pj0235-eai_agentplatform/docs/完整分析_pj0231_vs_pj006-zhilianyuan2.md

pj0231-eai_agentplatforming 完整分析报告（对比 + 差距 + 路线图 + 设计稿）

版本：V1.0 | 日期：2026-08-16 对比对象：pj006-zhilianyuan2（智练猿） 范围：知识库能力、考试能力、测试/自测能力、岗位与知识对应能力 原则：以实际代码为准（本项目 PRD 文档存在过时，见 §1.3）

注： 本文基于 2026-08-16 代码快照（后端 Go + Gin + GORM，检索为 brute-force 余弦 + bge-m3）；数据库与向量栈已决策迁移至 MySQL 8.0 + FAISS，见 docs/db_schema.md / docs/deploy.md。

---

目录

• Part A —— 现状对比
• Part B —— 差距汇总与反向差异
• Part C —— 改进路线图
• Part D —— 设计稿：岗位与知识对应能力（核心）
• Part E —— 设计要点：其余改进项
• Part F —— 待拍板决策点与下一步

---

Part A —— 现状对比

A1. 一句话结论

两个项目不是同一量级：

• pj0231 是一个极简单租户、内部专属培训平台——Go 后端约 4,900 行，11 张表，2 个角色，聚焦「看资料 → AI 答疑 → 考试验收」的窄闭环。
• pj006 是一个多租户、多角色、带完整 AI 对练 / 岗位能力模型的通用销售培训平台——Python 后端约 1.7 万行 + 独立 engine 库，23 版 schema、40+ 张表，4 个前端。

在四个对比维度上，pj006 全部能力更全、更深；但 pj0231 在个别点上有「更实」的实现（见 §B3）。

A2. 系统定位与技术架构

维度	pj0231	pj006
定位	博昇内部培训（单企业）	通用 AI 销售培训平台（多企业 SaaS）
后端	Go + Gin + GORM + SQLite	Python 3.10 + FastAPI + SQLite（per-org 分库）
前端	1 个：Vue3 + Vite + Element Plus	4 个：app / orgadmin / admin / platformadmin
角色	2（employee / admin）	多级（学员 / 组织管理员 oadmin / 平台管理员 padmin / 教练 trainer）
租户	单租户	多租户（orgs 注册表 + 每 org 一个 <org>.db）
代码量	~4,900 行 Go	~17,200 行 Python + zlylibs/engine
数据表	11 张	40+ 张（schema v23）
AI 底座	内网 OpenAI 兼容接口（Ollama LLM + bge-m3）	OpenAI 兼容路由（trainee/coach/eval 三 slot）

A3. 重要前提：pj0231 文档已过时

• docs/PRD.md 写「FastAPI + MySQL + 不做向量检索」；实际代码是 Go + Gin + GORM + SQLite，检索已实现向量（brute-force 余弦 + bge-m3）。
• 本项目权威信息以 eai_agentplatform/CLAUDE.md 与实际代码为准。

---

A4. 知识库能力对比

能力	pj0231	pj006
素材摄入	✅ 上传→审批→转换→切片（真实跑通）	⚠️ 知识工厂骨架完备，Phase 1 解析抽取「不真跑、停 pending」
文档转换	LibreOffice + pdftotext，切片入 knowledge_chunk	设计 parse/structured/extraction_blocks 多阶段管线，未实跑
审批流	✅ pending/approved/rejected，审批前置	✅ 更细：working_knowledge_points 待复核 + kb_publish_records 发布链
知识组织	扁平 knowledge_chunk + knowledge_source	多层：knowledge_points → knowledge_meta → knowledge_units（统一主干）→ knowledge_chunks（带 embedding_status）
术语/规则	❌ 无	✅ knowledge_terms、industry_rules
检索	✅ 混合检索（向量余弦 + 关键词兜底）	⚠️ 实跑 jieba 分词 + LIKE；向量仅文档宣称
自动出题	❌ 无	✅ 设计：working_questions 自动生成（待复核）
知识-题目/场景关联	仅题目挂 course_id	✅ question_knowledge_units、scene_knowledge_units、knowledge_unit_links

A5. 考试能力对比

能力	pj0231	pj006
题型	单选 / 多选 / 判断	单选 / 多选 / 判断 / 简答 essay
简答评分	❌ 无	✅ LLM 按 rubric 评分，得分率持久化 exam_session_grades
组卷	✅ 按知识域 + 随机抽题	⚠️ 固定 question_ids 列表；蓝图组卷未接考试服务
考试次数	正式考只允许一次	✅ max_attempts + deadline
自测	✅ 自测（即时对错、不存记录）	✅ 练习走独立 practice 模块
判分	确定性比对	选择题确定性 + 简答 LLM
成绩分析	仅存得分/正确率/明细	✅ 维度能力分析（weak/ok/strong）+ 薄弱题 + 改进建议
错题联动	❌ 无	✅ 交卷错题自动入 mistake_records

