继续我的Datawhale组队学习之旅，进入了Task3阶段——深入第三章的项目实战。按照学习任务，本应完成ToDo List项目并体验完整的“需求→提示词→代码→运行→修改”闭环。但延续上一阶段的思路，我依然选择在自己的项目Linku灵库上进行实践。

如果说Task2是“从零到一，把项目跑起来”，那么Task3就是“从能跑到好用”——对UI界面进行优化、增加核心功能、拉取更强的模型，让这个个人知识库助手真正变得可用、好用。

一、这一阶段做了什么

1. UI界面优化

MVP阶段的项目界面偏“能用就行”，这一阶段我花了不少精力在前端体验上。主要优化包括：

• 整体布局重构：采用更清晰的切换分栏，让文档导入、智能问答和文档管理三个核心场景切换更自然
• 文章阅读器升级：之前只是简单的文本展示，现在增加了阅读视图，阅读体验更像一个真正的“知识库”
• 视觉风格统一：调整配色、字体、间距，让整个应用看起来更协调

Linku主界面

体感：界面优化看起来是“面子工程”，但对于一个知识管理工具来说，阅读舒适度直接影响使用意愿：改完之后用户自己也许会更愿意用Linku去整理和回顾文章。

2. 文章阅读器 + 批注/笔记/标签功能

这是本次迭代最核心的功能新增。之前Linku能做的事情是“导入文档→AI问答”，但文档本身是不可交互的静态内容。现在增加了一套完整的阅读与标注系统：

• 文章阅读器：支持Markdown和纯文本的优雅渲染，带给用户更舒适的文章阅读体验
• 标注功能：在阅读过程中可以选中文本添加标注，标记用户觉得重要的部分
• 写笔记：每篇文章可以单独记录自己的阅读笔记，文思泉涌随时写下
• 打标签：支持为文档添加自定义标签，用于文档管理分类筛选和检索

笔记阅读器

体感：这一组功能让Linku从一个“AI问答工具”真正变成了“知识管理工具”。用户不再只是被动地和AI对话，而是可以主动地在知识库中留下自己的思考和标记。

3. 智能问答模块优化

• 提示词优化：之前回答质量不稳定，尤其是要求“基于知识库回答、不要编造”时，模型偶尔会“自由发挥”。我重新设计了系统提示词，明确了角色定位、回答规范、引用要求和拒绝回答的边界条件，对话顺畅度明显提升
• 模型升级：从qwen2.5:1.5b升级到qwen2.5:7b。1.5b模型适合快速测试，但回答质量和上下文理解能力有限；7b模型在语义理解、逻辑推理和中文表达上都明显更强，虽然推理速度慢了一些，但实际使用体验好很多

智能问答界面

体感：模型的选择直接影响产品的“能力”。1.5b像是和一个不太聪明的机器对话，7b则更像一个真正理解你问题的助手；而对于知识库问答场景，模型能力也是体验的重要影响。

二、Linku灵库项目现状

一句话定位：Linku是一个运行在你电脑上的个人知识库助手——收藏文章、智能问答、永不遗忘。

项目核心价值之 痛点&Linku的解决方案 ：

• 收藏几百篇文章，从不回头看 & AI帮你记住，你只管提问 
• 想找之前看过的一篇文章，只记得大概内容 & 用自然语言搜索 
•  文章太长不想读 & AI帮你总结核心观点 
•  担心数据上传云端泄露隐私 & 完全本地运行，数据不出你的电脑 

功能亮点：

• 导入知识：支持PDF、Markdown、TXT、网页链接抓取、手动粘贴文本
• 智能问答：自然语言提问，AI基于知识库回答，附带来源引用，流式输出
• 文档管理：查看、搜索、删除文档，查看导入状态和分块统计
• 文章阅读器：优雅渲染文档内容
• 批注/笔记/标签：在阅读过程中留下自己的思考和标记

