dd9ffc.6a6c012f812ca582f0dda119.6a6c012fcbe3c64a496ffda2:Trae CN.T(2026/7/31 09:58:07)——优化agent工具调用
session id: 1118661747671820:1a55066de44ed6c6c2b2cf32fbe9eaa9_6a696576e45744449a1fbce2.6a696576e45744449a1fbce5.6a696576e45744449a1fbce3:TraeWork CN.0.1.44.no_sid.no_ppe.T(2026/7/29 10:29:10) —— 增加软件界面主题
session id: 1048292239354748:30bd1287e0af78bdb6e9561edf457a5b_6a70266840e84f3e23e9e3ad.6a70266840e84f3e23e9e3b0.6a70266840e84f3e23e9e3ae:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/8/3 13:26:00) ———— 桌面软件增加历史对话搜索功能
session id: 4421553661683883:73e41b88732f4e564ddf133e81296515_6a68add004a016212817e5bb.6a68add104a016212817e5be.6a68add004a016212817e5bc:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/7/28 21:25:37) ———— 新增插件侧百度文心平台支持
session id:.4421553661683883:393a3ad33fbb8d1bc7231898fd1cdd7e_6a7491e4ceafe877cd9b4f4b.6a74a819ceafe877cd9b5215.6a74a818bfb5aba9518fbcf2:Trae CN.T(2026/8/6 23:28:25) ———— 桌面应用新增导入deepseek json格式历史对话
- 加测试
session id: 1048292239354748:3ef6c69cfa3a50dc4032fc4576642870_6a6767fd356436391331ef80.6a6767fd356436391331ef83.6a6767fd356436391331ef81:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/7/27 22:15:25) ———— 增加插件->本地应用连接单元测试
- 优化，收尾与修bug
session id: 4421553661683883:9f6a55cff5674931fb6100b4cb414fef_6a733545ad253089228b5ecd.6a73de87f86082e4f4f883b1.6a73de87f86082e4f4f883af:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/8/6 09:08:23) ———— 修复markdown渲染bug
session id: .1048292239354748:4d02315e607fecfbe893e85c35d5d099_6a753972e921f4374c02a436.6a75483ae921f4374c02a807.6a754839e7fcace315ffbdfb:Trae CN.T(2026/8/7 10:51:38)—— 优化待抽取图谱的对话数的显示
session id: .1118661747671820:64a26f1c59c7edf956e29e534bfd6695_6a6cb00d08b52c72d2a30c64.6a6d800f08b52c72d2a31c25.6a6d800fdeaae609b12b2e5c:Trae CN.T(2026/8/1 13:11:43) —— 优化界面动画
六、技术方案分享
技术栈
| 浏览器插件侧 | 桌面软件侧 | |
|---|---|---|
| 类型 | Chrome MV3 扩展 | Electron + FastAPI 桌面软件 |
| 主语言 | JavaScript（ES2020+） | TypeScript + Python 3.12 |
| 前端 | 原生 + turndown / marked / KaTeX | React 18 + Vite 5 + Zustand + react-force-graph |
| 后端 | Service Worker（无端口） | FastAPI + SQLAlchemy 2.x（异步）+ aiosqlite + FTS5 |
| 数据存储 | IndexedDB（本地）+ 可选远程向量库 | SQLite + FTS5（backend/data/app.db） |
| 测试 | Vitest + jsdom | pytest + pytest-asyncio（含 e2e） |
| 打包 | GitHub Actions | pnpm dist（electron-builder + NSIS） |
关键实现思路
- 纯 DOM 采集而非网络拦截：避免 monkey-patch
fetch/XHR带来的页面副作用与平台协议变化风险，只在用户已渲染内容上提取，保留完整 Markdown。 - Observation → 候选 → 入图 三段式：原始对话不可变，候选与正式图谱分离，确保「可追溯 + 可撤销 + 可纠正」。
- Agent 控制面：高风险工具调用走 Plan/Build 与人工确认；WS 在线检查 + 任务注册表接管后台任务生命周期，关停时有界等待。
- SQLite 加固：每连接
foreign_keys=ON+ WAL +busy_timeout+synchronous=NORMAL+ 已知锁冲突有限重试。 - 本地优先隐私：插件原始数据默认 IndexedDB、软件端默认本机 SQLite、服务只监听 loopback；需要模型处理时请求发往用户自行配置的 LLM 端点。
七、社会价值与产品迭代规划
社会价值
-
将“第二大脑”留在你的大脑中：我们坚信一个事实，AI能替你做出回答，但不能替你学会。只有你学会了，“第二大脑才是你的”。
-
降低 AI 资产沉没成本：让普通用户（不限于开发者）也能把跨平台 AI 对话转化为可复用资产，缩小「重度 AI 用户」与「资产积累者」之间的鸿沟。
-
可解释的知识系统：所有 Agent 判断带来源与置信度，避免「黑盒替用户改写长期记忆」的风险，为可信赖的个人 AI 助手提供一种工程范式。
-
本地优先的隐私模型：默认数据不离开用户设备，LLM 端点由用户自选，契合个人知识资产对隐私的高敏感场景。
当前诚实的边界
- 当前最适合 单机本地：模型延迟、第三方平台 DOM 变化、Service Worker 生命周期、本地配对鉴权、完整事务一致性、超大数据性能仍需继续加固。
- 行业风口为「基于当前图谱的机会假设」，不是实时市场情报。
- 平台适配受第三方页面与协议变化影响，不承诺六平台永久稳定兼容。
迭代规划
- 短期（决赛前） ：公网多用户账户与隔离、PostgreSQL / Redis 后端、跨设备同步、实时外部数据源与引用追踪。
- 长期：从「个人知识资产容器」演进为「个人 AI 工作长程上下文」，沉淀可被外部智能体消费的可信上下文层。
八、总结
我们的目标不是再做一个聊天框，也不是再做一个笔记工具，而是让每一次 AI 对话都留在用户身上，从一次回答，变成之后持续复习、跟进和交付的个人知识资产。