A6. 测试 / 自测 / 评估能力对比

A6.1 面向学员（产品能力）

能力	pj0231	pj006
自测练习	✅ 自测（不存记录）	✅ 每日一练 practice（游戏化：段位/星/连击/经验/积分）
错题本	❌ 无	✅ mistake_records（练习+考试聚合）
笔记/收藏	❌ 无	✅ study_notes + 收藏
学习档案/学情	❌ PRD 明确禁止	✅ 学习档案 dashboard + 能力对标
AI 对练复盘评分	❌ 无	✅ dialogue_review_scores + ReviewScoreService

A6.2 面向软件工程（自动化测试）

维度	pj0231	pj006
后端测试	❌ 0 个 _test.go	✅ 31 个 pytest 文件
引擎测试	无 engine 层	✅ zlylibs/engine/tests 约 20 个
测试策略文档	❌ 无	✅ docs/12_Test_Strategy
CI/依赖管理	无	✅ pyproject dev deps

A7. 岗位与知识对应能力（差距最大维度）

pj0231 是结构性缺失：用户只有 role，完全没有岗位概念，也没有岗位→知识→考试的能力链。

能力	pj0231	pj006
岗位表	❌ 无	✅ positions
岗位↔用户绑定	❌ 无	✅ user_positions
岗位能力模型（洋葱）	❌ 无	✅ competency_layers + competency_levels（L1-L4）+ competency_details
能力模型自动生成	❌ 无	✅ generate_competency_model
岗位↔知识映射	❌ 无	✅ position_knowledge_units + auto_match
岗位考试蓝图	❌ 无	✅ position_exam_blueprints
标准岗位/职级代码	❌ 无	✅ SD01_Standard_Job_Codes
岗位驱动学练考	❌ 无	✅ A11 学习 / A12 练习 / A13 蓝图组卷

---

Part B —— 差距汇总与反向差异

B1. 差距严重度总表

维度	pj0231 现状	差距严重度	是否 pj0231 定位内该补
岗位与知识对应	完全缺失	🔴 高	✅ 是（本次核心诉求）
错题本 / 学习闭环	完全缺失	🟠 中高	✅ 是（考试「考完即止」无闭环）
简答题 + LLM 评分	缺失	🟠 中	✅ 是（LLM 底座已有，成本低）
自动化测试	0 测试	🟠 中高（工程风险）	✅ 是
多租户 / NPC 人格 / KPI	缺失	🔵 低	❌ 否（与「极简内网单企业」冲突）
向量检索	✅ 已实现	—	—（反而领先 pj006）
随机 + 按域组卷	✅ 已实现	—	—（反而领先 pj006）

B2. 反向差异：pj0231 反而更「实」的点

1. 向量检索是真实现：pj0231 混合检索端到端可用；pj006 实跑 jieba 关键词，向量仅字段预留。
2. 随机 + 按知识域自动抽题组卷：pj0231 支持；pj006 考试为固定题目列表。
3. 文档→文本→检索链路真实跑通：pj0231 LibreOffice/pdftotext 切片入库完整；pj006 知识工厂 Phase 1 未实跑。
4. AI 算力点计费 + 审计日志：pj0231 有 ai_call_log；pj006 未见同等计费。

---

Part C —— 改进路线图

C1. 优先级（按 ROI）

优先级	项	理由
P0	岗位模型 + 岗位-知识映射 + 岗位驱动考试	最本质差距，本次核心诉求
P1	学员「我的岗位应学清单」+ 成绩按岗位聚合	P0 的自然延伸
P2	错题本 + 轻量成绩档案	补考试闭环
P2	简答题 + LLM 评分	复用 LLM 底座，成本低
P2	后端自动化测试	消除 0 测试隐患
不做	多租户 / NPC 人格 / HEP 引擎 / KPI	与极简定位冲突

C2. 分阶段总览

P0（本次落地）：岗位 + 映射 + 岗位驱动考试组卷
   ↓
P1：我的岗位应学清单 · 成绩按岗位聚合 · 岗位考试蓝图
   ↓
P2：错题本 · 简答题 LLM 评分 · 自动化测试

