后端 RAG 需要语料支撑，这周给 data_crawler 补了对剩余科目的爬取和向量构建支持，并实际爬取、清洗、入库了多个科目的语料（cnblogs、csdn 等源，覆盖高数、算法、计算机网络、数据结构、数据库、操作系统等），为知识库检索增强提供数据基础。这一周把项目从"演示能跑"推到了"真机可用"：图片链路重构 + 多端 SSE 让真机体验立住了，练习自评、学习计划修复、推荐问题等一批联调

上一篇《测试体系与代码维护》收尾时立了个 flag——测试体系搭好了，"下周开始让它真正活起来"。这一篇就来兑现这句话。接手的两个模块——后端course-ai（Spring Boot 3.4 + MyBatis-Plus + Spring AI）和前端（uniapp H5）——拿到时的状态其实不太体面：编译不过、依赖配置缺项、前后端 API 路径完全对不上，聊天 / 画像 / 错题这些关键链路全

前篇博客把"智能互动与练习"模块的整体设计梳理清楚——5 个接口、3 条原则、教学闭环的"学—练—诊—反馈"。这一篇专注记录把设计变成代码时的关键技术实现。

回看整个模块的实现过程，最深的体会是——AI Agent 类产品的"智能感"，几乎完全决定于底座的丰富程度。如果没有上一阶段的 18,908 条切片与 358 个图谱节点，本模块的 RAG 与专项编排都只能退化为简单逻辑；同样，如果没有第一阶段的用户画像，自适应选题就无从谈起。每一层基建在当下看可能像"工程上的累活"，但它决定了上层产品体验的天花板。模块层面，本周已经把"学—练—诊—反馈"的最小闭

这一天的工作，是将"计科智伴"从产品原型进一步向可运行系统推进的一步关键基建。整个过程的核心在于，我始终以**"AI Agent 最终需要调用什么"**为牵引，倒推知识库应该以何种形态存储、以何种接口暴露。通过分层架构让每个环节独立可测、通过双库协同让不同类型的 Agent 任务各取所需、通过幂等设计让整个流程能够反复演进而不留垃圾数据。18,908 条切片加上 358 个图谱节点，本身只是数字；