从高考在 6 月 10 日结束,到 8 月 4 日整个项目决定长期搁置,这两个月,我深度参与了这样一个项目。
2 月 12 日 引子
这是高三寒假的一天,正值字节跳动的 Seedance 2.0 发布,我深感 AI 对于当今时代的冲击。偶然间想到甲同学。那时,我对于甲的了解并不多。我与甲是在高一升高二暑假的数学竞赛课上认识的,后来联系也不多。当时有一段时间中午在食堂经常能看到甲,他的发言让我感到这个人不一般,有干大事的潜力。于是,在这一天,我找到了甲,问问他对于这个视频生成模型的态度。
关于 Seedance,其实也没说什么。但是这引起了整个话题。甲谈到,他当时正在构思一件大事,要做一个 galgame。那时我本身对于二次元已经不屑一顾,但经过甲的介绍,galgame 这个形式本身没问题,只是内容上比较低俗。我们不应被主流的内容影响,但大可以借鉴这种形式。我被说服了,答应下来,但是,此时我也是没有长远考虑,只是应和两句,毕竟就算要做也是高考后开始。高考后,在当时的我看来,还是相当遥远的。
后面三个月,我和甲同学的沟通逐渐增多,甲对于数学很有自己的见解,只是很多时候比较理想主义,实际性不强。当然,这对于高中阶段的学生,完全不是什么问题。
6 月 10 日~14 日 立项
高考结束,我是在 6 月 10 日上午考完最后一科生物。甲的选科是物化政,在前一天就考完了。我考完生物后,甲当即找到我,谈这个项目的事项。甲的话很像官腔,能长篇大论地论述半天,但信息密度并不高。但客观来说,甲的志向很远大,而且格局很开阔,有志于做一些大事。我虽然没有那么宏大的志向,但深刻认为自己应该学习一些有助于实践的知识,于是答应下来,参与了甲的项目。
随后几天,甲详细介绍了他的完整计划。第一阶段是做一个教培项目,积累经验的同时,尽可能赚一些启动资金。第二阶段是做一个文化产品,也就是 galgame,探讨技术与伦理的问题。而目前阶段要做的,主要就是教培项目。于是这件事情就立项了。最初的计划是,我负责导数课程,甲负责创新题课程。
6 月 15 日~17 日 课程框架搭建
于是,我开始执行,动笔写了导数第一讲的讲义:为什么我们需要导数 。花的时间比我预想中多一点,但可以接受。我在写的时候,就按照我理想中的讲义模式来写,具体来说就是模仿西方大学教材,写的详细一点、透彻一点,娓娓道来。
讲义我计划分为两部分:知识和题目。知识我已经写了一讲,算是有了示范,接下来的知识讲义只要以此为根据来模仿就好。顺理成章的就是,再写一个题目的讲义作为示范,这样整个体系框架就有了。
我也是有想法的,不希望敷衍了事,希望做出差异化。题目的讲义,说简单也简单,说复杂也复杂。主流的题目讲义都是堆砌题目,然后用 iPad 手写板书讲解。但经过考虑,我想题目讲义最好的方案是做一个交互式的网页。这个网页首先供我们讲课使用,其次还可以收集学生做题数据。于是我设计了一个 demo 网页,在 DeepSeek 的建议下托管到 Netlify 上。之所以这么做,是这样的技术门槛最低。我原来也写过一些小程序,最后认为网页是开发最简单、门槛最低的,于是先从网页开始。我先从 2025 北京高考导数题开始,把答案按步骤拆分,希望我的学生一步一步阅读答案、对比自己的作答,并给出反馈。学生做完之后,可以导出 csv 文件,这个文件可以发给我们,我们再写程序来分析。
整套流程还是比较完善了,虽然比较简陋,但完全可用,而且规避了服务器建设的成本。此外,我考虑到,既然讲习题课要用到这个系统,那为什么不顺便也做了一个讲义阅读系统呢?LaTex 渲染的管线都搭建好了。于是也就做了一个,支持在讲义中插入分隔符,系统读取分隔符,像 ppt 那样展示。这样的好处是,一份讲义可以多处使用,既可以导出 PDF 分发,也可以直接做出 ppt 那样的动画。
这个 demo 的效果不错,甲看到后,谈到他构想的另一个计划:建设一个数学的题库,借助自建题库更好地备课。我想这件事的确也有必要,于是决定开始建设题库。
切勿好高骛远。当时的我们没想到的是,由建设题库开始,我们的计划开始膨胀,导致我们的各项任务变得很沉重,最终我们承受不起时间成本,放弃整个计划。那时,再想精简已经来不及了。 由此考虑的解决办法是,最开始的项目定位一定要清晰,设立边界,明确我们做什么、不做什么。特别是不做什么,这防止我们在一些看起来很美好但不切实际的事情上耽误时间。