---

Part D —— 设计稿：岗位与知识对应能力（核心）

完整设计见《设计稿_岗位与知识对应能力.md》，此处为完整版正文。

D1. 目标与原则

目标：落地最小岗位驱动闭环 —— 岗位 → 用户绑定 → 岗位知识映射 → 岗位驱动考试组卷。

原则：保持极简；复用现有 AutoMigrate / RequireAdmin / pickQuestions；级别词汇对齐 pj006 L1-L4 但不建独立级别表；单岗位优先。

D2. 改动点清单

现有资产	位置	改动
User	internal/model/user.go	加列 PositionID *uint（可空）
ExamPaper	internal/model/exam_paper.go	加列 PositionID *uint（可空）
迁移	internal/store/db.go	AutoMigrate 追加 2 张新表
路由	internal/api/router.go	新增岗位端点（admin 组）
抽题	internal/api/exam.go pickQuestions	增加岗位知识映射过滤分支
种子	internal/store/seed.go	可选预置默认岗位

D3. 数据模型

3.1 position（岗位表）

type Position struct {
	ID          uint      `gorm:"primaryKey" json:"id"`
	Code        string    `gorm:"size:32;uniqueIndex;not null" json:"code"`
	Name        string    `gorm:"size:64;not null" json:"name"`
	Description string    `gorm:"type:text" json:"description"`
	Status      string    `gorm:"size:16;not null;default:active;index" json:"status"` // active / inactive
	CreatedAt   time.Time `json:"created_at"`
	UpdatedAt   time.Time `json:"updated_at"`
}
func (Position) TableName() string { return "position" }

3.2 position_knowledge（岗位知识映射，核心）

type PositionKnowledge struct {
	ID            uint      `gorm:"primaryKey" json:"id"`
	PositionID    uint      `gorm:"not null;index" json:"position_id"`
	Domain        string    `gorm:"size:16;not null;index" json:"domain"`            // company / product / sales
	CourseID      *uint     `gorm:"index" json:"course_id"`                          // 可空
	ProductID     *uint     `gorm:"index" json:"product_id"`                         // 可空
	RequiredLevel string    `gorm:"size:16;not null;default:L1" json:"required_level"` // L1/L2/L3/L4
	Weight        float64   `gorm:"not null;default:1" json:"weight"`
	IsMandatory   bool      `gorm:"not null;default:true" json:"is_mandatory"`
	CreatedAt     time.Time `json:"created_at"`
	UpdatedAt     time.Time `json:"updated_at"`
}
func (PositionKnowledge) TableName() string { return "position_knowledge" }

3.3 级别常量

const (
	LevelL1 = "L1" // 入门级
	LevelL2 = "L2" // 稳定执行级
	LevelL3 = "L3" // 复杂处理级
	LevelL4 = "L4" // 体系策略级
)
var validLevels = map[string]bool{LevelL1: true, LevelL2: true, LevelL3: true, LevelL4: true}

D4. API 设计

方法	路径	权限	说明
GET	/api/positions	admin	岗位列表
POST	/api/positions	admin	新建岗位
PUT	/api/positions/:id	admin	编辑岗位
DELETE	/api/positions/:id	admin	停用（软删）
GET	/api/positions/:id/knowledge	admin	岗位知识映射列表
PUT	/api/positions/:id/knowledge	admin	保存映射（整表覆盖）
PUT	/api/users/:id/position	admin	设置/清除用户岗位
GET	/api/my/position	员工	我的岗位 + 应学范围（P1）

D5. 岗位驱动考试组卷（核心算法改动）

修改 pickQuestions，在 PositionID != nil 时按岗位知识映射圈定题池，否则回退原 domain 抽题：

func pickQuestions(p model.ExamPaper) ([]model.Question, error) {
	pool := store.DB.Where("status = ?", "active")

	if p.PositionID != nil {
		var pks []model.PositionKnowledge
		if err := store.DB.Where("position_id = ?", *p.PositionID).Find(&pks).Error; err != nil {
			return nil, err
		}
		domains := make([]string, 0, len(pks))
		courseIDs := make([]uint, 0, len(pks))
		for _, pk := range pks {
			domains = append(domains, pk.Domain)
			if pk.CourseID != nil {
				courseIDs = append(courseIDs, *pk.CourseID)
			}
		}
		domains = dedupe(domains)
		if len(domains) > 0 {
			pool = pool.Where("domain IN ?", domains)
		}
		if len(courseIDs) > 0 {
			pool = pool.Where("course_id IN ? OR course_id IS NULL", courseIDs)
		}
	} else {
		domains := splitDomains(p.Domain)
		if len(domains) > 0 {
			pool = pool.Where("domain IN ?", domains)
		}
	}

	var qs []model.Question
	if err := pool.Order("id ASC").Find(&qs).Error; err != nil {
		return nil, err
	}
	if len(qs) < p.QuestionCount {
		return nil, fmt.Errorf("题库题目不足：需要 %d，可用 %d", p.QuestionCount, len(qs))
	}
	if p.Randomize {
		rand.Shuffle(len(qs), func(i, j int) { qs[i], qs[j] = qs[j], qs[i] })
	}
	return qs[:p.QuestionCount], nil
}

