使用agent搭建LLM个人成长分析系统和学习系统

背景

随着 LLM 技术的普及，利用 AI 进行个人知识管理和自我提升正成为开发者社区探索的前沿方向。近期，有开发者在 LINUX DO 社区分享了一项颇具前瞻性的实践：尝试使用 Agent 架构搭建个人专属的成长分析系统与学习系统。该实践采用“GPT 负责方案设计，DeepSeek 负责方案执行”的协作模式，旨在将 AI 从一个单纯的聊天工具，升级为能够长期陪伴、深度挖掘个人潜力的智能系统。然而，在实际落地过程中，该项目也遭遇了当前 LLM 应用中典型的工程化瓶颈。

核心内容

该分享详细阐述了其基于 Agent 搭建的双系统架构、设计原则以及当前面临的核心挑战。

1. 双系统架构设计

• 成长分析系统：以用户导出的微信聊天记录、日常记录文档及学习笔记作为底层 fact（事实数据源），通过 LLM 进行多维度的深度分析。目前设定的分析维度包括：心理机制分析、行为模式识别、事实抽取、大五人格评估以及认知偏差检测。
• 学习系统：以用户的实际工作需求和搜集到的学习资源为基础，进行长期的学业与技能提升管理。其特点在于采用“按阶段计划制定”而非“按时长安排”的策略，并通过预设的 skill 对已记录的知识点进行提问与测试，以巩固学习成果。

2. 系统设计限制与原则 为了确保系统的可用性与生命力，项目设定了四个核心限制：

• 可长期演进：系统需具备迭代能力，而非一次性分析。
• 使用心智负担小：交互与操作需尽量简化，避免过度消耗用户精力。
• 可移植：系统应具备跨平台或跨环境的迁移能力。
• 以 md 文档为事实依据：所有分析结论和知识沉淀最终必须落地为系统内的 md（Markdown）文档，作为不可篡改的事实源。

3. 当前面临的核心痛点 尽管架构设计完善，但在实际运行中暴露了两个严重问题：

• 上下文爆炸与注意力丢失：由于导入的微信聊天消息体量过大，直接打爆了 LLM 的上下文窗口窗口。这导致模型的分析注意力极度偏向数据的前段，而后段的大量数据被忽略，无法实现全量数据的统筹分析。
• 分析内容空泛教条：目前的分析输出流于表面，缺乏深度的个人化洞察，显得教条化。系统未能达到用户预期的“自用、长期演进、迭代成长”的要求，分析结果缺乏真正的行动指导价值。

关键要点

• Agent 分工模式：采用 GPT 进行顶层架构与方案设计，DeepSeek 负责具体执行，探索了多模型协作在个人系统开发中的可行性。
• 多维心理与行为分析：将大五人格、认知偏差、心理机制等心理学维度引入 LLM 分析，突破了传统仅基于事实罗列的浅层总结。
• 非时间驱动的学习系统：学习计划按阶段而非时长制定，更符合技能掌握的客观规律，辅以 skill 提问测试，强化了知识