6 月 18 日~19 日 初步建立题库
建设题库的想法萌生起初,我就对于大语言模型介入持一个相当乐观的态度。后来,甲借到学校老师的账号,获得了字节扣子平台的 agent 额度,算是开了一个很好的头。我自己试用了,感觉相当好,但是我的确认为使用学校的 tokens 不好。因此,我决定自己搭建一个 agent。我简单搜了搜,选择了 Hermes agent。那时候,hermes 还只有命令行版本,我直接用命令行开始干活。
建设题库,首先要考虑的是存储格式、数据结构。在这个阶段,我的想法还是很原始的,想用 Obsidian 笔记,加上 YAML 笔记属性头部。我的想法是,这是一个不错的初始结构,先这么建立好,然后再转码也方便,因为这样就是格式良好的。这个想法虽然原始,但总归是可以实现的,于是我就先执行起来了。
事实上,我们建立题库的基础是很好的。我的中学就有自建的题库,目前来看题目应该是老师手动录入的,至少从正确性上问题不大。学校的题库大概支持组卷导出 PDF,我在高中阶段学校发的练习卷大多都是用自建题库做的。甲的高中数学老师在群里发过一些学校题库导出的汇编 PDF,这对于我们是很好的基础。汇编 PDF 包括:2020-2025 的北京高考题,2023-2025 的北京各区模拟题。基本上都是全的,只有个别缺失。以此为基础,我只需要转码学校的汇编 PDF,然后把缺失的补齐,最后自己上网逐一找一找 2026 年的模拟题就好了。
这看起来工作量很大,但实际上并不复杂。转码 PDF,只需要让 agent 写一个 python 脚本,就能批量做了;剩下的工作,只要我找好,哪怕让 agent 一个一个手动转码,无非也就是浪费一点 token 的事情。实际上基本上如我预料,在 agent 的辅助之下,很快就建立了题库。比较繁琐的是数据清洗,需要抽查题库内容并核对问题,然后让 AI 全库搜索类似问题并全部改正。虽然如此,但经历了 2 天的奋力工作,基本上完工了。题库一共 798 道题,也算是初具雏形了。
6 月 20 日~24 日 章鱼智学 web 建设
题库建设完毕,我的目标就越来越宏伟了。起初我还只是想做一个 demo,这时来看,既然已经建设了题库,那么何不把题库接入我们的系统呢?这是一个大工程,但我跃跃欲试。同时,整个项目的名称也想好了——章鱼智学。于是,在 agent 的帮助下,我开始建设章鱼智学 web 端。
早期计划的 web 功能,就是完全对接我们的课程,可以阅读讲义、在线对答案,同时我作为教师也可以做讲课材料。比 demo 增加的功能在于,现在我决定买一台服务器,在服务器中存好题库,增加一个选题布置作业的功能;同时,学生的反馈直接进入服务器,不必导出 csv 发给我们。这样的话,我的习题课就很简单了,只需要在题库中选题,然后布置作业,学生完成作业、给我反馈,我在后台看到反馈决定如何讲课。
这个想法是很好的,实现起来也不难,于是就开始做了。看了看主流方案,我决定采用 Django 搭建网页基础,这是一个广泛使用的动态网站框架。关于域名,一开始我在阿里云买了一个.cn 的域名,后来发现这需要备案。备案固然是必要的,但流程耗时太长。我一遍告诉甲这个情况,另一边开始琢磨其他的方法。后来发现一个绕过备案的方案,就是在国外代理商买一个域名,用 cloudflare 托管。于是我又买了一个便宜的.top 域名。后来搭建 cloudflare 的时候,还发现直接解析死活不行,最终使用 cloudflare 隧道才成功。总的来说,这算一次 vibe coding 的实现,经过一两天的努力,这些事很快办成了。
后来,甲提出了一些建议,希望可以下载 PDF、个性化组卷,并加入积分系统。既然这么说了,我就接着改。导出 PDF 的功能,我想了几个技术路径,最后干脆直接使用 LaTex,写一个模板,在服务器上安装一个 XeLaTex,直接编译出 PDF。功能基本上齐全了,我又全面考察了一遍网站前端界面,按我的想法一一改正了 AI 写出的不合理的地方,最终在高考出分的前一天出了成品。
6 月 25 日~7 月 1 日 转型期
