从环境搭建到企业级周报系统落地，再到愿景全面升级——这是我用"人机协作"模式构建 WorkMate 的完整心路历程

一、开篇：从"三篇理论"到"第一个实体功能"

        在之前的《引言篇》确立了"干中学"核心理念，《绪论篇》完成了 Spring AI + DeepSeek 环境搭建。但说实话，那时候我心里是没底的——环境跑通了，可距离"真正能给公司用"还差着十万八千里。

        过去的这两周，是我把理念转化为工程现实的关键时期。我作为产品经理和架构师负责决策，用 DeepSeek 担任首席架构师助理，再由专门的代码生成 Agent 负责落地实现。

        今天，我将完整复盘这次"三体协作"的全过程——不仅是代码层面的实现，更重要的，是这两周工作让我对 WorkMate 的定位产生了全新的认知升级。

 二、第一阶段：需求的"变形记"

        最初我只想做一个简单的日报 Agent，输入零散记录，输出一段通顺的文字。但真正动笔写第一篇博客时，我意识到一个尴尬的问题：周报不需要"通顺的文字"，只认严格的模板——项目必须分开写，必须有总结、下周计划，甚至要有基于近一个月趋势的行业分析。

        这个阶段我学到了最重要的一课：如果只是把模板塞进 Prompt，AI 依然会因为"缺乏历史数据"而把行业分析写成泛泛而谈的"正确的废话"**。因此，我决定引入历史周报库（存入MySQL），让 AI 在生成分析时"有据可依"。这看似简单的决策，实际上让 WorkMate 从一个"文本生成器"升级为了一个具备短期记忆能力的智能助理。

*心得：AI Agent 的能力上限，不取决于模型参数，而取决于上下文窗口里塞了什么数据。

三、第二阶段：架构设计的"抽象与具象"

面对"结构化输入"和"历史记忆"两个需求，我画定了三层数据流转架构：

1. 输入层（DTO）：不再接收模糊的 String，而是强行按 `projectANotes`、`projectBNotes` 分流。与其让 AI 去猜哪个是项目A，不如让用户贴好标签。
2. 逻辑层（Agent Service）：核心是 "历史拉取 + 模板拼装" 。每次请求先拉取近 4 周的数据，拼装成结构化的 System Prompt。
3. 输出层（Entity）：强制 AI 返回固定 JSON 结构，用 Jackson 反序列化后直接 `save` 进数据库，实现 "生成即归档" 。

这个阶段我深刻体会到：写 Java CRUD 不难，难的是如何将模糊的业务需求（"要好看的分析"）转化为精确的工程约束。

 四、第三阶段：工程实现
| **P-1** | Maven 依赖管理 | 补充 JPA、MySQL 和 Spring AI DeepSeek 依赖，注明版本兼容性 |
| **P-2** | 配置文件 | 补全 `application.yml` 数据源、连接池和 DeepSeek base-url |
| **P-3** | 数据建模 | `@Entity` 周报实体 + `@Data` 请求/响应 DTO，Lombok 注解 |
| **P-4** | 数据访问层 | `JpaRepository` + 自定义方法 `findTop4ByOrderByWeekStartDateDesc` |
| **P-5** | 核心业务逻辑 | SystemPrompt 强制 JSON 输出 + 历史数据注入 + Markdown 标记清理 + 自动入库 |
| **P-6** | 控制器层 | `@RestController` 统一返回 JSON 格式，异常统一处理 |

 五、第四阶段：最终集成

        我按照代码生成 Agent 提供的代码，完成了最后的粘合与启动。

测试数据输入（模拟零散记录）：

```json
{
  "projectANotes": "修复支付超时Bug，优化缓存策略，完成接口文档编写",
  "projectBNotes": "设计新架构的ER图，完成技术选型调研",
  "otherNotes": "本周三参加了部门技术分享会"
}
```

