2026秋软工实践 你所热爱的就是软件工程——项目原型设计+概要设计

从菜谱助手到叠石

10 月 25 日提交的 prd v0.3 这份作业，我们想给刚开始独立做饭的人做一个更懂自己的菜谱助手。用户可以把截图里的做法收进手机，按人数和口味改成自己的版本，做完记一句，下次接着用。那时我们已经把原始材料、个人版本和餐后反馈写进方案，流程的重点是怎么把菜谱整理成适合自己的做法。

但答辩时老师问：用户为什么要用你们的软件，为什么不直接问大模型？

课上回复时，我们先想的是领域 Agent 的专业性从哪里来：底层模型和运行时可以复用，团队的工作是把领域规则、工具和流程做成能解决具体问题的软件，再用实际任务看效果。

但回过头看自己的方案，其实还有一个核心问题需要回答：我们花了这么多力气收集和整理材料，用户下次除了找回这道菜，还能用上什么？

反思时，我们重新尝试把问题放回一顿晚饭。用户说“洗锅太麻烦”，先记下的是那次经历。把几次加班后留下的相似反馈放在一起，才有依据推测用户在这种时候更看重少收拾。周末愿意慢慢做饭也是有用的证据，它帮我们看清这条偏好在什么情况下成立。我们想留下的是这样一条能找到原话、说清适用条件、可以随本人纠正而更新的认识。它随用户积累，将来接入同一资料库的其他 Agent 也可以按授权复用。

于是，调研从比较菜谱导入、调整和推荐，转向研究经历怎样成为证据、偏好怎样随反馈更新，以及手机断网或退出后怎样接着处理。prd 也从 v1.0 开始围绕记忆循环组织需求，随后把经历、习惯和条件偏好抽成可供不同场景复用的结构。我们仍用饮食做首轮验证，因为一顿饭的条件、选择和实际体验都容易讲清楚，也有机会在下一次选餐时检验这些认识有没有用。

到当前的 prd v1.3，我们把这套想法放进了原型。首页承接对话和随手记录，记录库用时间线和标签帮人找回经历，设置里能查看和纠正记忆。标签负责找回相关材料，偏好则要沿着证据判断是否适用于当下。用户从建议旁的“依据”可以回到原记录，也能决定纠正只影响这一次，还是以后都按新条件处理。

叠石（PebblePile）是一个面向手机的本地优先个人记忆工具。平时留下的对话和记录，经智能体（Agent）和本地算法整理后，可以用来找回经历，也可以在下一次遇到类似情况时作为建议的依据。而做饭将只成为这个生活领域Agent的一个验证场景：如本次我们采取了加班晚餐这一场景，演示了从记录、获得建议到补记结果和纠正偏好的过程。

原型设计

原型展示

• Paper 在线原型有 20 个移动端状态画板和一张主流程图，已用未登录浏览器核验画板可见。
• 想实际体验原型交互，可以下载仓库 ZIP或通过git拉取我们的仓库，打开 assets/prototype/index.html。点击导览使用虚构数据模拟输入、整理、反馈和纠正。

首页打开就能输入。“对话”和“记录”切换时保留草稿，提交分别触发对话和保存。记录库通过时间线、记录本和标签找回同一条记录。管理操作放在设置中，原型展示了模型与连接、记忆与偏好、备份与恢复，处理状态也能从原记录查看。

界面采用浅砂底色与苔绿强调色，凸起表示普通按钮，内凹表示输入或选中状态。正文用霞鹜文楷，英文和数字用 Leftist Mono Serif，功能图标用 Iconoir Regular，整体尝试使用了新拟物风格。

用加班晚餐走一遍

1. 记录和建议。 在对话页输入“今天加班，晚饭想省事一点，预算二十元。”系统先保存原话，再整理并给出建议。等待网络、正在整理和暂停分别显示，用户可以回查原文或继续处理。
2. 补记实际结果。 用户吃完后，在原事项里写下“最后吃了热汤面，速度够快，也很舒服。”建议、用户选择和实际体验分开保存，后续更新偏好时可查到这次体验。
3. 找回并纠正。 在记录库组合人物、时间和标签，打开记录核对“省事”的原话和算法版本。也可以从建议旁的“依据”打开偏好详情，把“加班时晚饭优先省事”改成“只在工作日加班时优先省事”。选“仅本次”会修改当前事项，选“以后按此条件”会保存明确偏好并停用受影响的旧推断。

仓库的原型说明与验证记录覆盖 20 个页面状态和 125 个动作。模型推理、持久化、系统听写和进程恢复留到应用阶段验证。

概要设计

系统分层与 Agent

应用、系统分享和快捷动作共用本地业务核心。入口负责接收材料和显示回执，核心负责权限、记录、标签和个人模型，适配层接入场景包、推理服务与存储。远程模型收到的是授权范围内的材料，写入与版本发布由本地核心统一处理。

