AI AGENT PORTFOLIO / 2026

奥弗尔求职 · AI Agent 作品集把 AI 能力,
做成真正的作品。

从学习陪伴到任务执行,再到电商营销。三个真实场景,三种 Agent 工程实践,让自然语言理解、工具协作与持续改进落到具体应用中。

面向真实场景 · 聚焦工程实现 · 连接产品与技术

IDEA → AGENT → APPLICATION03 PROJECTS

AI 学习伙伴

知识检索 → 针对练习 → 学习档案

01

MiniClaw

任务计划 → 工具执行 → 结果反馈

02

场序 · 电商营销 Agent

活动配置 → 效果验收 → 递归改进

03
BUILD WITH PURPOSE.作品流程示意 / 非在线演示
03PROJECTS
核心 AI Agent 项目
RAGLEARNING
检索驱动的教学闭环
LoopEXECUTION
手写 Agent 执行循环
RSIIMPROVEMENT
证据驱动的递归改进
01 /AI 教学平台

AI 学习伙伴

ai-learning-companion

让课程问答、练习与进度彼此连接

面向学生与讲师的 AI 教学平台,将课程问答、针对性练习和进度追踪串成连续学习过程。学生可查阅课件、完成练习并推进结课项目;讲师可查看全班知识点掌握情况,定位需要重新讲解的内容,并手动修正系统判断。课程结构、题库、评分标准与里程碑由配置定义,让不同课程复用同一套学习引擎。

课程 RAGLangGraph针对性练习学习档案
01

以课程证据回答问题

围绕学生的问题检索课程相关片段,生成带引用、可回看原文的回答。若检索证据不足,工作流会改写问题并再检索一次,让回答与课程材料保持关联。

02

练习结果持续回写

依据学生的薄弱知识点选择练习,按课程评分标准批改,再将结果写回学习档案。后续选题和讲师看板使用同一份记录,让练习与进度追踪衔接。

03

讲师保留判断权

讲师可查看全班知识点掌握情况,寻找需要重新讲解的内容,也可手动修正系统判断。学生的答题记录、掌握度与项目进度共同支撑教学观察。

04

课程与引擎分离

以 YAML 定义课程结构、题库、评分标准和里程碑,使不同课程复用学习引擎。内置 LangChain、LangGraph、MCP 与 RAG 课程,平台自身也由 LangGraph 编排。课程内容独立配置,学习流程由引擎统一承接。

SCENARIO / 典型工作流程

从一个 RAG 问题,到下一次练习

学生问“RAG 为什么要把文档分块?”,平台先检索课程相关片段,再给出带引用的回答,学生可回看原文;证据不足时,工作流改写问题并再次检索。接着,系统依据学习档案中的薄弱点选择练习,按课程评分标准批改,并将结果写回档案,供后续选题和讲师看板使用。讲师据此查看全班的知识点掌握情况,找到需要重新讲解的内容,也能手动修正系统判断;学生则继续查阅课件、完成练习并推进结课项目。

STEP 01提出课程问题学生围绕课件提问,进入课程检索与问答流程。
STEP 02核对检索证据检查证据是否充分,必要时改写问题再检索。
STEP 03完成针对练习按薄弱点选题,并依据课程评分标准批改。
STEP 04更新学习档案记录练习结果,支持后续选题与讲师查看。

技术栈与工程实现

TECH STACK
模块核心技术项目中的用途
前端与教学界面React 19 · TypeScript · Vite · React Router · Tailwind CSS 4 · Radix UI · Recharts构建学生与讲师界面,串联课程问答、练习和项目进度,并呈现知识点掌握情况。
后端与学习记录Python 3.11+ · FastAPI · Pydantic · SQLModel · SQLite提供学习平台接口与数据校验,持久化答题记录、知识点掌握度和结课项目进度。
AI 工作流与检索LangGraph · ChromaDB · OpenAI 兼容接口 · 火山方舟 · 本地向量模型由 LangGraph 编排检索、证据判断、重试和回答生成;ChromaDB 管理课件向量,本地模型生成向量,经 OpenAI 兼容接口接入火山方舟。
课程配置与工程保障YAML · Docker Compose · Nginx · pytest · Vitest · LangChain / LangGraph / MCP / RAG 课程使用 YAML 定义课程结构、题库、评分标准与里程碑,支持课程复用学习引擎;内置 LangChain、LangGraph、MCP、RAG 课程,LangGraph 同时是平台自身工作流框架;以 Docker Compose、Nginx 配套运行,以 pytest、Vitest 测试。
查看原始项目介绍图
用户提供的AI 学习伙伴项目介绍与技术栈原始资料
原始项目资料。图中的代码引用属于原说明内容,当前未提供仓库或演示地址,因此不生成对应跳转。
02 /终端通用 AI 任务助手

