AI-Native创业课程平台：从架构设计到代码实战

各位做技术、做产品、同时关注 AI 应用落地的朋友，大家好。

最近在技术社区里看到一个很有意思的项目思路：做一个“AI-Native”版的 YC Startup School。简单说，就是把 Y Combinator 那套经典创业课程体系，用大模型、Agent、个性化学习路径这些能力重新做一遍，让整个学习过程不再是“看视频 + 提交作业”，而更像有一位全天候的创业导师陪着你边学边练。

这篇文章会围绕这个项目展开，完整拆解什么是 AI-Native 的产品设计思路，以及如果要自己动手实现一个“AI 原生创业课程平台”，从架构设计、技术选型、数据模型，到核心功能代码、Prompt 工程设计、常见坑点，应该怎么做。文章偏实战，有完整代码示例和设计思路，适合正在做 AI 应用、教育产品、SaaS 工具，或者想学习大模型应用落地的开发者。

1. 背景：YC Startup School 与 AI-Native 的碰撞

1.1 YC Startup School 原本解决什么问题

YC Startup School 是 Y Combinator 推出的免费在线创业课程，面向早期创业者。它提供创始人访谈、创业方法论、融资建议、团队管理等内容，并且要求学员实际推进自己的创业项目。它的核心价值不是“上课”，而是“边学边做”。

但它也有几个明显的痛点：

1. 课程内容固定，无法根据每个创业项目的阶段、行业、团队情况动态调整。
2. 缺少及时反馈，学员提交的作业通常要等一段时间才能得到点评。
3. 学习路径是线性的，所有学员按同一个节奏推进，没有个性化。
4. 导师资源有限，无法做到 7x24 小时随时答疑。

这些痛点，恰好是大模型和 Agent 能力擅长解决的领域。所以“YC Startup School, but AI-Native”这个想法的本质，就是把传统在线教育平台升级为智能陪练系统。

1.2 什么是 AI-Native

要理解 AI-Native，先要区分两个概念：

• AI-Powered（AI 加持）：传统产品形态不变，在某个环节加入 AI 能力，比如文档工具里加一个 AI 摘要按钮。
• AI-Native（AI 原生）：产品的核心逻辑、交互方式、内容生成机制从第一天起就是围绕大模型设计的。AI 不是附加功能，而是产品的骨架。

举几个例子：

所以，“AI-Native 版 YC Startup School”不是做一个带聊天机器人的课程网站，而是要重新设计一套内容生成、学习路径规划、项目评估和导师反馈机制。

1.3 为什么这个话题值得关注

从技术角度看，它涉及到大模型应用开发的多个核心问题：

• 如何设计个性化学习路径生成器。
• 如何做长时间、多轮次的 AI 导师对话。
• 如何评估学员提交的创业项目并给出结构化反馈。
• 如何用 RAG（检索增强生成）让 AI 回答更专业、更符合课程体系。
• 如何控制 Prompt 成本、保障输出质量和内容安全。

从产品角度看，它代表了一类 AI-Native 教育产品的通用架构：用户画像 + 动态内容生成 + Agent 交互 + 评估反馈。这套架构不止能做创业教育，也能迁移到编程培训、企业内训、职业教育等场景。

2. 产品需求与核心功能拆解

2.1 项目目标

我们不是要做一个视频网站，而是构建一个“AI 创业陪练系统”。用户进来后，先描述自己的创业想法、所处阶段、行业方向，系统会根据这些信息生成一套个性化学习计划，并在学习过程中提供三种核心体验：

1. 动态学习路径：每周课程内容根据项目进展自动调整。
2. 创业导师 Agent：学员可以随时和 AI 导师讨论商业模式、用户调研、定价策略。
3. 项目里程碑评估：学员提交阶段性成果，AI 按 YC 风格给出评估报告。

2.2 用户角色

2.3 核心功能列表

• 项目信息采集：通过多轮对话收集创业项目的行业、阶段、团队规模等关键信息。
• 个性化课程生成：基于项目画像生成 8-12 周学习计划。
• 每日任务推荐：根据学习进度推荐阅读材料、练习题、实战任务。
• AI 导师对话：支持多轮上下文，结合课程知识库回答创业问题。
• 作业与项目提交：学员提交 BP、访谈记录、调研结论等文本内容。
• AI 专业评估：按商业模式、市场分析、团队执行、风险控制等维度打分并给出建议。
• 学习进度追踪：记录学习时长、任务完成度、项目里程碑达成情况。