技术栈：FastAPI + ChromaDB + Ollama + Gradio

项目状态：MVP已完成，可正常使用；本次迭代后UI更友好、功能更完整、问答质量明显提升

三、这一阶段的核心收获

1. “需求→提示词→代码→运行→修改”闭环的真实体感

书中第三章强调的五个步骤，在实际迭代中感受非常真切。以“增加批注功能”为例：

• 需求：我想在阅读文章时可以选中一段文字添加标注
• 提示词：描述清楚标注的形式（加粗/荧光笔/下划线）
• 代码：AI生成基础实现，我根据项目架构进行调整
• 运行：测试发现批注没有正确关联到段落位置
• 修改：补充段落索引的逻辑，重新生成并集成

这个闭环跑了不止一轮，有的时候没显现有的时候漏了效果，每一次循环都在逼近“理想实现”。AI编程确实不是一次生成就结束了，而是持续对话、持续迭代的过程。

2. 结构化提示词的边界和灵活性

上一阶段我学会了“写结构化提示词”，这一阶段我发现：提示词不是死的模板，而是要根据任务类型灵活调整。

对于UI调整类任务（如“把按钮颜色改成蓝色”），提示词可以很简洁；对于功能新增类任务（如“增加标注功能），需要详细描述数据结构、交互流程、前后端接口；对于Bug修复类任务（如“问答输出不流畅”），需要提供错误现象、日志信息、期望行为

实现关键是：你要清楚自己想让AI做什么，以及AI需要哪些信息才能做好。

3. 模型升级带来的体验跃升

从1.5b到7b，不只是参数量的变化，更是产品“可用性”的质变。1.5b版本的问答经常答非所问，或者明明是知识库里有答案却回答“不知道”；7b版本明显更能理解问题意图，回答也更贴合知识库内容。

这让我意识到：在RAG应用中，检索质量和生成模型能力是两条腿，缺一条都走不远。之前我花了很多时间优化分块和检索，但模型能力本身就是天花板。升级模型后，同样的知识库、同样的检索结果，回答质量上了一个台阶。

4. 从“能跑”到“好用”是一个系统工程

MVP阶段的目标是“让它能跑起来”，这一阶段的目标是“让它好用起来”。两者之间的差距体现在很多细节上：界面是否直观？用户需不需要看教程就知道怎么用？交互是否流畅？还是卡顿、反馈不明确？回答质量是否稳定？还是偶尔“抽风”？

这些都不是“加一个功能”就能解决的，而需要持续的打磨和测试：AI辅助编程可以加速功能实现，但产品体验的打磨仍然需要人的判断和耐心。

四、下一步计划

Linku不止步于此，会继续与广大用户链接，探寻更广的能力，或许未来的我们会这样：

• 检索质量优化：调整分块策略和embedding模型，提高检索准确率
• 推广应用：探索浏览器插件、移动端应用形式，拓宽未来场景
• 网页剪藏优化：更好地处理不同网站的正文提取
• 性能优化：大模型推理速度和检索延迟还有优化空间

写在最后

这一阶段的学习让我对AI Coding有了更深入的理解。如果说Task2是“学会和AI对话”，那么Task3就是“学会和AI一起做产品”。To Do List也好，Linku也罢，项目本身不是目的，真正有价值的是在这个过程中建立的工作流和思维方式：

1. 把模糊的想法变成结构化的提示词
2. 在“生成—运行—发现问题—修正”的闭环中快速迭代
3. 理解AI的能力边界，知道什么时候该用AI、什么时候该自己写
4. 不盲信生成结果，始终保持对代码和产品的判断力

Linku灵库还在路上，还会继续迭代。

但经过这一阶段，我对“如何用AI辅助做一个真正的产品”有了更清晰的地图。如果你也在做个人知识库相关的东西，或者对AI辅助编程感兴趣，欢迎交流～封面由AI辅助生成~