English | 中文
让 AI 辅助编程时代，每一次「完成项目」都变成「理解项目」。
AI 让完成项目越来越快，但也带来三个新问题：
- ❓ 不知道自己真正学会了什么 —— 项目跑通了，知识未必进了脑子
- 🤖 不清楚哪些部分依赖 AI —— 哪些代码是 AI 写的，哪些是你自己设计的
- 🧭 不知道下一步应该学什么 —— 缺少个性化的学习反馈
RepoCourse 通过四个环节解决这些问题：
- 🔍 项目代码分析 —— 扫描项目结构、技术栈与核心代码
- 🤝 AI 协作分析 —— 基于 Git / Agent 日志等证据，复盘你与 AI 的分工（非作弊检测）
- 🎯 技能评估 —— 技能档案 × 项目证据 × Quiz × AI 贡献，评估真实掌握程度
- 📈 学习反馈 —— 学习盲区、游戏技能树、下一步学习计划
输入一个代码项目，即可得到双报告（技术复盘《README复盘.md》＋个人成长反馈 《learning_report.md》）、知识图谱（Obsidian 可视化）与个性化学习计划。
RepoCourse 自动分析代码仓库，帮助开发者快速理解：
- 项目结构
- 技术栈
- 核心代码逻辑
对应技术：Repo Scanner · Code Understanding Agent
分析开发过程中 AI 的参与方式，包括：
- AI 生成代码
- AI 辅助修改
- Debug 帮助
- 思路讨论
帮助用户了解：自己是如何与 AI 共同完成项目的。
对应技术：Evidence 分析 · Agent 日志解析
结合项目实际使用技术、profile.yaml 技能档案与 Quiz 验证结果，判断：
- 用户真正掌握了什么
- 哪些能力需要提升
对应技术：Skill Assessment · Knowledge Graph
根据项目分析结果生成：
- 学习盲区
- 面试问题
- 下一步练习建议
帮助开发者从「完成项目」走向「理解项目并提升能力」。
对应技术：Quiz Agent · Learning Coach Agent
输入一个项目，一次复盘走完以下链路：
flowchart TD
A[我的代码项目] --> B[项目扫描 Repo Scanner]
B --> C[代码理解 Code Understanding]
C --> D[知识图谱构建 Knowledge Graph]
D --> E[AI 协作分析]
E --> F[技能评估 Skill Assessment]
F --> G[生成复盘报告 README复盘.md]
F --> H[生成学习建议 learning_report.md]
运行：
apr review .一次复盘生成以下产物：
你的项目/
├── output/
│ ├── README复盘.md # 技术复盘：8 大板块 + 技能评估 + 学习路线 + 证据附录
│ └── learning_report.md # 学习成长反馈：学到什么 / AI 协作 / 盲区 / 学习路线
├── knowledge_graph.* # 知识图谱：json/html/canvas/mindmap + 学习技能树
└── learning_plan.json # 个性化学习计划（apr plan）
## AI 协作分析
| AI 代码生成 | AI 辅助修改 | 人工设计 |
| --- | --- | --- |
| 0% | 10% | 90% |
**AI 主要用于**：
- ✓ 代码生成（3 个文件由 AI 主导或辅助）
**你的优势**：
- 能够修改和整合 AI 代码## 4. 我的学习盲区
### REST API
为什么：
- 项目使用REST API
- 用户没有相关经验
- 暂无 Quiz 验证
- 代码以人工编写为主完整示例见本仓库 output/ 目录——对 RepoCourse 自身复盘的真实产物。
真实运行效果：
pip install repocourse
或不用安装，直接运行：
python -m apr review .
