学徒式 AI 智能体框架,让 AI 从一次性工具进化成持续成长的数字员工

1. 解决 AI “不长记性” 痛点，沉淀团队隐性经验

   普通 Agent 对话上下文生命周期短暂，历史踩过的坑无法复用；本框架长期沉淀项目经验，新人 Agent 上手直接参考历史方案，大幅降低试错成本。

2. 降低人工监督成本，实现渐进式放权

   不用全程紧盯 AI 执行；初期严格审核，随着学徒任务稳定性提升逐步放开权限，适合搭建长期自动化开发、内容生产流水线。

3. 统一团队 AI 产出标准，把专家经验固化下来

   资深工程师的评审标准、编码规范、排错思路，全部转化为经验案例；团队所有 AI 智能体共享同一套标准，产出质量统一。

4. 快速批量训练垂直领域智能体

   开发、数据分析、短视频内容、运维自动化场景，通过持续任务 + 导师反馈快速调教 Agent，不需要复杂微调训练，推理阶段即可持续优化行为。

5. 完整可追溯的任务链路，方便故障复盘

   所有执行轨迹、修改记录、评审意见永久留存。AI 写出 Bug、方案出错时，可以完整回溯思考流程，定位问题根源。

6. 打通现有开源技能矩阵

   搭配之前 Superpowers（开发流程约束）、SimpleEnglish（技术文档规范）、B-Roll 视频生成工具，构建端到端自动化 AI 工作流。

1. 传统 Agent 无持续学习机制，任务结束经验清零

   绝大多数智能体只有单次对话上下文，无法跨任务积累经验，同类问题重复犯错，无法形成持续进步。

2. 自主权限一刀切：要么完全受控，要么完全放任

   现有框架只有两种模式：全程人工审核（效率低）、完全自主执行（风险高），缺少「循序渐进获得自治权」的弹性机制。

3. 专家隐性知识难以传递给 AI

   很多行业规范、避坑经验存在人脑之中，很难写成 Prompt；师徒模式通过一次次任务评审，自然沉淀隐性经验。

4. 缺少标准化经验存储格式

   不同 Agent 轨迹日志格式互不兼容，历史任务案例无法互通，难以搭建企业内部知识库。

5. Agent 生态工具互相割裂，缺少统一调度学习层

   各类 Skill、代码助手独立运行，没有上层框架统一收集反馈、持续优化智能体行为。

1. 轻量化开源学徒制 Agent 上层编排框架

   市面上大量框架聚焦 Agent 如何执行任务，很少关注任务完成后如何学习迭代；本项目补齐智能体 “事后学习” 这一环。

2. 首创权限梯度自治机制

   区别于固定权限模式，用任务完成质量动态调整 Agent 自主能力，兼顾安全性与自动化效率，适合企业生产环境落地。

3. 标准化经验库通用格式

   产出的 Experience 案例可跨各类大模型、各类 Agent 工具通用，一套经验库赋能全部 AI 工作流。

4. 低门槛、无需模型微调

   不需要算力、不需要 SFT 微调，仅在推理层构建学习闭环；普通开发者、小团队可以直接部署使用。

5. 完整打通 AI 生产力工具生态

   和代码规范、文档工具、视频生成 Skill 天然适配，形成一套完整开源 AI 自动化生产体系。

方式 1｜程序员自动化流水线方案（推荐）

1. git clone拉取项目，安装依赖；

2. 接入你正在使用的 Agent：Cursor / Claude Code / SWE-Agent；

3. 配置 Mentor 模式：选择人工评审或者 AI 自动评审；

4. 下发任务，学徒执行；任务结束自动生成经验记录；

5. 后续相似任务自动检索历史经验，优化执行方案。

方式 2｜普通创作者（无深度开发）

1. 设置 AI 作为学徒完成任务；

2. 你作为导师给出修改反馈；

3. 将任务 + 反馈整理为经验文档，后续对话持续复用。

使用场景建议

1. 可视化 Web 管理面板，直观查看学徒任务记录、经验库、权限等级；

2. 完善国内大模型适配：通义灵码、Kimi、豆包代码智能体；

3. 经验库支持向量检索，实现相似任务智能匹配；

4. 增加量化评估指标，自动打分，辅助权限升降。

1. 支持多学徒并行调度，搭建多智能体协作团队；

2. 经验库导入导出功能，团队之间共享成熟行业案例；

3. 对接 Git 工作流，把评审经验和代码 PR 流程联动；

4. 支持云端私有化部署，满足企业数据隐私要求。