判断和方向最终都要落到一个能跑起来的东西上。这里是我亲手在做的项目：有的每天运行、有的已交付、有的可面谈演示。
人生 Context 系统
私有总库记录我和 AI 的全部对话、日记与蒸馏，经「发布编译器」把可公开的部分安全发布到本站 /journal。
总库是 source of truth，网站只是它的一份公开副本——这个顺序不能反。系统内部分三层：日志写人的变化，notes 把变化提炼成可公开的观点，trace 只保留可追溯的系统证据。自动化负责持续蒸馏，但只提取有原话证据的内容，不允许 AI 编。它不是一个概念项目，是我每天在用的基础设施，本站上的 journal 和大部分 notes 都从这里长出来。
先保留真实，再提炼表达。
题卷重拍
把拍照/扫描的试卷重建成可编辑的结构化题卷：上传 → Doc2X 主解析 → LLM 结构化 → MinerU 第二观察 → Critic → Eval Gate → Repair Agent → 复核导出。
它不是普通 OCR，也不硬包装成复杂 Agent，而是多模态试卷结构化 + trace + 质量判断 + 复核队列 + 导出工作流。链路上最关键的设计是主结果与观察者分离：Doc2X 出主解析，MinerU 作为第二观察者交叉比对，Critic 找问题，Eval Gate 决定放行，Repair Agent 修复，人工复核兜底。一个具体教训：全国 I 卷识别差，不是前端问题，也不是单纯 OCR 漏读，而是系统过早信任了 PDF 文本层。
识别差不是 OCR 漏读，而是系统过早信任了 PDF 文本层——所以观察者必须是另一双眼睛。
课灵 AI 教学系统
在课灵教育负责教育 AI 链路：AI 组卷、AI 命题、数学题图引擎，以及 AI 工具广场与教学任务编排相关模块。
2026-05-25 入职后全力投入教育 AI：把「老师手工出卷」重构成「AI 组卷 + 质检 + 复核」的链路，做 AI 命题与数学题图引擎，也参与 AI chat / 教学任务编排相关模块。07-10 完成负责任交付后离职。这是公司项目，代码不公开；能公开的是方法：trace、eval、人工复核这些环节在生产环境里是怎么落地的。
个人认知议会 · 已归档
Your thinking, round-tabled. 把你和 AI 沉淀的真实对话，结构化成可被随时召集的 self personas。它是人生 Context 系统的前身。
Council 反着问「个人 AI」这个赛道的问题：不是让 Agent 自我进化，而是让人自我进化。capture → distill → convene → refine 四条主链路全部跑在本地，再通过 MCP 暴露给 Claude Desktop / Cursor。它已半冻结，但它教给我的两件事留了下来：一是真实性守门——蒸馏必须带 user_quote 证据，不允许 AI 编；二是遗忘比存储更重要。这两条原则后来直接长成了人生 Context 系统。
PKM 让你存得越多越好，Council 让你忘得越合理越好。
Computer-Use Agent 控制台
一个为 Computer-Use Agent 设计的前端：让用户能看见 agent 说了什么、做了什么、现在卡在哪。Claude Haiku 4.5 + Vercel Sandbox + noVNC。
Computer-Use 的 demo 和 product 之间，差的从来不是功能，是可观察性——一个用户看不见的非确定性 agent，没人会信。这个 dashboard 的所有设计都在做同一件事：让 agent 变得可读。架构上最关键的一步，是把语义流（SSE tool events）和像素流（noVNC）物理隔离：聊天 token 在结构上根本无法触发 VNC 重渲染。同时把 tool 状态从 AI SDK 的两态扩展成 pending / completed / error / aborted 四态——abort 和 error 都是一等状态，不是失败模式。
The difference between a Computer-Use demo and a product is not features, it's observability.