第一次使用？跟着这 5 步走（全程约 5 分钟）：
pip install repocourse
apr --version # → apr 0.1.0cd 我的项目
apr init # 生成 apr.yaml + profile.yaml# 方式 A：先体验，不花一分钱
apr review . --provider mock
# 方式 B：真实效果（platform.deepseek.com 申请 Key）
set DEEPSEEK_API_KEY=sk-xxx # Windows；macOS/Linux 用 export
apr config set --preset deepseek-flash # 便宜模型；高质量用 deepseek-proapr scan . # 文件统计 / 目录树 / 技术栈apr review . # 或加 --skip-quiz 跳过答题✔ 技术复盘报告：output/README复盘.md ← 面向开发者/面试，先看这份
✔ 学习成长报告：output/learning_report.md ← 面向你自己的成长反馈
之后按需深挖（均为确定性计算，不调用 LLM）：
apr graph . # 知识图谱：网页图 + Obsidian 画布 + 学习技能树
apr plan . # 个性化学习计划（短期/中期任务）
apr quiz . # AI 出题考你
apr web # 网页操作界面（含答题挑战）| 问题 | 解决 |
|---|---|
| 不知道档案填什么 | 直接跑也行——报告会标注「按通用视角推测」；想个性化再编辑 profile.yaml |
| 模型报错 | deepseek-chat 已停用，默认已是 deepseek-v4-pro，无需修改 |
| 报告在哪 | output/ 子目录里（不是项目根目录） |
| 连接被拒（WinError 10061） | 系统代理（如 Clash）未运行；工具会自动直连重试，或启动代理软件即可 |
| # | 板块 | 数据来源 |
|---|---|---|
| 1 | 项目介绍 | 项目画像 |
| 2 | 技术栈 | 清单文件检测（package.json / requirements.txt / pyproject.toml / go.mod / Cargo.toml / pom.xml …） |
| 3 | 项目结构 | 目录树 + LLM 分析 |
| 4 | 核心代码分析 | 关键文件摘录 + LLM |
| 5 | AI 协作分析 | 证据引擎计算（参与比例/AI 用途/你的参与/优势与建议，非作弊检测） |
| 6 | 我的学习盲区 | 证据引擎计算（项目需求×档案×Quiz×AI贡献×知识图谱，非 AI 猜测） |
| 7 | 面试问题 | 项目画像 + LLM |
| 8 | 下一步练习 | 以上全部 |
| 9 | 我的技能评估 | 技能档案 + 项目证据 + Quiz + 置信度 |
| 10 | 下一阶段学习路线 | Learning Coach（原因/学习任务/实践项目） |
| 附录A | AI 生成证据明细 | 逐文件证据表 |
| 附录B | 实践验证记录 | 问答得分 |
「AI 生成部分」采用多源证据融合，按权重合并为文件级「AI 贡献度」：
| 证据源 | 权重 | 说明 |
|---|---|---|
| 代码标记 | 1.0 | # AI-GENERATED: … / # HAND-WRITTEN 等注释 |
| Agent 日志 | 0.9 | Claude Code 工具调用（Edit/Write）；手动导入；DSH（统一事件系统）/ Cursor 目录 |
| Git 历史 | 0.8 | 提交作者/邮箱、Co-authored-by、逐文件 AI 提交占比与新增行占比 |
| 变更轨迹 | 0.8 | 由 Agent 编辑事件与 Git numstat 构成 |
判定：AI 贡献度 ≥ 70% 为「AI 主导」，40%~70% 为「AI 辅助」，置信度 < 30% 为「证据不足」。 报告中严格区分「有证据的结论」与「推测」。
- 手动导入（通用）：把任意 Agent 的对话记录（txt/md/log/jsonl）放到 <项目>/.apr/logs/ 下。
- Claude Code：自动解析 ~/.claude/projects/*.jsonl。
- DSH：在 apr.yaml 配置 evidence.dsh_logs_dir，经统一事件系统解析。
- Cursor：在 apr.yaml 配置 evidence.cursor_logs_dir（通用解析）。
在文件中加入注释即可被识别：
apr graph <项目路径> # 生成 5 个文件：
knowledge_graph.json # 标准图数据（节点/关系）
knowledge_graph.html # Obsidian 关系图谱风格可视化（拖拽/缩放/悬停高亮）
knowledge_graph.canvas # Obsidian Canvas 四列分层画布（拖入 Vault 即用）
knowledge_graph-mindmap.md # Mermaid 思维导图（Obsidian 原生渲染）
knowledge_learning.canvas # 学习技能树（游戏技能树风格，面向初学者）
图谱四层：文件 ─uses→ 技术 ─covers→ 知识点 ─assesses→ 用户技能（掌握程度 %）。 文件节点带 AI 贡献徽标，技术节点带平均 AI 贡献——一眼看出哪些是「纸面掌握」。
apr plan <项目路径> # 不调用 LLM，几秒出计划；保存 learning_plan.json
由 Learning Coach 生成：优先级（skill/level/reason/action）＋ 下一步实践项目。
apr review <项目路径> # 生成复盘报告（默认 README复盘.md）
apr scan <项目路径> # 只扫描并预览技术栈，不调用 LLM
apr graph <项目路径> # 生成知识图谱（json/html/canvas/mindmap/学习技能树）
