自进化模型系统产品系统Vibe Coding

面向 AI Agent 应用团队：模型在长期使用中会重复犯同类错误，Prompt 优化与人工总结难以系统化沉淀经验。本系统构建可自我进化的本地模型，将模型使用记录脱敏入库，自动总结经验教训，通过知识固化避免模型重复犯错，显著提升 Agent 工作正确率。适用于大模型应用开发、智能客服、自动化运维等需要模型长期稳定输出的业务场景。

系统核心功能：1、使用记录采集与脱敏：自动记录模型输入输出，对敏感信息脱敏后入库，形成使用日志库；2、经验自动总结：定时任务分析使用记录，自动提炼成功经验与失败教训，生成结构化经验条目；3、临时知识 RAG：经验条目存入向量库，模型回答时实时检索相关经验作为上下文，临时生效；4、训练微调固化：对高频复用的经验进行 Unsloth 微调，固化进模型参数，实现永久记忆；5、版本管理：支持知识库与模型版本回溯，可对比不同版本效果差异，支持一键回滚。

我作为项目主导者，负责整体架构设计与全部核心模块实现。技术栈：Python 为主，RAG 使用 text2vec + Elasticsearch 向量检索，微调使用 Unsloth + Qwen3 (LoRA)，数据层 MySQL + 脱敏管道。架构上采用「记录-总结-生效-固化」四层闭环：使用记录经脱敏管道入库，定时任务聚合生成经验，经验先经 RAG 临时生效验证效果，高频经验再走微调固化。亮点：双机制知识固化，兼顾临时见效与长期记忆，版本可回溯。难点是脱敏与经验提炼的准确性，通过规则+LLM 双层过滤解决。