从 7 个 AI 项目提炼一套可复用的实战教程：把“模型 Demo”做成真正的工作流工具

1. 原文 7 个项目资源索引

这一节保留原文明确给出的项目、工具链、Guide 链接、GitHub 仓库链接和来源平台。图表数字化与长期记忆项目原文只给出 Guide 链接，没有给出 GitHub 仓库链接。

1.1 AI 求职助手：JobFit AI

1.2 多智能体研究助手

1.3 投资研究自动化

1.4 市场研究与趋势分析 App

1.5 发票处理流水线

1.6 图表数字化工具

1.7 带长期记忆的运动教练

2. 本文提炼：不要做 AI Demo，要做工作流替身

原文事实是：7 个项目分别覆盖求职、研究、投资、市场分析、发票、图表和个人教练。

本文提炼是：这些项目底层可以归纳为同一种工作流架构：

真实输入 → 清洗/检索/识别 → 模型推理 → 结构化输出 → 人工复核 → 持久化记录

所以，高质量 AI 项目不是“接一个大模型 API”，而是回答 5 个问题：

1. 输入是什么？文本、网页、PDF、图片、表格，还是用户历史？ 2. 哪些步骤可以自动化？搜索、抽取、比对、分类、汇总、排序。 3. 输出给谁用？个人、运营、财务、销售、研究员、管理者。 4. 结果如何验证？来源链接、字段校验、置信度、人工复核。 5. 失败时怎么办？空结果、网页被拦、模型幻觉、格式错误、费用超限。

后面的教程用一个最小可运行项目演示这套方法。它不是原文任一项目的完整复刻，而是一个离线 Mock 版本，用来帮助你理解所有项目的共同骨架。

3. 教程目标：构建一个离线可跑的“研究简报助手”

为了避免一上来就依赖付费 API，本教程先做一个离线 Mock 版本。

它主要映射原文中的两个方向：

最小版本能力：

跑通后，你可以把同一套骨架替换成真实网页搜索、OpenAI Agents SDK、Olostep、Qwen 3.6 Plus、Claude Opus 4.7 或 Supermemory。

4. 项目结构

新建目录：

mkdir ai-workflow-assistant
cd ai-workflow-assistant
mkdir data outputs

最终结构：

ai-workflow-assistant/
├── data/
│   ├── source_1.md
│   ├── source_2.md
│   └── source_3.md
├── outputs/
├── main.py
└── README.md

5. 准备样例数据

创建 data/source_1.md：

# AI Job Search Assistant

A job search assistant can read a candidate CV, search live job postings,
compare role requirements, and rank jobs by candidate fit. The key workflow is
CV parsing, job retrieval, requirement matching, and ranked reporting.

创建 data/source_2.md：

# Invoice Processing Pipeline

Invoice processing is a strong real-world AI use case. It combines document
understanding, structured field extraction, validation, and business workflow
automation. Human review is still needed for ambiguous invoices.

创建 data/source_3.md：

# Persistent Memory Agent

A persistent memory agent stores user preferences, past interactions, and
important facts across sessions. This allows the assistant to personalize
future responses without asking the user to repeat context.

这些样例分别对应原文中的求职助手、发票处理、长期记忆助手。

6. 编写最小可运行版本

创建 main.py：

from __future__ import annotations

from dataclasses import dataclass
from pathlib import Path


DATA_DIR = Path("data")
OUTPUT_DIR = Path("outputs")
OUTPUT_FILE = OUTPUT_DIR / "research_brief.md"


@dataclass(frozen=True)
class SourceDocument:
    path: Path
    title: str
    body: str