apr plan <项目路径> # 生成个性化学习计划 learning_plan.json
apr quiz <项目路径> # 只运行实践验证问答
apr init <项目路径> # 生成 apr.yaml 与 profile.yaml 模板
apr web # 启动 Web 界面（http://127.0.0.1:8765）
apr config # 交互向导：切换 LLM 供应商/模型
apr config show # 查看当前生效配置
apr config set --preset deepseek-flash # 一键切换预设（写全局）
apr config set --preset deepseek-flash --local # 只写当前项目
常用参数：--provider mock（离线演示）、--skip-quiz、--no-cache、--output 路径、 --language en、--dry-run、-v。
apr web --port 8765 --open
零第三方依赖（stdlib http.server），功能：输入项目路径 → 项目预览 → 一键复盘 → 实时进度日志 → 报告预览与下载，以及网页答题挑战：AI 出题、点选答案立刻判对错 并显示解析、交卷出总分与薄弱主题（新手友好）。
启动 Web 服务：
网页界面：
apr config set --preset deepseek-pro # DeepSeek V4 Pro（默认）
apr config set --preset deepseek-flash # DeepSeek V4 Flash（更便宜）
apr config set --preset openai-mini # OpenAI GPT-4o-mini
apr config set --preset ollama-qwen # 本地 Ollama
apr config set --model deepseek-v4-flash # 只改模型，其余不变
apr config # 交互式向导
默认写入全局 ~/.apr/apr.yaml（所有项目生效）；加 --local 只写当前项目 apr.yaml。 配置优先级：命令行参数 > 环境变量 > 项目 apr.yaml > 全局 ~/.apr/apr.yaml > 内置默认。
项目根目录 apr.yaml（可用 apr init 生成），环境变量可覆盖： APR_PROVIDER、APR_MODEL、APR_BASE_URL、APR_API_KEY。
RepoCourse 采用多 Agent 协作架构，数据从输入层逐层流向输出层：
flowchart LR
subgraph IN["用户输入层"]
A["项目代码"]
A2["Git 历史"]
A3["Agent 日志"]
A4["profile.yaml"]
end
subgraph AG["分析 Agent 层"]
B["Repo Scanner"]
C["Code Understanding Agent"]
D["Knowledge Graph Agent"]
E["Evidence Agent"]
end
subgraph EV["评估层"]
F["Skill Assessment"]
G["Quiz Agent"]
H["Learning Coach"]
end
subgraph OUT["输出层"]
I["README 复盘报告"]
J["Learning Report"]
K["知识图谱可视化"]
L["学习路线"]
end
A --> B
A2 --> E
A3 --> E
A4 --> F
B --> C
C --> D
D --> F
E --> F
F --> G
F --> H
G --> I
H --> J
D --> K
H --> L
用户输入层
- 项目代码仓库
- Git 历史
- Agent 日志
- profile.yaml（技能档案）
分析 Agent 层
- Repo Scanner —— 负责：项目扫描、技术栈识别
- Code Understanding Agent —— 负责：代码结构理解、核心逻辑分析
- Knowledge Graph Agent —— 负责：建立项目知识关系
- Evidence Agent —— 负责：分析 AI 参与证据
评估层
- Skill Assessment —— 负责：结合项目需求和用户能力评估
- Quiz Agent —— 负责：实践验证
- Learning Coach —— 负责：生成学习建议
输出层
- README 复盘报告
- Learning Report
- Knowledge Graph（JSON / HTML / Obsidian Canvas / 技能树）
- 学习路线（learning_plan.json）
| 模块 | 状态 |
|---|---|
| 项目扫描 | ✅ 已完成 |
| 代码理解 | ✅ 已完成 |
| AI 协作分析 | ✅ 已完成 |
| 技能评估 | ✅ 已完成 |
| Quiz 验证 | ✅ 已完成 |
| 网页答题挑战 | ✅ 已完成 |
| Knowledge Graph | ✅ 已完成 |
| 学习反馈 | 🚧 持续优化 |
| Web Dashboard | 📌 计划中 |
已完成：
- 项目扫描
- 技术栈分析
- 核心代码理解
已完成：
- Agent 日志解析
- Git 证据分析
- AI 参与分析
已完成：
- profile.yaml 技能档案
- Skill Assessment
- Quiz 验证
进行中：
- 更友好的学习报告
- 知识图谱优化
- 个性化学习建议
计划（探索中）：
- 多项目成长追踪
- Web Dashboard
- 更丰富的可视化
- 项目之间的能力关联
本仓库配置了 post-commit 自动推送钩子（.githooks/post-commit，经 core.hooksPath 启用）： 每次 git commit 成功后自动推送 GitHub。在新克隆的仓库中执行 git config core.hooksPath .githooks 即可启用。
报告由 AI 自动生成，仅供学习复盘参考；标注「推测」的内容未经证据证实。