学习工作赛道 · 知墟 - AI 编程助手统一观测与优化

一、Demo 简介

1.1 是什么

知墟(ZhiXu) 是一款 AI 编程助手统一观测与优化平台 Web 应用。

一句话概括: 知墟 = AI 编程助手的"体检中心 + 健康管家 + 进化引擎"。

核心价值主张: 知墟的终极目标不是"监控 AI",而是"让 AI 自我进化"。

1.2 面向谁

  • 独立开发者:日常使用 Trae/Claude Code/Cursor,希望优化 AI 使用效率

  • 小团队技术负责人:关注团队 AI 工具使用情况和 ROI

  • AI 编程学习者:希望理解如何更好地使用 AI 编程工具

1.3 主要功能

功能模块 描述 截图
:bar_chart: 可视化看板 核心指标一目了然:Token 总数、请求数、平均延迟、错误率、成本 截图1
:gear: 规则管理 完整的规则 CRUD,支持条件配置、动作配置、优先级设置 截图2
:bell: 告警通知 钉钉/邮件/Webhook 三通道,支持配置测试 截图3
:counterclockwise_arrows_button: 反馈闭环 采集 → 分析 → 执行 → 注入提示 → AI 进化 核心差异化

产品截图展示:


二、Demo 创作思路

2.1 灵感来源

在使用 Trae 和 Claude Code 进行日常开发的过程中,我发现:

  1. 数据孤岛问题:多个 AI 编程助手分别产生数据,Token 消耗、错误率等指标分散,无法统一查看。

  2. 被动使用困境:AI 产生错误后,下次可能还会犯同样的错误。缺乏反馈闭环,AI 不会从错误中学习。

  3. 缺少量化依据:Token 消耗了不少,但不知道花在哪些场景;代码反复调试,不知道是提示词问题还是上下文问题。

核心洞察: 如果有一个平台能像"AI 体检中心"一样,自动收集数据、用规则引擎发现问题,并将错误模式反馈给 AI —— 就能让 AI 越来越聪明。

2.2 想解决的问题

痛点 描述 解决方案
数据分散 多工具数据无法统一查看 统一数据总线 + 可视化看板
缺少反馈闭环 AI 重复犯错,无法自我进化 错误模式注入 → AI 上下文优化
成本不可控 Token 消耗无法归因 实时监控 + 告警通知
被动等待问题 出了问题才发现 规则引擎主动预警

2.3 为什么做这个方向

差异化定位: 市面上的监控工具大多是"被动展示数据",而知墟的核心是主动执行 + 反馈闭环——让 AI 从错误中学习,真正做到"越用越聪明"。

技术可行性: 基于 OpenTelemetry 标准协议,数据采集标准化;Node.js + React 技术栈成熟,MVP 可快速验证。


三、Demo 体验地址

3.1 可体验方式

本 Demo 提供以下体验方式(任选其一):

方式一:本地运行体验(推荐)

# 1. 克隆项目
git clone https://github.com/MarioM2026/zhixu-ACOP-AICodeCopilot.git
cd zhixu-ACOP-AICodeCopilot
​
# 2. 安装依赖
npm install
​
# 3. 启动开发服务器
npm run dev
​
# 4. 访问 http://localhost:3000

方式二:在线体验链接

:paperclip: [请部署后在此插入可公开访问的体验链接]

方式三:HTML 文件体验

:paperclip: [请将下方附件 知墟-初赛体验版.html 下载后直接在浏览器打开即可体验]

3.2 体验指引

体验时请注意以下核心功能:

  1. 看板首页:查看 5 大核心指标卡片 + Token 趋势图

  2. 事件管理:浏览 AI 编程事件列表,支持时间筛选

  3. 规则管理:查看/新增/编辑/删除规则,体验条件配置

  4. 告警设置:配置钉钉/邮件/Webhook 并测试发送


四、TRAE 实践过程

4.1 开发流程概览

知墟项目采用前后端分离架构,使用 TRAE IDE 完成开发:

需求分析 → 技术选型 → 架构设计 → 前端开发 → 后端开发 → 规则引擎 → 测试优化
    ↓
  TRAE 辅助

4.2 关键开发步骤截图

:camera_with_flash:

:camera_with_flash:

:camera_with_flash:

4.3 关键 Session ID

以下 Session ID 证明知墟项目主要功能由 TRAE 辅助开发完成:

序号 功能模块 Session ID
1 项目初始化 + 技术选型 2662339864982761:6b5ed45d8df068d580dbbf2c926d84e4_6a2fb526ff109776428ca9ac.6a34cdc233115345daf6898c.6a34cdc233115345daf6898a:TRAE Work CN.0.1.19.no_sid.no_ppe.T(2026/6/19 13:04:02)
2 规则引擎核心逻辑实现 2662339864982761:ae3441e08c0a133bf58424f08c1a8e89_6a2fb526ff109776428ca9ac.6a34d06933115345daf689f0.6a34d06933115345daf689ee:TRAE Work CN.0.1.19.no_sid.no_ppe.T(2026/6/19 13:15:21)
3 告警通知功能开发 2662339864982761:ecf794cc7cbc1f69d76b7a21fe36e0ad_6a2fb526ff109776428ca9ac.6a34d60833115345daf68ae2.6a34d60833115345daf68ae0:TRAE Work CN.0.1.19.no_sid.no_ppe.T(2026/6/19 13:39:20)
4 前端页面优化与调试 2662339864982761:d2ced8ff207525efcc2d3d2d0d67a4d4_6a2fb526ff109776428ca9ac.6a34d1d833115345daf68a08.6a34d1d833115345daf68a06:TRAE Work CN.0.1.19.no_sid.no_ppe.T(2026/6/19 13:21:28)

如何获取 Session ID?

在 TRAE IDE 中,双击对话即可复制 Session ID。具体操作请参见:初赛参赛指南

4.4 核心技术实现

规则引擎(最核心):

// 规则引擎核心逻辑
class RuleEngine {
  // 定时扫描事件数据
  async scanAndEvaluate(events: AICodeEvent[]) {
    for (const rule of this.rules) {
      if (rule.evaluate(events)) {
        await this.executeAction(rule);
      }
    }
  }
​
  // 执行动作:告警 / 清理上下文 / 注入提示
  async executeAction(rule: Rule) {
    switch (rule.action.type) {
      case 'send_alert':
        await this.alertService.send(rule.action);
        break;
      case 'clear_context':
        await this.traeAdapter.cleanupContext();
        break;
      case 'inject_prompt':
        await this.traeAdapter.injectPrompt(rule.action.prompt);
        break;
    }
  }
}

反馈闭环流程:

📊 采集数据 → 🔍 分析模式 → ⚙️ 执行规则 → 💡 注入提示 → 🧠 AI 进化
     ↑                                                              ↓
     └─────────────── 验证效果 ← 持续优化 ←───────────────────────┘

4.5 踩坑与解决

问题 解决方案
前端 API 返回结构不一致 统一后端返回格式 { success, message, data }
告警测试失败 添加错误原因提示,区分成功/失败状态
规则动作执行链路未打通 规划下一阶段:executeAction 集成 alertService

五、参赛信息

报名帖链接: 学习工作 + 知墟 - AI 编程助手统一观测与优化

项目开源地址:https://github.com/MarioM2026/zhixu-ACOP-AICodeCopilot


Demo 完成日期: 2026年6月19日

期待复赛见!:rocket:

知墟-初赛体验版.html (38.8 KB)