MiniClaw

mini-openclaw-harness

把自然语言目标变成可审阅的行动

MiniClaw 是运行在终端里的通用 AI 任务助手,接收自然语言目标后,可读取文件、查询 Git、执行命令并委派子任务。核心执行循环由 Python 手写,每次将工具结果交回模型,再决定下一步。任务能力受权限控制,修改可先进入工作副本,用户通过变更查看与选择应用完成审阅,并可借助持久化记录与检查点恢复任务。

手写 Agent 循环子任务委派权限控制MCP / Skills
01

手写执行循环

使用 Python 手写 Agent 执行循环,每次把工具结果交给模型判断下一步。通过 OpenAI 兼容接口与手写 SSE 解析,接收流式文本和工具调用,由模型持续决定后续行动。

02

分工也分配权限

主 Agent 可拆解计划并委派子 Agent,工具按文件、网络和进程能力声明权限。执行时据此决定放行、询问或拒绝,并支持本地进程与 Docker,让任务分工保持权限边界。

03

先审阅再写回

修改先写入工作副本,用户通过 /changes 查看具体改动,再用 /apply 选择文件写回原项目。任务执行与最终应用分开,保留明确的审阅环节。

04

上下文与任务延续

以 Skills、长期记忆和上下文预算决定每轮提供给模型的信息;SQLite 保存会话与记忆,文件检查点用于恢复任务,JSONL 记录事件与审批,便于后续继续处理。

SCENARIO / 典型工作流程

离线整理发布说明,确认后再应用

在离线撰写发布说明的场景中,用户用自然语言说明目标,主 Agent 将任务拆成步骤,再委派只有读取权限的子 Agent 检查 README。子 Agent 返回检查结果后,主 Agent 据此把发布说明写入工作副本,而不是直接写回原项目。每次工具结果都交回模型,主 Agent 再依据结果决定下一步。用户用 /changes 查看具体改动,确认内容后,通过 /apply 选中文件写回原项目。整个过程既体现任务分工,也保留读取权限边界、变更审阅和选择应用的环节。

STEP 01描述任务目标用自然语言说明需求,由主 Agent 拆解步骤。
STEP 02委派只读检查子 Agent 仅以读取权限检查 README 内容。
STEP 03生成工作副本根据检查结果撰写说明,先保存到工作副本。
STEP 04审阅并选择应用用 /changes 审阅,再用 /apply 选择写回文件。

技术栈与工程实现

TECH STACK
模块核心技术项目中的用途
运行时与模型通信Python 3.12+ · asyncio · httpx · OpenAI 兼容接口 · 手写 SSE 解析手写执行循环,将每次工具结果交给模型决定下一步;使用 asyncio 与 httpx 通信,手写 SSE 解析接收流式文本和工具调用。httpx 是唯一直接声明的第三方运行时依赖。
工具扩展与上下文文件工具 · Shell · Git · 网页工具 · MCP stdio · Skills · 长期记忆 · 上下文预算提供文件、Shell、Git 与网页能力,通过 MCP stdio 接入外部工具;以 Skills、长期记忆和上下文预算决定每轮向模型提供的信息。
任务编排与权限手写计划 · 子 Agent · 定时调度器 · 文件 / 网络 / 进程能力声明 · 本地进程 · Docker组织计划、子任务与定时调度;工具声明文件、网络、进程能力,执行时决定放行、询问或拒绝,支持本地进程与 Docker。工作副本通过 /changes 审阅,经 /apply 选择文件写回。
持久化与测试SQLite · 文件检查点 · JSONL · pytest · pytest-asyncio · RuffSQLite 保存会话与长期记忆,文件检查点支持恢复任务,JSONL 记录事件与审批;使用 pytest、pytest-asyncio 测试,并通过 Ruff 检查代码。
查看原始项目介绍图
用户提供的MiniClaw项目介绍与技术栈原始资料
原始项目资料。图中的代码引用属于原说明内容,当前未提供仓库或演示地址,因此不生成对应跳转。
03 /电商营销活动搭建 Agent

场序

Commerce Campaign Agent

从自然语言需求走到活动预览发布

场序是面向电商运营的 AI 全栈工作台,将自然语言需求转为结构化活动配置,连接页面预览、优惠券规则与商品目录。运营可点选按钮单独修改文案,切换用户身份验收,再发布活动或恢复历史版本。核心 Agent 引入递归自我改进,以真实浏览器中的失败证据筛选修复策略,在验证集上比较表现并更新后续策略优先级。