6 月 25 日高考出分,我开始准备强基。这几天,章鱼智学的软件搁置起来了,同时我回顾了已经做成的工作,进行了全面的反思。
就当时做成的工作来看,我的作用似乎已经从课程讲师变成了程序员。而且,仔细考虑一下,讲高中数学对于我的未来没什么实际价值,但写代码确实还是很有价值的,未来做工科的任务时可能用得上。而且,就我的时间情况来看,写代码已经让我心力憔悴,那几天我从早起到睡觉,除了吃饭基本上全在电脑前改网站。这已经完全不同于我一开始的想法。我一开始认为,这件事只是我的副业,没想到最终结果是这件事占据了我的全部时间,我没有一点时间做别的。当然,我的心理是,抓紧时间把代码写完,之后我就完全清闲了。就是这个心态支撑我一天做十多个小时。综合多方面的因素考虑,我决定不讲课了,全职写代码。我把这个决策告诉甲,甲劝了我几句,但我都没有被说动。最终,我的工作名实相符了,就是全职搞技术。
与此同时,这几天的搁置也让我反思章鱼智学网页本身的问题。现在情况是,网站访问速度太慢。经过 agent 的排查,最严重的问题是我没有优化好,其次是 cloud flare 需要绕道国外,根本上是服务器带宽太低。这三点是木桶效应,最终是最慢的影响最大。agent 给我的建议包括升级服务器、购买国内域名;还有一个办法是开发软件,服务器只作为 API。后者引起了我的注意,我觉得不错。或许是爱折腾的心态起了作用,我最终选择了最费力的办法——写一个软件。
回头看这时期的决策,或许更省事省力省钱的方法反而是升级一个带宽更高的服务器,这样就免去了 iOS 开发者账号的成本和 app 备案的成本。但那时候确实没有想到。
除此之外,我还反思了工作流的问题。原来的方式是彻底的 vibe coding,直译过来是“氛围编程”,具体来说就是我完全不关心代码,只提要求、看结果。但这个的问题在于,我完全不掌握技术细节,AI 经常做一些愚蠢的、短视的决策,我根本发现不了。经过一轮资料查找,我选择了 spec 编程。具体来说,就是我一开始和 AI 共同写一份详细的技术文档,要详细到涵盖所有技术细节,然后让 AI 直接对着文档施工,尽量一次出成品。照着这个思路,在高考报志愿、强基考试都告一段落后,我开始了软件的施工。
7 月 3 日~16 日 软件编写
首先我确定了整个技术栈。服务器后端还是使用 Django,软件使用 flutter 跨平台开发,另外还要一个品牌首页用静态 html 直出。然后我考虑设计文档编写的流程。我的想法是,以 UI 为基础,先画出设计图,然后让大家审核,没问题之后在对着设计图搭建软件基础设施,全部设计好之后让 AI 开始编码,最后直出成品。还有一个重要的设计思路:模块化。模块化的好处是,各个模块分别运作,不同的功能之间解耦,便于维护。
第一件事就是画软件设计图。多方比较之后,我想最可靠的方案还是静态 html。这段完全可以使用 vibe coding,因为静态 html 很“浅”,代码和成品基本上是直接对应的,没有软件背后的弯弯绕绕(例如数据库读写、服务器通信等等),vibe coding 的效率优势可以充分发挥。7 月 6 日 UI 设计图基本上就完工了,接下来几天我在思考下面的基础设施。这又考虑了 3 天,做了众多决策,最终在 7 月 9 日定稿了所有的设计文档。
接下来,我让 AI 定了一个施工规划,就开始执行了。后来我才发现,整个施工规划不够全面,按整个计划做完,还有一些设计文档中的内容完全没落实。但这是后话了。7 月 9 日开始建项目文件夹,10 日迁移题库,11 日把剩下计划中的代码都落实了。我这几天又是从早干到晚,一天十几个小时,我原本以为 11 日所有代码落成之后就能全部完工,之后就是比较清闲的维护了。但事实并非如我所愿。
11 日晚,所有代码落成,我在终端输入 flutter run ,准备验收最终成果,但结果比我预想的差得多——连跑都跑不起来,运行直接报错。先修复了跑不起来的 bug,软件终于运行起来,又在登录页面卡住了,不能正常登录。终于又修复了这个 bug,进入软件,结果更加令我痛心:连基本骨架都不对,距离设计文档差了不少;更不必说实际功能,点击一个按钮,要不直接闪退,要不就是进入以后全部数据都为 0。全部看一遍,竟然没有一个页面是合格的。我想,改动的任务还是很艰巨。鉴于问题的严重性,我决定先让 AI 自己排查问题,希望 AI 先把大多数问题发现,然后我再逐一精修小问题。我和 AI 讨论,构建了一个提示词,把全部功能分成六大模块,输入给 agent 自动排查。这 6 个模块逐一循环排查,直到所有模块都查不出问题为止。