@dataclass(frozen=True)
class Finding:
    source: str
    title: str
    matched_terms: list[str]
    summary: str


def load_documents(data_dir: Path) -> list[SourceDocument]:
    documents: list[SourceDocument] = []
    for path in sorted(data_dir.glob("*.md")):
        text = path.read_text(encoding="utf-8").strip()
        if not text:
            continue
        lines = text.splitlines()
        title = lines[0].lstrip("# ").strip() if lines else path.stem
        body = "\n".join(lines[1:]).strip()
        documents.append(SourceDocument(path=path, title=title, body=body))
    return documents


def extract_findings(documents: list[SourceDocument], query: str) -> list[Finding]:
    query_terms = [term.lower() for term in query.split() if term.strip()]
    findings: list[Finding] = []

    for doc in documents:
        searchable = f"{doc.title}\n{doc.body}".lower()
        matched_terms = [term for term in query_terms if term in searchable]
        if not matched_terms:
            continue

        summary = summarize_document(doc.body)
        findings.append(
            Finding(
                source=str(doc.path),
                title=doc.title,
                matched_terms=matched_terms,
                summary=summary,
            )
        )

    return findings


def summarize_document(body: str) -> str:
    sentences = [part.strip() for part in body.replace("\n", " ").split(".")]
    sentences = [sentence for sentence in sentences if sentence]
    if not sentences:
        return "No summary available."
    return sentences[0] + "."


def render_report(query: str, findings: list[Finding]) -> str:
    if not findings:
        return (
            f"# Research Brief: {query}\n\n"
            "## Result\n\n"
            "No matching source found. Try broader keywords or add more source files.\n"
        )

    lines = [f"# Research Brief: {query}", "", "## Executive Summary", ""]
    lines.append(f"Found {len(findings)} relevant source(s).")
    lines.extend(["", "## Findings", ""])

    for item in findings:
        lines.extend(
            [
                f"### {item.title}",
                f"- Source: `{item.source}`",
                f"- Matched terms: {', '.join(item.matched_terms)}",
                f"- Summary: {item.summary}",
                "",
            ]
        )

    lines.extend(
        [
            "## Review Checklist",
            "",
            "- 每条结论是否都能追溯到本地来源文件？",
            "- 对高风险决策来说，这份摘要是否过短？",
            "- 这份结果在进入生产流程前是否需要人工复核？",
            "",
        ]
    )
    return "\n".join(lines)


def main() -> None:
    query = "workflow automation memory invoice"
    documents = load_documents(DATA_DIR)
    findings = extract_findings(documents, query)
    report = render_report(query, findings)

    OUTPUT_DIR.mkdir(exist_ok=True)
    OUTPUT_FILE.write_text(report, encoding="utf-8")
    print(f"Wrote {OUTPUT_FILE}")


if __name__ == "__main__":
    main()

运行：

python3 main.py

预期输出：

Wrote outputs/research_brief.md

查看生成的简报：

cat outputs/research_brief.md

预期关键内容节选如下。这里是节选，不是完整文件：

# Research Brief: workflow automation memory invoice

## Executive Summary

Found 3 relevant source(s).

## Findings

### AI Job Search Assistant
- Source: `data/source_1.md`
- Matched terms: workflow
- Summary: A job search assistant can read a candidate CV, search live job postings, compare role requirements, and rank jobs by candidate fit.

### Invoice Processing Pipeline
- Source: `data/source_2.md`
- Matched terms: workflow, automation, invoice
- Summary: Invoice processing is a strong real-world AI use case.

### Persistent Memory Agent
- Source: `data/source_3.md`
- Matched terms: memory
- Summary: A persistent memory agent stores user preferences, past interactions, and important facts across sessions.

## Review Checklist

- 每条结论是否都能追溯到本地来源文件？
- 对高风险决策来说，这份摘要是否过短？
- 这份结果在进入生产流程前是否需要人工复核？

7. 增加一个失败用例

把 data/ 目录临时移走或清空后再运行：

mv data data.bak
mkdir data
python3 main.py
cat outputs/research_brief.md
mv data.bak data

预期输出包含：

# Research Brief: workflow automation memory invoice

## Result

No matching source found. Try broader keywords or add more source files.