这套功能体系，已经不再是“课程网站”，而是一个小型的 AI-Native 教育 SaaS。

3. 技术选型与系统架构

3.1 技术栈选择

基于快速验证和工程可维护性考虑，推荐以下技术组合：

这里的关键点：不要一上来就引入大量中间件，先用 PostgreSQL 自带的能力验证核心流程，等用户量上来再拆服务。

3.2 整体架构流程

用户输入创业想法 ↓ [项目画像提取] → 写入 PostgreSQL ↓ [个性化路径生成器] → 调用 LLM + 课程模板 ↓ [课程计划] → 日程表/学习任务 ↓ [AI 导师 Agent] → 检索课程知识库 → 多轮对话 ↓ [作业提交] → [评估 Agent] → 结构化评估报告 ↓ [进度看板] → 风险预警 → 提醒导师人工介入

整个系统可以拆成五个核心模块：

1. 前端交互层：负责采集项目信息、展示学习计划、聊天交互。
2. 业务服务层：负责用户、课程、作业、进度等常规业务逻辑。
3. Agent 层：封装大模型调用，负责路径生成、导师对话、作业评估。
4. 知识库层：把 YC 相关课程资料、经典文章、案例做向量化，供 RAG 检索。
5. 数据层：存储结构化业务数据和非结构化对话记录。

3.3 为什么需要 Agent 层而不是直接调 API

单纯的 LLM API 调用是无状态的，无法满足多轮对话和动态生成的需求。我们需要一层轻量级的 Agent 编排，它的职责是：

• 维护会话上下文。
• 决定是否调用外部工具（如检索知识库、查询课程进度）。
• 解析用户意图，决定走“课程答疑”还是“项目评估”。
• 对模型输出做校验和格式化。

这里说的 Agent 不一定是复杂的 AutoGPT 式自动规划，更多是一个可控的“函数调用 + 状态管理”流程。对于创业课程平台，稳定性和可控性比自动化程度更重要。

4. 数据库与关键数据模型设计

4.1 核心实体关系

一个 AI-Native 学习平台的数据库设计，核心表包括：

• users：用户
• projects：创业项目
• learning_paths：个性化学习路径
• lessons：课程内容
• path_lessons：学习路径与课程关联表（顺序、状态）
• conversations：对话会话
• messages：对话消息
• assignments：作业提交
• evaluations：AI 评估结果

下面用 Prisma Schema 给出核心模型示例。

// 文件路径：prisma/schema.prisma generator client { provider = "prisma-client-js" } datasource db { provider = "postgresql" url = env("DATABASE_URL") } model User { id String @id @default(cuid()) email String @unique name String? createdAt DateTime @default(now()) updatedAt DateTime @updatedAt projects Project[] conversations Conversation[] } model Project { id String @id @default(cuid()) userId String user User @relation(fields: [userId], references: [id]) title String description String industry String // 行业：AI、消费、SaaS、硬科技等 stage String // 阶段：想法、MVP、有付费用户、规模增长 teamSize Int createdAt DateTime @default(now()) updatedAt DateTime @updatedAt learningPath LearningPath? assignments Assignment[] } model LearningPath { id String @id @default(cuid()) projectId String @unique project Project @relation(fields: [projectId], references: [id]) title String durationWeeks Int status String @default("active") createdAt DateTime @default(now()) items PathLesson[] } model PathLesson { id String @id @default(cuid()) pathId String path LearningPath @relation(fields: [pathId], references: [id]) lessonTitle String lessonType String // video, reading, task, quiz content Json? order Int status String @default("pending") // pending, in_progress, completed completedAt DateTime? createdAt DateTime @default(now()) } model Assignment { id String @id @default(cuid()) projectId String project Project @relation(fields: [projectId], references: [id]) title String content String @db.Text status String @default("submitted") createdAt DateTime @default(now()) evaluation Evaluation? } model Evaluation { id String @id @default(cuid()) assignmentId String @unique assignment Assignment @relation(fields: [assignmentId], references: [id]) totalScore Int dimensions Json // 各维度得分 summary String @db.Text suggestions String @db.Text createdAt DateTime @default(now()) } model Conversation { id String @id @default(cuid()) userId String user User @relation(fields: [userId], references: [id]) projectId String? title String @default("新对话") createdAt DateTime @default(now()) messages Message[] } model Message { id String @id @default(cuid()) conversationId String conversation Conversation @relation(fields: [conversationId], references: [id]) role String // user, assistant, system content String @db.Text createdAt DateTime @default(now()) }