以加班晚餐为例，Agent 用饮食场景包理解预算与情境，调用 query_context 取得适用偏好、证据和快照。用户补记实际体验时，record_outcome 把结果写回原事项。纠正认识后，revise_memory 返回生效范围和重算任务。

统一建模语言（UML）

用例图 · 谁能做什么

资料库所有者可以记录、查找、管理偏好、恢复备份和配置授权。系统入口代为转交请求，外部 Agent 只能使用获授权的工具，模型服务负责推理。保存记录先返回回执，整理由后续任务接手。

活动图 · 从材料到个人模型

图分成三条泳道，分别是用户与入口、本地业务核心、任务与模型。原话先入库，任务随后抽取标签、事件和证据。证据通过校验后形成新的模型快照，供下一次建议使用。用户补记结果或纠正内容时，相关记录重新进入整理流程。

类图 · 来源、事件与证据

SourceVersion 保存材料的某一版本，EventVersion 表示对一次经历的某次解释。EventSource 把两边连起来，一段原话可以提取出多个事件，同一经历也能关联多份材料。Evidence 记录人物、观察类型和原文位置。

类图 · 记录、会话与语义标签

Record 汇集正文、会话、来源和事件，可归入 Notebook。TagAssignment 把标签关联到记录或事件版本，并保留生成依据、算法版本和核对状态。用户排除某个标签时，后续自动整理沿用这个决定。

类图 · 个人模型与事项

Habit 和 Preference 共用认识的版本与证据关系。ModelSnapshot 固定当时使用的认识和算法版本，Decision 保存候选及所用快照。Outcome 可以关联决策，也能单独记录一次实际经历。

时序图 · 更新与发布

任务拿到固定输入后，在写事务外调用模型。核心整理候选标签与事件，提交前再查输入版本、授权和任务状态。通过检查后才发布快照，重复提交沿用同一阶段的结果。

时序图 · 纠正与失效

用户确认纠正后，核心检查基准修订并写入新版本。受影响的旧认识和查询缓存先退出使用，后台再用有效证据局部重算。期间完成的旧任务也要检查输入版本，避免把旧结果写回来。

协作图 · 建议如何收到反馈

编号 1.x 对应当次建议。Agent 向上下文服务取适用认识和证据，保存候选及依据，再回复用户。编号 2.x 对应之后的反馈。结果服务把实际体验关联到原事项，并安排个人模型更新。

状态图 · 任务如何恢复

任务领取后分阶段保存检查点。用户暂停、网络不可用或预算耗尽时，任务进入等待并保留原因。恢复时核对输入和剩余预算，再从有效检查点继续。取消或失效的任务停止发布结果。

数据库设计

设计采用 SQLite 事务库、应用私有附件目录和可重建的全文索引。下面六张实体关系（ER）图分别展开各组表和连接关系，正文结合对象关系映射（ORM）说明数据如何入库。完整字段、主外键和索引见文末说明书。

材料、事件与证据

每份来源归属一条原记录，可以保留多个版本。event_sources 把事件版本和来源版本连起来，一次经历可以有多份来源。evidence 沿这条关系定位具体段落或图片区域。正文和附件修改后，旧证据仍可定位到原版本。

认识与模型快照

习惯和偏好在领域层是两个对象，入库时共用 knowledge_items 和 knowledge_versions，按类型区分。evidence_links 关联认识与证据，snapshot_evidence 记录模型参数依赖的证据。纠正来源时，两条关系都可用于定位影响范围。

目标、决策与实际结果

goals 保存事项目标，decisions 固定所用快照、当次上下文和选中项，decision_options 保留候选及顺序。执行回执与实际体验分开写入 outcomes，再由 outcome_events 关联到具体事件版本。

处理任务与算法版本

任务关联输入版本、执行步骤和调用记录，恢复时可以核对已经完成的阶段和剩余预算。算法清单通过 algorithm_scenes 固定场景包版本，保留当时使用的词表、字段和规则。

用户交互与访问管理

interaction_sessions 将会话归到原记录，interactions 按顺序保存用户、助手和工具消息，正文回链 source_versions。访问授权绑定客户端和资料库，外部调用按授权范围读写。

记录组织与语义标签

record_sources 和 record_events 把记录关联到具体来源和事件版本。tags 保存规范词，tag_assignments 连接标签与记录或事件版本，tag_assignment_inputs 记录生成标签所用的材料与依据位置。人工核对和自动标注使用同一套关系。

团队协作记录

本轮围绕首页、记录库和设置更新需求与信息架构，分别归档视觉样式、系统与数据库设计、Paper 画板和本地导览。

每周开发计划

逐人分工

按产品需求文档的团队分工拆到个人，作为后续开发计划。

仓库与设计说明书

• GitHub 团队仓库 · PebblePile
• 系统设计说明书PDF
• 数据库设计说明书PDF