学习文档生成 AI Agent产品系统Vibe Coding

该项目目标是分析大型源码库及相关在线资料，调用大语言模型生成面向具备基本计算机基础和编程能力的工程师的学习文档，使其能高效理解项目架构、关键模块与使用方法，从而提高员工学习效率，降低员工培训、项目交接和历史系统维护中的知识传递成本。

用户仅输入简洁的命令或提示词，系统即可完成源码分析、文档生成和自动验证工作，最终输出结构清晰、风格统一、逻辑严密、讲解充分且图文结合的 DOCX 文档。核心技术栈有Markdown、Mermaid、SVG、PNG 和 DOCX 之间的多格式转换，markdownlint、textlint、prh、BGE 等 MCP 工具组织文档格式审核、语义检测等一致性检查，Prompt 精简、证据绑定、上下文剪枝、Agent 职责隔离、最小权限、结构化输出、中断恢复与自动化测试等。

我负责一致性模块的实现。一致性要求包含两个层面：同一命令在新环境与开发环境中运行时，输出结果总体一致性达到 90%以上，重要知识点保持 100%一致。面对不同代码仓库与学习需求，文档的架构、风格、讲解深度和展现方式也遵循统一标准。交付产物还需保证不同模型场景下文档输出质量的统一性，以适配公司后续本地 LLM 部署并确保文档生成质量不因此偏移下滑。在第一版主流程调度方案中，我负责一致性模块的评价与校验清单生成供 Workflow 调用；第二版重构为串行架构后，我负责接收正确性模块的中间产物，完成一致性校验并渲染 Markdown 文件生成最终 DOCX 文档的工作。我面临的核心问题是如何让具有随机性的 LLM 满足工程系统对稳定输出的要求。若将一致性限制为逐字相同，系统会丧失扩展性与合理改写能力；若仅用语义相似度，又可能掩盖术语格式不统一、语言风格差异过大、图文锚点链接引用失效等问题。因此，我将一致性分为结构、表达与跨环境复现三层次。结构层关注必
需章节、章节顺序和代码或图示是否齐全；表达层关注术语、格式、讲解深度和语言风格是否统一；复现层则检测跨环境运行的整体结果是否可接受。
文档不一致性也并非仅来源于模型随机性，工具版本、操作系统和索引状态等也会造成执行差异。在线资料内容与检索排序会随时间变化；MCP 工具可能因模糊匹配和多结果并列而返回不同候选；标题写法、列表格式、图文引用及中英文排版也会放大表现层差异。若把所有检查都交给 LLM，系统将面临调用成本高、执行不完整、模型自我放行等问题；若全部采用机械规则，又无法发现语义重复、上下文冲突等高难度问题。实际开发须在确定性、语义能力、运行成本和可维护性之间取得平衡。