字段说明：

• dimensions字段使用 Json 类型，可以灵活存储业务模型、市场分析、团队执行等多个评估维度的分数，避免频繁改表结构。
• PathLesson.order控制同一学习路径下课程的先后顺序。
• Assignment和Evaluation是一对一关系，保证一个作业只有一份评估报告。

5. 核心功能实现：从 Prompt 工程到代码落地

这一节是文章的重点。我会按功能模块给出核心代码片段，并解释关键设计思路。

5.1 项目信息采集：从对话到结构化画像

当用户首次进入系统，我们要通过对话采集项目信息。这里不能只用一次 Prompt 让用户填表，而是用多轮对话逐步收集。大模型负责从对话中抽取结构化信息。

用 OpenAI 的函数调用（Function Calling）方式实现：

// 文件路径：src/lib/agent/extractProjectInfo.ts import OpenAI from 'openai'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); export async function extractProjectInfo(messages: any[]) { const response = await openai.chat.completions.create({ model: 'gpt-4o-mini', messages: [ { role: 'system', content: '你是创业项目信息采集助手。请通过对话收集用户的创业项目信息，' + '包括项目名称、一句话描述、所属行业、当前阶段、团队规模。' + '一次只问一个问题，不要一次问多个问题。', }, ...messages, ], tools: [ { type: 'function', function: { name: 'save_project_info', description: '当用户信息收集完整时，保存项目信息', parameters: { type: 'object', properties: { title: { type: 'string', description: '项目名称' }, description: { type: 'string', description: '一句话项目描述' }, industry: { type: 'string', description: '所属行业' }, stage: { type: 'string', enum: ['idea', 'mvp', 'paying_users', 'growth'], description: '当前阶段', }, teamSize: { type: 'number', description: '团队规模' }, }, required: ['title', 'description', 'industry', 'stage', 'teamSize'], }, }, }, ], tool_choice: 'auto', }); const toolCall = response.choices[0].message.tool_calls?.[0]; if (toolCall && toolCall.function.name === 'save_project_info') { return JSON.parse(toolCall.function.arguments); } return null; }

实现思路说明：

1. 系统 Prompt 明确指示 AI 一次只问一个问题，避免用户被密集提问吓退。
2. 当信息收集完整时，模型会发起save_project_info函数调用。
3. 在前端，我们可以让用户自然输入，后端每次调用这个函数，如果返回null，就把 AI 的追问返回给用户；如果返回 JSON 对象，就进入下一步生成学习路径。

这里需要注意：tool_choice: 'auto'让模型自行决定何时调用函数，不要强制指定函数名，否则信息不完整时也会被强行提取。

5.2 个性化学习路径生成

拿到项目信息后，系统需要生成一份个性化的学习路径。生成方式可以组合两种策略：

1. 模板策略：预置几条经典路径（如“SaaS 创业路径”“消费品牌路径”），按行业匹配。
2. 动态生成：调用 LLM 生成特定周次的课程内容，并插入到模板中。