这个失败用例很重要：真实网页搜索、票据识别、图表识别都可能遇到空结果。高质量 AI 工作流不能把空结果伪装成正常回答。

8. 这个最小版本对应原文的哪部分？

它不是为了替代原文的完整项目，而是抽象出共同骨架：

这就是很多 AI 工作流项目最小闭环：先让系统可跑、可看、可验证，再替换更强的模型和工具。

9. 扩展一：替换为真实 LLM 摘要

当离线版本跑通后，可以把 summarize_document() 替换成真实模型调用。

推荐接口设计：

def summarize_document_with_llm(body: str) -> str:
    """Summarize source text with an external LLM.

    Requirements:
    - API key must come from environment variables.
    - Timeout must be set.
    - Empty or malformed response must fall back safely.
    - The prompt must ask for source-grounded output only.
    """
    raise NotImplementedError("Connect your LLM provider here.")

.env 示例：

MODEL_PROVIDER=replace-with-your-provider
MODEL_NAME=replace-with-your-model
LLM_API_KEY=replace-with-your-api-key
REQUEST_TIMEOUT_SECONDS=30

不要把 API Key 写进代码。真实项目还应记录：

如果你想贴近原文项目：

10. 扩展二：从本地文件升级到网页研究助手

原文多个项目都依赖实时网页搜索和提取。你可以把 load_documents() 拆成两层：

search(query) → urls
extract(urls) → SourceDocument[]

建议输出结构：

@dataclass(frozen=True)
class WebSource:
    url: str
    title: str
    extracted_text: str
    extraction_status: str

关键规则：

与原文项目的映射：

11. 扩展三：做成发票处理或图表数字化项目

如果你想做原文中的发票处理或图表数字化，架构仍然类似，只是输入从文本变成图片。

发票处理版本：

发票图片 → OCR/视觉模型 → 字段 JSON → 字段校验 → 人工确认 → 入库/导出

字段 JSON 示例：

{
  "invoice_number": "INV-2026-001",
  "vendor": "Example Vendor Ltd.",
  "date": "2026-01-15",
  "currency": "USD",
  "total_amount": 1280.50,
  "confidence": 0.91,
  "needs_review": false
}

校验规则：

图表数字化版本：

图表图片 → 识别坐标轴 → 提取数据点 → CSV → 可视化复核

CSV 示例：

x,y,series,confidence
2023,12.4,revenue,0.88
2024,15.9,revenue,0.91
2025,19.3,revenue,0.87

12. 高质量 AI 工作流项目的验收标准

一个项目是否“高质量”，不看它用了多新的模型，而看这些点：

输入层

推理层

输出层

复核层

成本层

13. 最推荐的学习路线

这是本文基于原文项目做的学习路线建议，不是原文直接排序：

1. 多智能体研究助手：覆盖搜索、来源、报告、验证，迁移面最广。 2. 市场研究 Agent：学习如何拆分专家角色和生成结构化简报。 3. 发票处理流水线：学习视觉模型和结构化字段抽取。 4. 长期记忆助手：学习跨会话个性化，但要注意隐私和数据边界。 5. 图表数字化：适合处理论文、报告、图片数据，但验证成本较高。 6. 求职助手：个人价值高，但招聘匹配容易引入偏见和误判。 7. 投资研究自动化：练习价值高，真实决策风险也最高，应只做教育或辅助研究。

14. 最小上线清单

在把 Demo 给别人使用前，至少完成这些检查：

15. 结论

这篇 KDnuggets 文章真正值得提炼的不是 7 个项目清单本身，而是一套项目判断标准：

> 好的 AI 项目不是把模型接进来，而是把一个真实、重复、可验证的工作流变短。

从实践角度，建议先做本文的离线研究简报助手，把“输入、处理、输出、复核”的闭环跑通；再替换真实搜索、LLM、视觉模型或长期记忆服务。这样做出来的项目更容易调试，也更容易从 Demo 演进为可用工具。