**数据库中的产出结果**：

不仅输出了分项目的结构化周报，在 `industry_analysis` 字段中，AI 结合我之前存入的两条模拟历史数据，自动生成了如下分析：

> *"结合近一个月 AI 大模型降价趋势，建议项目A的缓存策略考虑接入更廉价的边缘计算节点；项目B的架构选型应优先考虑与现有云原生生态的兼容性。同时，行业内对 RAG 技术落地关注度持续升温，建议团队提前储备向量数据库相关能力。"*

当这条数据写入 MySQL 的瞬间，我知道 WorkMate 项目真正活了。它不再是调着玩的 API，而是一个真正能减轻我每周五下午痛苦的工具。

六、阶段性思考：愿景的全面升级

        这两周把周报 Agent 跑通后，我切身体会到了 AI Agent 对工作效率的巨大提升。但与此同时，随着对工作场景的深入理解，我发现最初的规划太保守了。

        我之前规划了一个"能根据产品经理设计或竞品生成代码的 Agent"，但这两周的工作让我想明白了：我之前的考虑只停留在表面，我真正需要的，不是生成代码这个过程，因为现在市场主流agent完全能够胜任，我之所以不满意并不是他们的agent不好，而是让 通用模型无法基于我的业务，写出最适配的代码，核心是要让Agent理解我的工作内容、产品逻辑和业务上下文。

基于这个认知，我对 WorkMate 的愿景做了全面升级，新增了三个核心 Agent：

1. 业务知识库 Agent（知识向量化）

核心意图：让 Agent 真正"懂"我的业务。

技术路线：
- 将产品需求文档（PRD）、竞品分析报告、团队会议纪要、技术设计文档全部向量化
- 引入 Spring AI 的向量存储（Vector Store），构建专属知识库
- 当周报 Agent 生成分析时，不仅能参考历史周报，还能检索相关知识库中的业务上下文

预期效果：AI 生成的周报不再只是"把零散记录整理通顺"，而是能结合产品定位、竞品动态给出**有业务深度的分析和建议。比如："考虑到我们产品的核心差异化是 X 功能，建议下周在项目A中优先推进 Y 模块的落地"——这种级别的洞察，只有"懂业务"的 AI 才能给出。

 2. 行业资讯小助理

功能定位：每天自动爬取行业和技术前沿的资讯动态。

触发机制：每天早晨定时执行，聚合来自多来源的行业和技术高质量前沿内容咨询。

集成方式：生成每日资讯摘要后，存入知识库或单独的资讯表，作为后续行业分析的实时数据源。这样每周的 `industry_analysis` 就不再依赖"近一个月的陈旧历史"，而是融合了最新的行业动态。

 3. 招聘情报与智能投递 Agent

功能定位：每天爬取若干招聘网站的岗位信息，并根据岗位要求与我的简历匹配度，自主决定是否投递。

技术挑战：
爬取层：应对不同招聘网站的反爬策略
匹配层：用 Embedding 计算简历与 JD 的语义相似度，阈值达标才触发投递
沟通层：匹配成功后，由 AI 自动生成差异化求职信，并模拟与 HR 的初步沟通

价值思考：这个 Agent 表面上看起来和"工作助理"关系不大，但我认为它代表了一个重要方向——Agent 不仅要辅助人的工作，还要在人的职业发展路径上提供主动服务。它的本质是一个"职业发展助理"。