这件事完工已经到了 12 日。现在问题大致解决了 40%,我想进展还是相当可喜的。但此时用原来的提示词 AI 已经无法自己查出问题,于是我决定换一个思路。我开始手搓一个工具,让 AI 能够读取电脑屏幕、操作电脑,让 AI 不要光靠读代码查问题,而是从真实运行结果中看出问题。这个想法倒是很好,但搭建起来并不容易。当然,后来我才知道,Codex 自带了电脑操作功能,我当时做的全是无用功。
基本思路是这样:AI 主动截图——理解屏幕信息——点击对应的按钮——继续截图,循环起来直到结束。这个思路很容易,但实施起来相当艰难。最关键是理解题目信息这一步。当初我使用的模型是 DeepSeek V 4 Flash Preview,本身是一个纯文字模型,没有多模态。于是第一个思路就是外接一个能理解图片的模型,我选了 Qwen 3.7,让外接的模型理解图片,然后把结果返回给 DeepSeek。实施倒是没问题,但问题在于速度太慢,处理一张截图需要接近 1 分钟。于是我又换了一个办法,搭建本地 OCR。我的电脑有一张 RTX 4060,我下载了一个 OCR 模型,跑在本地,0.6 秒就能识别一张截图上的文字,这个速度就相当好了。
但是又面临了一个问题——OCR 识别坐标不准,偏离很严重。这个我排查了一下午,最终发现结果很简单:OCR 模型默认开启了弯曲图像展平,例如识别圆形饮料瓶上的文字,就需要首先拉伸一下,将文字转化为平面。这个功能初衷是好的,但问题在于,我需要识别的都是屏幕截图,本身就是平面,再加上一次弯曲图片展平,就起了反效果。这个问题,我和大模型尝试了一下午都没解决,最后我自己上 Bing 搜索了一些资料,结果发现第一条就是我要的解决方案。
大模型搜索信息的能力还有待加强,特别是不热门的长尾信息。
agent 操作电脑的流程终于跑通了,此时已经到了 13 日。于是,我新编了一套提示词,让 AI 开始自己排查问题。但问题又出现了:我需要教 AI 使用电脑操作工具,这个细节很多,导致提示词特别长。而当时 DeepSeek 的指令遵循能力又不强,导致长提示词的前半段基本上废掉了。最后,折腾了快两天自动化排查问题的流程,我还是回退到了原始的方案——自己试用软件,把问题一一告诉 agent,让它一个一个修复。接下来的几天就在逐一修复问题,终于在 7 月 16 日完工了。
7 月 17 日~26 日 品牌首页与手续办理
7 月 17 日,在项目完工的下一天,我让 AI 总结了整个项目的过程,写了一份编年史。当时我还是相当有成就感的,做了这么多事情,写了几万行代码。后来几天,开始敦促项目组其他成员做软件图标。
为了辅助软件图标设计,甲购买了一个 GPT 会员。我正好也听说了 GPT-5.6 比 DeepSeek 能力强不少,决定尝试一下。24 号晚,我重绘了一个品牌首页,效果相当惊艳。于是,我开始考虑,之前使用 DeepSeek,是不是为了省钱而耽误了工作效率。我找了一个 GPT 代理商,开始自费使用 GPT 辅助软件开发。
与此同时,在 24 日,我并行开展了另一件重大事项:手续办理。在国内,若想合规地运行网站、app,有很多必须的手续。只有各项手续完备后(备案是其中最重要的一步),我们才能上架应用商店。虽然,即使不备案,我们的软件可以正常运行、分发:安卓端直接发安装包,iOS 端使用 TestFlight,鸿蒙使用桌易通;但是,毕竟对于用户体验是一种损害。用户想要下载我们的软件,需要多很多步骤。于是,我们有必要着手做备案的问题。而且,备案的金钱成本并不高,只是等待的时间比较长。于是,我们决定开始做。