活动配置可交互预览递归自我改进 RSI浏览器验证
01

需求落到限定配置

把自然语言需求解析为结构化活动配置,页面预览绑定优惠券规则与商品目录。运营可点选按钮单独修改文案,切换用户身份验收,再发布或恢复历史。

02

用失败证据选策略

通过真实浏览器复现问题,记录页面提示、接口响应和领取记录,再依据失败证据筛选修复策略。在验证集比较表现,更新下一轮挑选策略的优先级。

03

处理领券状态错位

针对领券请求超时、服务端已发券但页面显示失败的情况,修复页面主动回查领取结果,避免重复提交,并通过浏览器验证交互与状态恢复过程。

04

兼顾配置与并发

后端负责活动配置校验、版本管理和发布恢复,数据库持久化活动与领取记录。通过事务、唯一约束和版本检查,处理并发抢券与编辑冲突。

SCENARIO / 典型工作流程

会员日活动中的领券超时修复

运营输入“做一个周五晚8点开始的会员日页面,会员可领满200减30的券”,场序将需求转成活动配置,生成绑定券规则与商品目录的交互预览。若领券超时,服务端已发券而页面显示失败,Agent 会在真实浏览器复现,记录页面提示、接口响应与领取记录,再按失败证据筛选修复策略,在验证集比较表现并更新策略优先级。修复后的页面主动回查结果,避免重复提交;运营可切换身份验收,再发布或恢复历史。

STEP 01描述活动需求输入活动时间与券规则,转为结构化配置。
STEP 02预览与点选编辑查看交互页面,点选按钮单独修改文案。
STEP 03复现并验证修复浏览器收集失败证据,比较并验证修复策略。
STEP 04验收与版本管理切换用户身份验收,再发布或恢复历史版本。

技术栈与工程实现

TECH STACK
模块核心技术项目中的用途
前端与运营工作台React · TypeScript · Vite构建运营编辑器、组件点选、手机预览与消费者页面,各界面共用活动配置,支持按钮文案修改与用户身份切换验收。
后端与活动生命周期Python · FastAPI · Pydantic提供活动配置校验、版本管理、发布与恢复,以及领券接口,承接运营编辑与消费者交互。
数据库与并发控制SQLAlchemy · SQLite · PostgreSQL · 事务 · 唯一约束 · 版本检查持久化活动与领取记录,通过事务、唯一约束和版本检查处理并发抢券与编辑冲突。
Agent 与需求解析中文规则解析器 · OpenAI Chat Completions 兼容接口将自然语言转为限定范围的活动配置修改,默认支持离线运行,也可通过兼容接口接入真实模型。
RSI 策略与评测Python 策略引擎 · 候选排序 · 独立验证集 · 保留测试集实现递归自我改进 RSI:按失败证据筛选与排序候选策略,回放失败并在独立验证集比较表现、更新权重,保留测试集衡量策略向新需求的迁移。
浏览器自动化与测试Playwright · Chromium · pytest在真实浏览器复现并记录页面提示、接口响应和领取记录,验证交互、响应丢失后的状态恢复、发布流程与后端事务;检查页面主动回查结果、避免重复提交的修复行为。
查看原始项目介绍图
用户提供的场序项目介绍与技术栈原始资料
原始项目资料。图中的代码引用属于原说明内容,当前未提供仓库或演示地址,因此不生成对应跳转。
04 /技术全景

从 Agent 核心,到完整工程交付

围绕模型、工具、数据与评测,串联三个项目中的全栈技术能力。

Agent 与工作流

LangGraph · 手写 Agent Loop · MCP · Skills · RSI

模型与知识检索

OpenAI 兼容接口 · 火山方舟 · ChromaDB · 本地向量模型

前端与交互

React · TypeScript · Vite · Tailwind CSS · Radix UI · Recharts

后端与数据

Python · FastAPI · Pydantic · SQLModel · SQLAlchemy · SQLite · PostgreSQL

运行与安全

asyncio · httpx · SSE · Docker · Nginx · 权限策略 · 检查点

测试与评测

pytest · pytest-asyncio · Vitest · Ruff · Playwright · Chromium

ENGINEERING MINDSET

让 AI 不只会回答,更能可靠地完成任务。

AI 学习伙伴关注知识与反馈,MiniClaw 关注执行与边界,场序关注业务与改进。三个项目共同呈现从场景理解、架构设计到验证迭代的工程思考。