智能 AI 陪练 | 2026.03 - 至今
智能 AI 陪练：把软技能训练升级为可评估、可追踪的工程系统
构建 AI 驱动的职场技能训练平台，借鉴 Agent Skill 理念，将传统难以量化的软技能转化为可评估、可追踪的能力模块。
Problem
为什么要做这个产品
传统软技能训练依赖主观反馈，缺少统一标准与长期追踪。目标不是做聊天 demo，而是搭建可复盘、可持续优化的训练闭环， 让技能成长具备可观测性与工程可维护性。
反馈主观
训练结果依赖经验判断，难以统一评估。
过程不可追踪
缺少稳定指标，难判断真实提升幅度。
业务贴合不足
通用建议难覆盖企业场景和知识约束。
Solution
核心设计与工程实现
Skill Package 版本化设计
把技能抽象为可版本化的 Skill Package，统一定义、rubric、示例与工具配置，支撑训练与评估一致性。
- 借鉴 Agent Skill 理念建立技能资产结构
- 设计 search -> get 两段式加载，先返回轻量索引再按需拉取完整定义
- 降低评估链路 token 开销并提升链路可维护性
AI Agent 评估引擎
基于 LangGraph ReAct + Tool Calling 实现“先选技能再评分”，让评估流程可解释、可复盘。
- 构建技能路由与评分链路，减少无关技能干扰
- 面向长对话设计三级上下文控制：分段裁剪、关键段优先、尾部截断
- 缓解长会话评估漂移，提升结果稳定性
可定制知识库系统
搭建企业知识注入链路，让评估结果结合业务语境输出更可执行反馈。
- 落地向量检索 + BM25 + reranker 混合检索
- 支持企业知识库接入并参与评估推理
- 线上检索准确率约 91%
Workflow
训练闭环
Step 1
选择训练场景并进入语音陪练
Step 2
实时对话与互动动作驱动训练过程
Step 3
会话结束后自动生成复盘与技能评估
Step 4
技能画像沉淀，形成可追踪的成长闭环
Outcome
工程结果
把软技能训练从主观反馈改造为结构化能力评估
评估链路具备可扩展与可复用能力，支撑持续迭代
企业知识注入后反馈更贴近真实业务场景
技术栈
LangGraphReActRAGBM25Python