AI Note 的目标是把学习资料、联网检索、RAG 索引、多模型生成和质量审核串成一条可复用管线。它不是单次 Prompt 生成器，而是把“输入不稳定、资料来源复杂、生成质量需要检查”这些问题拆到不同环节里处理。
从一次生成改成任务管线
学习笔记生成很容易被做成一个大 Prompt：输入主题，等待模型输出。但真实使用时，用户输入可能只是一个模糊方向，资料来源也可能混合网页、文档、历史笔记和本地知识库。单次生成很难同时处理意图识别、资料补全、结构组织和质量检查。
因此 AI Note 更适合被设计成管线：先判断用户要学什么，再扩写大纲和检索问题，然后收集资料、建立索引、生成正文，最后做质量审核和导出。每一步都有输入输出，失败时也能定位到具体环节。
- • 意图识别负责把模糊需求转成明确学习目标。
- • 大纲扩写负责给后续检索和生成提供结构。
- • 质量审核负责检查遗漏、重复、幻觉风险和可读性。
多模型协作的职责拆分
多模型不是为了堆概念，而是因为不同任务对模型能力、速度和成本的要求不同。轻量模型可以处理分类、摘要和格式化；能力更强的模型可以负责复杂推理、结构化写作和最终审核；本地模型可以在隐私或成本敏感场景下承担一部分任务。
我倾向于把模型选择放在路由层，而不是散落在每个业务函数里。业务入口只声明任务类型、上下文和输出要求，路由层再选择合适 Provider。这样后续切换云模型、国产模型或 Ollama 时，管线本身不需要大幅重写。
- • 分类、改写、提取适合使用成本更低的模型。
- • 长文生成和质量审核适合使用能力更强的模型。
- • Provider 适配层统一处理超时、错误、日志和 fallback。
RAG 索引不是最后一步才接入
AI Note 中的 RAG 不只是生成前查询一次资料。资料进入系统后，需要经历解析、清洗、切片、向量化、关键词索引和元数据标注。后续生成章节时，才能按主题、来源、段落和相关度取回证据。
这里的关键是把知识来源管理清楚。公开资料、个人笔记、项目文档和需要审核的材料不能混在一起无差别检索；不同来源要带上敏感性、可信度和引用信息，避免生成结果把未确认内容当成公开事实。
- • 向量检索解决语义相似，关键词检索补充精确命中。
- • RRF 或类似融合策略可以缓和单一路召回的偏差。
- • 来源元数据决定哪些内容可引用、哪些内容只可内部参考。
异步任务让复杂流程可观察
生成学习笔记可能涉及联网检索、索引构建、多轮模型调用和导出，耗时比普通接口更长。把它做成异步任务，可以让前端展示进度，让后端记录每个步骤的状态，也方便失败后重试或从中间环节排查。
这类系统的工程价值不只在最终文档，而在于过程可观察。用户看到的是任务流，维护者看到的是每个阶段的输入、输出、耗时和错误原因。
质量审核比漂亮输出更重要
学习笔记如果只追求排版，很容易让错误内容显得很可靠。质量审核需要检查结构是否覆盖目标、引用是否支撑结论、关键概念是否遗漏，以及模型是否在没有来源时做了过度扩写。
审核结果可以用于提示用户继续补资料，也可以让系统自动回到检索或生成环节重新处理。这样笔记生成不是一次性黑盒输出，而是逐步收敛的工作流。
- • 结构审核看大纲和正文是否匹配学习目标。
- • 事实审核看结论是否有可追溯来源。
- • 可读性审核看内容是否适合后续复习和导出。
公开边界
AI Note 适合公开展示管线设计、多模型路由和 RAG 检索思路，但演示截图、样例文档、对象存储地址、向量库配置和模型 Provider 配置都需要发布前确认。
后续如果把它纳入本站 RAG 知识库，应优先导入 README、架构说明和脱敏后的设计文档，不导入上传文件、缓存、备份数据、真实配置或个人私有笔记。