更推荐“模板 + 动态补充”的混合方式，因为它能保证课程体系不跑偏，同时保留个性化。

// 文件路径：src/lib/agent/generateLearningPath.ts import OpenAI from 'openai'; import { prisma } from '../db'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); interface ProjectInfo { title: string; description: string; industry: string; stage: string; teamSize: number; } export async function generateLearningPath(projectId: string, info: ProjectInfo) { const prompt = ` 你是一位经验丰富的 YC 风格创业导师。请为以下创业项目生成一份 8 周学习计划。 项目名称：${info.title} 项目描述：${info.description} 所属行业：${info.industry} 当前阶段：${info.stage} 团队规模：${info.teamSize}人 要求： 1. 每周一个主题，主题要贴合项目当前阶段。 2. 每周包含 2 个具体学习任务和 1 个实战任务。 3. 学习任务要有可执行性，不要泛泛而谈。 4. 输出格式为 JSON 数组，每个元素包含 week、theme、tasks、projectTask 字段。 示例： [ { "week": 1, "theme": "客户问题验证", "tasks": ["完成 5 个潜在客户访谈", "整理客户痛点清单"], "projectTask": "基于访谈结果，重写项目价值主张" } ] `; const response = await openai.chat.completions.create({ model: 'gpt-4o', messages: [ { role: 'system', content: '你是一个严谨的结构化输出助手。只输出 JSON，不输出任何解释性文字。', }, { role: 'user', content: prompt }, ], response_format: { type: 'json_object' }, temperature: 0.7, }); const content = response.choices[0].message.content || '{"weeks": []}'; const parsed = JSON.parse(content); // 在数据库中创建学习路径 const learningPath = await prisma.learningPath.create({ data: { projectId, title: `${info.title} 专属学习计划`, durationWeeks: 8, status: 'active', }, }); // 批量插入每周课程 const items = parsed.weeks.map((week: any, index: number) => ({ pathId: learningPath.id, lessonTitle: `第${week.week}周：${week.theme}`, lessonType: 'task', content: week, order: index + 1, status: 'pending', })); await prisma.pathLesson.createMany({ data: items, }); return learningPath; }

三个关键设计细节：

• response_format: { type: 'json_object' }强制模型输出 JSON，便于后端直接解析。
• Prompt 中给出输出示例，能显著降低模型自由发挥的概率。
• temperature设置为 0.7，在创造力和可控性之间取平衡。

5.3 AI 导师 Agent：支持多轮上下文和知识库检索

AI 导师是整个系统的核心交互模块。它需要做到：记住用户的创业项目背景，能结合课程知识库回答问题，并在多轮对话中保持一致的语气。

这里介绍一个工程上常用的 RAG + 多轮对话实现方案。

5.3.1 课程资料向量化

首先，要把课程资料切块并向量化存入 pgvector。

-- 文件路径：sql/enable_vector.sql CREATE EXTENSION IF NOT EXISTS vector;

// 文件路径：src/lib/rag/embedDocuments.ts import { OpenAI } from 'openai'; import { prisma } from '../db'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); // 这里需要根据你的实际情况建立 CourseDocument 模型 // 简化示例：读取本地 markdown 文件并向量化 export async function embedDocument(title: string, content: string) { // 切块：按 800 字符切分，重叠 200 字符 const chunks = splitIntoChunks(content, 800, 200); for (const chunk of chunks) { const embedding = await openai.embeddings.create({ model: 'text-embedding-3-small', input: chunk, }); await prisma.courseChunk.create({ data: { title, content: chunk, embedding: embedding.data[0].embedding, }, }); } } function splitIntoChunks(text: string, size: number, overlap: number): string[] { const chunks: string[] = []; let start = 0; while (start < text.length) { const end = Math.min(start + size, text.length); chunks.push(text.slice(start, end)); start = end - overlap; } return chunks; }

