Agent 驱动的知识工程系统——你的第二大脑。
DevQuest 的 Agent 静默采集你的开发经验，自主组织为结构化知识，自动同步到飞书。你不需要记笔记——Agent 替你维护。
每天和 AI 结对编程，排查一小时的 Docker 配置问题修好了，换 session 就消失。下次遇到"上次那个容器启动报错怎么修的"，只能从头来。
现有的"解决方案"——手动记笔记（靠自律，一定会忘）、AI 工具的搜索（搜不到跨 session 的内容）——都没用。
DevQuest 的做法：不靠你记得去搜。MCP Server 后台运行，AI 回答时自动带着你踩过的坑。
你不需要记得"2026 年 4 月 15 号那场对话"。只需要碎片——"docker 容器启动报错"——双通道 RRF 混合检索（向量语义 + FTS5 关键词 + 环境匹配 + 时效衰减）就能定位到当时的上下文和解决方案。
同一个 bug 在不同 session 中反复出现时，DevQuest 不是再建一条新记录——它自动归并到已有条目：attempts 累计、solution 迭代为新方案、solution_version 递增、tech_stack 合并补充。经验不是静态快照，是活的。
高频使用的经验在搜索排序中获得隐式 boost（最多 30% 额外权重），被标记"没用"的自动降权。越有用的经验越容易被找到。Rule-Maker 反思引擎每周分析问题模式，自动生成开发规则草案——但不直接覆写项目规则文件，而是输出到 rules_suggestions.md 等待人工确认。一条坏规则污染所有后续对话的风险，不值得冒。
| # | 决策 | 为什么 |
|---|---|---|
| 1 | MCP 协议，不用 REST | REST 每个服务 endpoint 命名和参数格式各不相同。MCP 统一了 tool discovery——Client 启动时自动发现所有工具。就像 USB-C 统一了接口 |
| 2 | 双通道 + RRF 融合，不用纯向量 | 向量适合语义（"容器启动不了"），关键词适合精确匹配（"Dockerfile CMD"）。两路分数量纲不同不能直接加权——RRF 比的是排名，两路共识的文档自动胜出 |
| 3 | ChromaDB 嵌入式，不用 Pinecone | 个人工具不需要分布式集群。零运维，数据就在本地——和 SQLite 一样的哲学 |
| 4 | Human-in-the-loop 规则注入 | LLM 反思结果只写到 rules_suggestions.md，用户手动确认后才合并。AI 起草建议，人确认——幻觉规则污染项目配置不可接受 |
| 5 | 语义去重，不建重复记录 | 同类问题再次遇到时自动归并：attempts 累积、solution 迭代、技术栈补充。一条经验持续生长，而不是一堆重复卡片 |
DevQuest 是 LineMind（企业工单智能分析 Agent 系统）的技术实验田。在副项目上验证的技术方案，直接复用到主项目：
| 复用内容 | DevQuest（实验田） | LineMind（业务应用） |
|---|---|---|
| MCP Server 标准化 | 13 工具，JSON-RPC 2.0 stdio/HTTP | 12 工具，同一套模式 |
| ChromaDB + Embedding | 向量语义检索通道（阿里百炼） | RAG search_solutions，同方案 |
| 混合检索 | 语义 + FTS5 关键词双通道 RRF 融合 | 同架构思路，向量 + SQL 结构化联合查询 |
| 双通道消融实验 | RRF k=60 + 环境匹配 + 时效衰减 | RAG 消融实验：置信度提升 10.5% |
| 工具设计经验 | 总结出 description 怎么写 LLM 才选得准 | 12 工具全部遵循同一设计规范 |
V1.0 MVP V1.3 检索增强 V3.0 产品化 V3.1 飞书连接
↓ ↓ ↓ ↓
LLM提取+入库 查询改写+反馈闭环 Service分层+单测 团队知识推送
双通道RRF检索 语义去重+经验生长 结构化录入(Skill) 飞书Bot查询入口
周报自动推送
V3.1（Phase 6 进行中）—— DevQuest 从个人工具到团队记忆的桥：
- 周报自动推送：Rule-Maker 每周反思 → 飞书卡片推送摘要，无需手动打开。已实现 ✅
- 团队知识推送：反思发现高频共性模式 → 飞书卡片推送到团队群。已实现 ✅
- 飞书经验文档整理：对 DevQuest 说"整理这周 Docker 经验" → 自动搜经验库，格式化为结构化文档推送飞书卡片 → 复制到飞书 Doc 即成个人经验总结。规划中
- 飞书机器人查询：非 IDE 用户在飞书 @机器人 直接搜经验库。主项目 LineMind 更适用
飞书接入全部通过 Webhook URL，零依赖、零 OAuth、零 CLI——判断场景复杂度后的最简方案。
┌─ 消费层 ──────────────────────────────────────────────────┐
│ Claude Code Skill 飞书 Bot（规划中） │
│ 自然语言 / 斜杠命令 自然语言查询 │
└──────────────────────┬────────────────────────────────────┘
│ MCP Protocol (JSON-RPC 2.0)
┌──────────────────────┴────────────────────────────────────┐
│ MCP Server 层（跨平台通用） │
│ 14 tools · Service 层解耦 · 任何 MCP Client 可用 │
│ │
│ ┌──────────┬──────────┬──────────┬──────────┐ │
│ │ 经验检索 │ 数据摄入 │ 反馈闭环 │ 反思+维护 │ │
│ │ search │ save │ record │ reflection│ │
│ │ list │ ingest │ feedback │ rebuild │ │
│ │ dashboard│ extract │ │ star │ │
