algo-growth
algo-growth 是一个帮助算法学习者持续成长的智能体项目。它面向任何想学习算法、数据处理或工程基础的人，通过个性化方案、每日跟进和阶段复盘，把“我要开始学习”变成可以被记录、提醒和调整的成长闭环。
项目定位
algo-growth 不是课程平台，也不是考试系统。它更像一个算法成长教练：先理解学习者当前基础、时间投入、目标和学习偏好，再生成短周期计划，并持续陪伴执行。
当前第一阶段采用 Coze 智能体与飞书私聊 Bot 作为落地形态：
- 学习者通过私聊 Bot 开始建档
- Bot 根据画像和目标生成 4 周学习计划
- 每天通过飞书提醒打卡
- 漏打卡会记录 missed，并允许 3 天内补卡
- 每周生成复盘草案，用户确认后归档
- 4 周结束后归档本轮计划，并为下一轮计划提供调整建议
为什么做
很多学习失败不是因为没有资料，而是因为没有连续的执行系统。算法学习尤其如此：入门者容易卡在资料选择、任务拆解、坚持节奏和反馈不足上。
algo-growth 想解决的不是“给更多资源”，而是帮助学习者形成一个可持续的小循环：
建档 -> 计划 -> 打卡 -> 补卡 -> 复盘 -> 归档 -> 下一轮计划每一个任务都必须有最小完成标准，例如提交代码片段、写 100 字总结、完成若干道题并记录思路。这样学习不只停留在“看过”，而是留下可复盘的行动痕迹。
当前版本
当前版本是 v1.0.0，这一版把 algo-growth 定义为“闭环测试与试点准备”的第一版公开快照。
已经完成或形成方案的部分包括：
- Coze Bot 角色、边界和系统提示词设计
- 飞书私聊 Bot 作为第一阶段入口
- 5 张核心数据表：学习者画像、公司目标、学习计划、每日打卡、周复盘
- 工作流 1-10：建档、目标拆解、计划生成、提醒、打卡、补卡、复盘和归档
- 每日 20:00 提醒、21:00 二次提醒、23:59 missed 标记的触发器方案
- 4 周完整闭环的 SQLite 模拟测试
- 多人数据隔离、active 计划唯一性、状态机转换和复盘统计校验
- 学习资源使用飞书多维表格维护的方案
- 建档偏好过滤：书籍、视频、实践或不限，并用于资源匹配
- 4 周结束后的月度自适应下一轮计划
本地模拟测试中，4 周闭环覆盖建档、公司目标、计划生成、打卡、周复盘和归档，16 项约束全部通过；触发器串联测试中，T1/T2/T3 的 9 项约束全部通过。
版本记录
v1.0.0
- 明确算法成长陪跑智能体的产品定位
- 设计建档、计划、打卡、补卡、周复盘和归档闭环
- 完成 5 张核心数据表与工作流 1-10 的方案拆解
- 完成 4 周 SQLite 模拟测试和触发器串联测试
- 明确单人试跑、多人隔离测试和 1 人 4 周试点的下一步路径
我在其中承担的角色
这个项目由我负责产品定义、流程设计、数据库结构、工作流拆解、测试用例设计和阶段验收。
我关注的重点不是让 Bot 显得聪明，而是让它在真实学习场景中可靠：不混淆用户、不重复创建记录、不随意推翻计划、不把 LLM 的判断直接写入关键结果，并且始终保留用户确认。
技术实现
- Coze Bot 承载智能体对话与工作流编排
- 飞书作为私聊入口和主动提醒渠道
- Coze 数据库承载学习者画像、目标、计划、日志和复盘
- 定时触发器负责每日提醒、二次提醒和 missed 标记
- 飞书多维表格维护学习资源库，支持低门槛协作更新
- SQLite 本地模拟验证状态机、数据隔离和 4 周闭环
- LLM 用于能力项拆解、计划生成、复盘草案和归档建议
不变原则
- 每个学习者同一时间只能有一个 active 计划
- 计划以 4 周为单位，不因单周波动轻易推翻
- 每日任务必须有最小产出标准
- 漏打卡可以被记录和补记，而不是被简单视为失败
- LLM 生成的重要判断必须经过用户确认
- 不做排名、不做正式考试、不做绩效评价
下一步
下一步会从配置方案走向真实试点：在 Coze 和飞书中完成 Bot、数据库、工作流与触发器配置，先进行单人完整试跑，再做多人隔离测试，最后进入 1 人 4 周试点，观察它是否真的能帮助学习者稳定推进。