切块时设置重叠（overlap）非常重要，否则关键信息可能会被切散在两个块之间，导致检索不完整。

5.3.2 检索增强生成

当用户提问时，先做向量检索，找出相关知识片段，再拼入 Prompt。

// 文件路径：src/lib/agent/mentorAgent.ts import OpenAI from 'openai'; import { prisma } from '../db'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); export async function searchKnowledgeBase(query: string, limit = 5) { const embeddingResponse = await openai.embeddings.create({ model: 'text-embedding-3-small', input: query, }); const queryEmbedding = embeddingResponse.data[0].embedding; // pgvector 使用余弦距离检索最相似的内容 const results = await prisma.$queryRaw` SELECT title, content, 1 - (embedding <=> ${queryEmbedding}::vector) AS similarity FROM "CourseChunk" ORDER BY embedding <=> ${queryEmbedding}::vector LIMIT ${limit}; `; return results; } export async function mentorReply( conversationId: string, userMessage: string, projectContext: string, ) { // 1. 保存用户消息 const savedUserMessage = await prisma.message.create({ data: { conversationId, role: 'user', content: userMessage, }, }); // 2. 检索知识库 const relevantDocs = await searchKnowledgeBase(userMessage); const contextText = relevantDocs .map((doc: any) => `【${doc.title}】${doc.content}`) .join('\n\n'); // 3. 获取历史消息（最近 10 轮） const history = await prisma.message.findMany({ where: { conversationId }, orderBy: { createdAt: 'desc' }, take: 20, }); const historyMessages = history.reverse().map((msg) => ({ role: msg.role as 'user' | 'assistant', content: msg.content, })); // 4. 调用 LLM 生成回复 const response = await openai.chat.completions.create({ model: 'gpt-4o', messages: [ { role: 'system', content: `你是一位 YC 风格的创业导师。你的回答要专业、直接、可执行。 以下是学员的创业项目背景： ${projectContext} 你可以参考以下课程资料回答用户问题，如果资料中没有相关内容，就基于你的知识回答，但不要编造来源： ${contextText}`, }, ...historyMessages, ], temperature: 0.7, max_tokens: 800, }); const assistantMessage = response.choices[0].message.content; // 5. 保存助手消息 await prisma.message.create({ data: { conversationId, role: 'assistant', content: assistantMessage || '', }, }); return assistantMessage; }

工程要点：

• take: 20结合reverse()，相当于取最近 10 轮对话，避免上下文窗口爆炸。
• 知识库检索结果放在 system Prompt 中，而不是 user Prompt，防止用户消息覆盖系统指令。
• 给 AI 设置了角色边界：参考课程资料，但不要编造来源。这是防止幻觉的重要手段。

5.4 项目作业评估

学员提交作业后，系统需要输出一份结构化评估报告。这里我们要求模型同时返回分数和文字建议，方便前端可视化。

// 文件路径：src/lib/agent/evaluateAssignment.ts import OpenAI from 'openai'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); export async function evaluateAssignment( assignmentTitle: string, assignmentContent: string, projectContext: string, ) { const prompt = ` 请评估以下创业项目作业。 【作业题目】 ${assignmentTitle} 【作业内容】 ${assignmentContent} 【项目背景】 ${projectContext} 请从以下维度评估，每个维度 1-10 分： 1. business_model：商业模式清晰度 2. market_analysis：市场分析深度 3. customer_focus：以客户为中心的程度 4. execution_quality：执行质量 5. risk_awareness：风险意识 同时给出： - overall_score：总分（各维度加权平均后保留一位小数） - summary：200 字以内的总体评价 - suggestions：3 条针对性改进建议，每条不超过 50 字 输出 JSON 格式。 `; const response = await openai.chat.completions.create({ model: 'gpt-4o', messages: [ { role: 'system', content: '你是一个严格的创业课程评估专家。只输出 JSON，不输出多余文字。', }, { role: 'user', content: prompt }, ], response_format: { type: 'json_object' }, temperature: 0.3, }); const content = response.choices[0].message.content || '{}'; return JSON.parse(content); }

这里温度设置为 0.3，是因为评估场景需要稳定性和一致性，不需要太多创造性。

6. 前端交互设计：实时对话与学习路径展示

前端部分，我们重点看两个交互场景：流式对话和最简学习路径页面。

6.1 流式输出

AI 导师回答通常比较长，如果等全部生成完再返回，用户体验会很差。推荐使用流式输出：

// 文件路径：src/app/api/mentor/route.ts import { NextRequest } from 'next/server'; import OpenAI from 'openai'; const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); export async function POST(req: NextRequest) { const { conversationId, message, projectContext } = await req.json(); // 构造流式响应 const stream = await openai.chat.completions.create({ model: 'gpt-4o', messages: [ { role: 'system', content: `你是创业导师。项目背景：${projectContext}` }, { role: 'user', content: message }, ], stream: true, }); const encoder = new TextEncoder(); const readable = new ReadableStream({ async start(controller) { for await (const chunk of stream) { const text = chunk.choices[0]?.delta?.content || ''; controller.enqueue(encoder.encode(text)); } controller.close(); }, }); return new Response(readable, { headers: { 'Content-Type': 'text/event-stream; charset=utf-8', 'Cache-Control': 'no-cache', 'Connection': 'keep-alive', }, }); }