七、新的整体架构图

经过这次愿景升级，WorkMate 的架构从"三 Agent + 一路由器"演变为：
┌─────────────────────────────────────────────────────────────┐
│                      WorkMate 多智能体系统                    │
├─────────────────────────────────────────────────────────────┤
│  输入层                                                     │
│  ├── 用户自然语言指令                                        │
│  ├── 工作记录（零散笔记/会议纪要）                            │
│  └── 外部数据（资讯爬取 / 招聘信息抓取）                      │
├─────────────────────────────────────────────────────────────┤
│  智能路由器（Intent Router）                                 │
│  └── 意图识别 → 路由到对应 Agent                             │
├─────────────────────────────────────────────────────────────┤
│  Agent 层                                                   │
│  ├── 周报/日报 Agent（已实现 ✓）                             │
│  │   └── 结构化输出 + 历史记忆 + 行业分析                    │
│  ├── 业务知识 Agent（规划中）                                │
│  │   └── 知识向量化 + RAG 检索 + 业务上下文理解              │
│  ├── 资讯小助理（规划中）                                    │
│  │   └── 定时爬取 + 摘要生成 + 知识库注入                   │
│  └── 招聘投递 Agent（规划中）                                │
│      └── 岗位匹配 + 智能投递 + 自动沟通                      │
├─────────────────────────────────────────────────────────────┤
│  知识层                                                     │
│  ├── 向量数据库（业务文档 / PRD / 竞品报告）                  │
│  ├── 关系数据库（历史周报 / 资讯归档 / 招聘记录）             │
│  └── 用户画像（简历 / 技能栈 / 职业偏好）                    │
├─────────────────────────────────────────────────────────────┤
│  基础设施层                                                  │
│  ├── Spring AI + DeepSeek API                               │
│  ├── MySQL + Vector Store                                   │
│  └── 定时任务调度（xxl-job / @Scheduled）                    │
└─────────────────────────────────────────────────────────────┘

 八、复盘：关于"干中学"与"人机协作"的几点思考

1. 不要神化 AI 代码生成

代码生成 Agent 擅长的是"实现"，而不是"决策"。如果没有我在前期设计的 DTO 分流逻辑和历史拉取策略，它生成再漂亮的代码也只是一堆无用的字符串处理。

正确的分工是：人做决策，AI 做执行。

2. Prompt 是新的编程语言

在这次实践中，我写给 AI 的 SystemPrompt（角色设定、输出格式约束）和写给代码生成 Agent 的任务提示词，其重要性远超 Java 语法本身。

Prompt 工程不是"花哨的话术"，而是结构化、可复用的约束语言。

3. 反馈周期决定成败

如果我是自己一行行查文档写 JPA 配置，可能卡在 MySQL 权限上又要耗掉一个周末。但通过 Agent 直接生成可运行的代码，我将反馈周期压缩到了分钟级。

4. 认知升级：从"功能堆砌"到"系统思考"

刚起步时，我只想着"实现几个 Agent"，把功能做出来。但这两周跑通周报 Agent 后，我意识到：

单个 Agent 的价值是有限的，真正能产生质变的，是让 Agent 们共享知识层——一个懂业务的 Agent，胜过十个只会调 API 的 Agent。

这也是为什么我决定把"知识向量化"放到最高优先级。周报 Agent 是 WorkMate 的"手"，业务知识 Agent 才是 WorkMate 的"大脑"。
九、下一步工程计划
| P0 | 引入向量数据库 | 1天 | 选型 Milvus / PGVector / Redis Vector，完成 Spring AI 集成 |
| P0 | 业务文档导入 | 1天 | 将 PRD、竞品报告等文本分块、Embedding、入库 |
| P1 | 升级周报 Agent | 1天 | 在 Prompt 中注入检索到的相关知识，验证效果 |
| P1 | 资讯小助理 MVP | 2天 | 先爬 1-2 个源，存入数据库，定时触发 |

完成招聘投递 Agent 的 MVP（先做匹配，投递留手工确认）
智能路由器接入所有 Agent
提供 Web 界面或企业微信机器人入口

十、结语

这两周的经历让我对"AI 辅助编程"有了全新的理解。

不要只把 AI 当成问答工具，试着把它当成团队的"初级开发"来管理——你只需要当好那个懂业务、懂架构的"技术负责人"即可。**

而 WorkMate 这个项目，也在不知不觉中从一个"练手项目"变成了一个真正能改变我工作方式的工具。更重要的是，随着知识向量库和三个新 Agent 的加入，它的想象空间正在变得越来越大。

现在，我的每日工作流正在被自己亲手构建的 Agent 系统重塑——这种感觉，比单纯学会一个框架要爽得多。