│ └──────────┴──────────┴──────────┴──────────┘ │
└──────────────────────┬────────────────────────────────────┘
│
┌──────────────────────┴────────────────────────────────────┐
│ Service 层（业务逻辑） │
│ save_problem_service · record_feedback_service │
└──────────────────────┬────────────────────────────────────┘
│
┌──────────────────────┴────────────────────────────────────┐
│ 检索引擎 ── 双通道 RRF 融合 │
│ 向量(ChromaDB) + 关键词(FTS5) + 环境匹配 + 时效衰减 │
└──────────────────────┬────────────────────────────────────┘
│
┌──────────────────────┴────────────────────────────────────┐
│ 存储层 — SQLite + ChromaDB · 零运维 · 数据在本地 │
└───────────────────────────────────────────────────────────┘
- Python 3.10+
- LLM API Key（通过 opencode.ai 等兼容 OpenAI 格式的 provider）
- 阿里百炼 API Key（Embedding）
.\install.ps1自动完成：创建 venv → pip 依赖 → .env.example 复制 → MCP Server 注册 → Skill 安装 → 权限配置。
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env # 填入 API Key在 ~/.claude/settings.json 的 mcpServers 中添加 devquest 条目，指向 .venv/bin/python + backend/mcp_server.py。
| Tool | 说明 |
|---|---|
search_experience |
查询改写 + 双通道 RRF 检索 + 环境匹配 + 时效衰减 |
list_problems |
按项目/技术栈/评分/类型筛选 |
get_dashboard |
统计摘要（类型分布、技术栈排名、评分分布） |
| Tool | 说明 |
|---|---|
save_problem |
结构化录入（推荐）：跳过 LLM 提取，自动分类/评分/去重/索引 |
extract_from_text |
LLM 从对话文本提取问题 |
ingest_sessions |
从 Claude JSONL 自动摄入 |
ingest_status |
摄入状态 |
| Tool | 说明 |
|---|---|
record_feedback |
标记经验有用/没用，影响排序权重 |
| Tool | 说明 |
|---|---|
run_reflection |
Rule-Maker：LLM 分析本周问题 → 生成规则草案 |
get_suggestions |
查看待确认规则草案 |
push_feishu_weekly |
推送本周经验摘要到飞书群（Webhook） |
| Tool | 说明 |
|---|---|
rebuild_index |
全量重建 ChromaDB + FTS5 双索引 |
generate_star |
STAR 面试故事生成 |
update_score |
手动调整评分 |
devquest/
├── backend/
│ ├── mcp_server.py # MCP Server 入口（14 tools）
│ ├── services.py # 业务逻辑层（save/feedback）
│ ├── extractor.py # LLM 问题提取引擎 + 语义去重
│ ├── classifier.py # 技术标签自动分类
│ ├── scorer.py # 优先级评分
│ ├── vector_search.py # 双通道检索 + 查询改写 + 环境匹配 + 反馈闭环
│ ├── star_gen.py # STAR 故事生成
│ ├── session_ingestor.py # Claude JSONL 自动摄入
│ ├── rule_maker.py # Rule-Maker 反思引擎（Human-in-the-loop）
│ ├── models.py / database.py
├── tests/
│ ├── test_services.py # save / feedback 单测
│ └── test_vector_search.py # RRF / rewrite 单测
├── scripts/
│ ├── eval_extractor.py # 提取引擎评测
│ └── smoke_test.py # 冒烟测试
├── skill/
│ └── SKILL.md # Claude Code Skill
├── install.ps1 / install.sh # 安装脚本
├── data/ # SQLite + ChromaDB 持久化
├── AGENTS.md # AI 开发规范
└── CHANGELOG.md # 版本记录
提取引擎在 4 组真实对话样本（13 个人工标注问题）上：召回率 83% / 精确率 78% / 类型准确率 85%。
运行：
python scripts/eval_extractor.py· 冒烟：python scripts/smoke_test.py· 单测：python -m pytest tests/ -v
Python 3.10+ · MCP SDK · LangChain · DeepSeek · 阿里百炼 Embedding · ChromaDB · SQLite FTS5 · SQLAlchemy
MIT