前端使用fetch读取流并逐步渲染：

// 文件路径：src/components/MentorChat.tsx（核心片段） const response = await fetch('/api/mentor', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ conversationId, message, projectContext }), }); const reader = response.body?.getReader(); const decoder = new TextDecoder(); while (true) { const { done, value } = await reader!.read(); if (done) break; const text = decoder.decode(value); setMessages((prev) => [ ...prev.slice(0, -1), { role: 'assistant', content: prev[prev.length - 1].content + text }, ]); }

6.2 学习路径展示

学习路径页面展示每周任务，点击后可以展开查看详细内容。

// 文件路径：src/components/LearningPathView.tsx interface PathLesson { id: string; lessonTitle: string; order: number; status: string; content: any; } export default function LearningPathView({ lessons }: { lessons: PathLesson[] }) { return ( <div className="space-y-4"> <h2 className="text-xl font-bold">我的专属学习计划</h2> {lessons .sort((a, b) => a.order - b.order) .map((lesson) => ( <div key={lesson.id} className="border rounded-lg p-4"> <div className="flex justify-between items-center"> <h3 className="font-medium"> 第 {lesson.order} 周：{lesson.lessonTitle} </h3> <span className={`text-sm px-2 py-1 rounded ${ lesson.status === 'completed' ? 'bg-green-100 text-green-700' : lesson.status === 'in_progress' ? 'bg-yellow-100 text-yellow-700' : 'bg-gray-100 text-gray-600' }`} > {lesson.status === 'completed' ? '已完成' : lesson.status === 'in_progress' ? '进行中' : '待开始'} </span> </div> {lesson.content && ( <div className="mt-2 text-sm text-gray-600"> <p>{lesson.content.theme}</p> <ul className="list-disc ml-5 mt-1 space-y-1"> {lesson.content.tasks?.map((task: string, i: number) => ( <li key={i}>{task}</li> ))} </ul> <p className="mt-2"> <strong>实战任务：</strong> {lesson.content.projectTask} </p> </div> )} </div> ))} </div> ); }

7. 常见问题与排查思路

在实际开发过程中，AI-Native 应用会遇到很多与普通 Web 应用不同的问题。下面整理几类高频问题。

再补充几个具体的排查命令：

# 1. 检查 pgvector 是否可用 SELECT * FROM pg_extension WHERE extname = 'vector'; # 2. 创建 HNSW 索引，提升大规模向量检索性能 CREATE INDEX ON "CourseChunk" USING hnsw (embedding vector_cosine_ops); # 3. 查看聊天消息是否正常入库 SELECT "conversationId", role, left(content, 50) FROM "Message" ORDER BY "createdAt" DESC LIMIT 20;

8. AI-Native 产品的最佳实践与工程建议

8.1 Prompt 工程规范

• 把角色定义放在 System Prompt 最前面。
• 给模型足够的上下文，比如项目信息、历史结论，但不要超过窗口限制。
• 要求模型输出结构化内容时，必须指定 JSON 格式并给示例。
• 评估类任务用低温，头脑风暴类任务用中温。
• 重要输出必须在代码层做校验，不能完全信任模型输出。

8.2 数据与隐私安全

• 学员提交的创业计划属于敏感商业信息，数据库必须加密存储。
• 调用 LLM API 时，如果使用第三方服务，要对请求内容做脱敏处理，或者明确告知用户数据会被用于模型训练（按服务商政策为准）。
• 建议支持数据导出和删除，满足数据合规要求。

8.3 成本控制

AI-Native 应用最大的成本往往是 Token。以下策略可以降低成本：

1. 对话历史裁剪：只保留最近 N 轮，并在每轮前做摘要压缩。
2. 知识库命中后再进大模型：如果用户问题在常见 FAQ 中能直接匹配，就不调用 LLM。
3. 区分模型档位：复杂推理用大模型，简单问答用轻量模型。
4. 离线缓存：相同问题的回答可做缓存，但要注意不同用户的上下文不同，不能混用。

// 示例：根据功能选择模型 const MODEL_CONFIG = { 'path-generation': 'gpt-4o', 'mentor-chat': 'gpt-4o-mini', 'assignment-evaluation': 'gpt-4o', 'simple-qa': 'gpt-4o-mini', };