配套：CreatePaper / UpdatePaper 追加校验——岗位考试必须已配置至少一条知识映射，否则拒绝。

D6. 前端设计

• 导航：管理员「系统管理」下拉新增 「岗位管理」。
• 页面：岗位列表（CRUD）+ 岗位知识映射编辑面板（domain 下拉 + 课程/产品下拉 + L1-L4 + 权重 + 必学开关）。
• 改造：用户管理页加「岗位」下拉；考试配置表单加「关联岗位」下拉。

D7. 分阶段

• P0：表 + API + 岗位 CRUD + 用户设岗 + 岗位驱动组卷 + 前端岗位管理页。
• P1：学员「我的岗位应学清单」+ 成绩按岗位聚合 + 岗位考试蓝图。
• P2：见 Part E。

D8. 明确不做

❌ 不建洋葱三层模型；❌ 不引入多租户；❌ 不做 LLM 自动生成能力模型；❌ 不做多岗位绑定；❌ 不做学情分析。

---

Part E —— 设计要点：其余改进项

E1. 错题本 + 轻量成绩档案（P2）

⚠️ 与 PRD 冲突需先拍板：PRD 第 7 节「无学情分析」。错题本是学员自助工具（不做管理层分析），可不冲突；学习档案/能力雷达属「学情分析」范畴，需产品重新确认是否放开。

数据模型

// MistakeRecord 错题本
type MistakeRecord struct {
	ID            uint      `gorm:"primaryKey" json:"id"`
	UserID        uint      `gorm:"not null;index" json:"user_id"`
	QuestionID    uint      `gorm:"not null;index" json:"question_id"`
	Source        string    `gorm:"size:16;not null" json:"source"` // self_test / formal
	UserAnswer    string    `gorm:"type:text" json:"user_answer"`
	CorrectAnswer string    `gorm:"type:text" json:"correct_answer"`
	Resolved      bool      `gorm:"not null;default:false;index" json:"resolved"`
	CreatedAt     time.Time `json:"created_at"`
	UpdatedAt     time.Time `json:"updated_at"`
}
func (MistakeRecord) TableName() string { return "mistake_record" }

联动点

• 正式考 ExamSubmit 判分循环里，错题 INSERT 进 mistake_record（source=formal）；自测可选不写。
• 学员端「我的错题本」页：列表 + 「已掌握」标记（resolved=true）。

E2. 简答题 + LLM 评分（P2）

数据模型改动

• question.type 增加 essay；answer 存 rubric 评分要点文本；options 空。
• exam_record.detail_json 已存答题明细，可直接承载简答文本。

评分流程

• 复用 internal/ai/llm.go，新增「评分」能力路由（或在 ai_call_log.capability 加 essay_grade）。
• 交卷时对 essay 题调 LLM 按 rubric 打分（0~1 得分率），持久化到 detail_json。
• 选择题仍确定性判分；总分 = Σ得分率/题数×100（对齐 pj006 算法）。

E3. 自动化测试（P2）

• 后端：新增 _test.go，优先覆盖纯逻辑函数：isCorrect（判分）、splitDomains、pickQuestions（组卷）、ai.Retrieve 的 splitTerms/cosine。
• 命令：go test ./...；接入 start_dev 或 CI 脚本。
• 前端：可选，暂缓。

---

Part F —— 待拍板决策点与下一步

F1. 需产品/技术拍板

1. 岗位考试课程过滤语义（D5）：岗位绑定具体课程时，抽题用 course_id IN ?（严格）还是 course_id IN ? OR course_id IS NULL（宽松含域匹配）？
2. 错题本 vs 学情分析边界（E1）：PRD 禁止「学情分析」，错题本是否属于允许范围？
3. 岗位知识映射去重（D3.2）：是否加唯一约束防重复？
4. 简答题是否本期做：P0 还是 P2？

F2. 建议的下一步

1. 确认 F1 四个决策点；
2. 进入 P0 编码（改动文件已列于 D2，共 6 处）；
3. P0 完成后补 isCorrect/pickQuestions 单测（借 P0 一并补测试债）。

---

本文件为整合版：Part A/B/C 来自《对比分析_pj0231_vs_pj006-zhilianyuan2.md》，Part D 整合自《设计稿_岗位与知识对应能力.md》，Part E 为新增其余改进项设计要点。