8.4 可观测性

LLM 应用的可观测性不只是监控接口耗时，还要记录：

• Prompt 版本和实际发送内容。
• 模型输出全文。
• Token 消耗。
• 用户反馈（点赞、点踩）。
• 知识库命中结果。

建议在数据库中增加llm_logs表，或者在日志平台按conversationId聚合检索。

CREATE TABLE "LLMLog" ( id SERIAL PRIMARY KEY, conversationId TEXT, function TEXT, model TEXT, prompt TEXT, response TEXT, tokensIn INT, tokensOut INT, latencyMs INT, createdAt TIMESTAMP DEFAULT NOW() );

8.5 产品设计建议

最后给几条产品层面建议：

• 不要让 AI 导师“独自作战”。设置人工导师介入机制，当 AI 连续两次给出低评估分时，提示运营人员介入。
• 学习计划不要一次生成 12 周就完了。建议每周根据学员实际进展重新生成下一周内容，保持动态。
• 给学员设置里程碑奖励，提高完课率。
• 每次 AI 回答后面加“这篇回答参考了课程第 X 章”，能显著提升用户信任感。

9. 生产环境落地的几个关键决策

从个人项目到生产环境，有几个决策点需要提前考虑。

9.1 模型供应商选择

不要把业务绑定在某一家模型供应商上。建议做一个模型网关层，统一封装 OpenAI、Anthropic、国产大模型等接口。这样当某一供应商价格、性能变化时，可以快速切换。

// 文件路径：src/lib/llm/client.ts（抽象接口示例） export interface LLMClient { chat(messages: any[], options?: any): Promise<string>; chatStream(messages: any[], options?: any): AsyncIterable<string>; embed(text: string): Promise<number[]>; } // OpenAI 实现 export class OpenAILLMClient implements LLMClient { // ... } // 获取当前启用的客户端 export function getLLMClient(): LLMClient { const provider = process.env.LLM_PROVIDER || 'openai'; if (provider === 'openai') return new OpenAILLMClient(); // if (provider === 'anthropic') return new AnthropicLLMClient(); // if (provider === 'qwen') return new QwenLLMClient(); throw new Error(`Unsupported LLM provider: ${provider}`); }

9.2 异步任务处理

学习路径生成、作业评估这类耗时操作，不应该放在 API 请求里同步执行。建议丢到任务队列，前端轮询任务状态，完成后推送通知。

9.3 灰度发布

Prompt 修改也要走版本管理。一个微小的 Prompt 变化可能导致评估分数的整体偏移。建议：

• Prompt 存放在代码仓库中，用文件版本管理。
• 每次 Prompt 修改先跑一组回归测试数据，对比输出变化。
• 线上环境同时跑旧版 Prompt 和新版 Prompt，观察一个周期后再全量切换。

10. 总结与下一步实践建议

这篇文章从“YC Startup School, but AI-Native”这个项目创意出发，完整介绍了 AI-Native 教育产品从概念、架构、数据模型、核心功能实现到生产落地的全过程。

核心要点梳理：

1. AI-Native 不是简单加一个聊天框，而是让 AI 参与内容生成、路径规划、评估反馈的完整闭环。
2. 技术方案上，使用 Next.js + PostgreSQL + pgvector + LLM API 可以快速搭建 MVP。
3. 项目画像提取、学习路径生成、AI 导师对话、作业评估四大核心功能，分别对应不同的 Prompt 工程策略。
4. 温度、模型选择、上下文裁剪、RAG 切块策略都会直接影响最终用户体验。
5. 生产环境要重点关注成本、可观测性、数据安全和人工介入机制。

如果你想亲手实践这个项目，推荐按以下顺序推进：

1. 先用一个简单的聊天页面，实现项目信息采集。
2. 再实现学习路径生成和数据库落库。
3. 加入 RAG，让 AI 导师能引用课程知识。
4. 最后做作业评估和人工导师后台。

这个项目做完之后，核心能力完全可以复用到其他场景：企业新人培训、编程学习、销售陪练、金融知识普及等等。AI-Native 的价值不在于“能用 AI 聊天”，而在于它让每一位用户都拥有了一位完全了解自己背景、随时在线、持续给出可执行反馈的专属导师。