其实,原来我们就考虑过手续办理的问题。一开始我们并不是这个计划。据我搜集的信息,办理的主体分个人和企业。企业的成功率普遍高、速度快。我们也考虑过自己注册企业,但这又要多花很多时间。但甲认识一个人,他名下有几个公司,甲计划请这个他派一个公司中专门负责备案的人,帮我们包办备案的事宜。但结果却并不是这样。实际上只是其中一个公司的负责人来找我们对接,称他们可以提供所有的材料,但备案操作需要我们自己执行。此外,这个负责人并不是专门管备案的,没什么经验。于是,这件事又落到了我头上。但是,回过头想想,自己动手办备案的事情,对于我绝对是一个好事。我可以有一个机会学习整个操作流程,并获得和政府机关打交道的经验,这本身就是很有价值的。此外,甲还另找了一个有经验的顾问,解答我的问题。
整个流程大概包括:网站 ICP 备案——app ICP 备案——公安备案;申请软件著作权证书;服务器安全评估。其中,软件著作权证书是最简单的,原因是这可以很方便地找人代办。我请顾问分享了几个代理商,并与代理商沟通。软件著作权证书本身是不容易办理的,办理周期也很长。但是,和代理商沟通的过程中,我了解到还有一个“电子证书”。普通软著的功能很多,可以评职称、写入简历等等,上架应用商店只是功能之一。而电子证书只能用于上架应用商店,由此获得的好处就是办理周期很短、成功率很高。花了 800 元后,我们顺利地获得了这个证书。
而备案,这就需要我真刀真枪地直面了。由于我们的软件包含云端数据功能,需要通过网站和服务器通信,在办理 app 备案前需要先办理网站备案。这又是很长的时间。但我想到了一个变通的办法。帮我们备案的公司本身就有一个已经备案过的域名,我发现可以新建一个子域名,把我们的服务放到子域名中,这样就可以利用已有的备案,而不必单独备案一遍自己的域名。于是,我着手办起了。我的服务器在阿里云,但公司的域名和公司的服务器在腾讯云,为了能让公司的域名解析到我的服务器,我首先注册了一个腾讯云账号,又买了一个服务器,并迁移过去了。但是,后来我发现备案没法使用我个人账号的服务器。于是,我不得不在公司的账号上再自费买一个服务器。狠下心来又花了一笔钱,并将我们的服务迁移过去后,现在一切准备工作都做好了。
一遍咨询顾问,一遍找公司负责人获取各类证件(其中一些还要走流程;甚至还有一个不涉及校外培训承诺书),一遍填写备案信息,整个过程大概花了好几天。终于填完了,我提心吊胆地点击提交。因为我们希望尽快通过,我很不希望被通信管理局打回来。其中很有意思的是,在管局审核前,腾讯云会先预审核,将结果告知企业法人,预审核通过之后才会提交通信管理局,这样能提升通过率。万幸的是,我们一次通过了。
7 月 27 日~31 日 软件大修
27 日,我忙完其他事项,同时系统课开始了。这是团队中其他成员负责的,结果成果比预期差很多。26 号才开始试讲,但试讲的效果又很不好,导致 27 日只能草草了事。与此同时,之前甲请到了一个学长作为顾问。这个学长对于整个项目提出了很多建议,都相当有价值。我认为学长的建议有理,于是继续改版软件。此时,我完全不顾以前的文档了,回到了 vibe coding 的路子,只是这次改用了 GPT。
这次改软件的体验好了很多,因为 GPT 的智力确实比 DeepSeek 高不少。我看 DeepSeek 原本说 7 月中旬发布新模型,于是一直想等 DeepSeek 的新模型发布后再继续做。但是 20 日过去了,还是没有。我不得已只能硬着头皮用价格高几十倍的 GPT。接下来的几天就完全在改软件,等到都改完了,我算是彻底干不动了,决定休息几天,过段时间再说。讽刺的是,31 日我改完了所有代码,当晚 DeepSeek 的新模型就发布了。
8 月 5 日 戛然而止
软件开发中断了几天,甲找到我,问我对于之后的意见。甲对于项目的前景感到很悲观。当然我也比较悲观,但我知道自己在这里不是为了赚钱,也不是为了帮忙,而是为了借这个项目学到各种知识。和甲讨论后,我们达成了共识:这个项目长期搁置,直到甲上了大学,找到另一些更优秀的合作者时,再继续。
成本统计
| 项目 | 金额 | 日期 |
|---|---|---|
| DeepSeek API 充值 | 150 | 20260619 |
| 购买试卷 word 版 | 13 | 20260619 |
| 购买阿里云 ECS 服务器 | 99 | 20260620 |
| 购买 zhangyuzhixue.cn | 38 | 20260620 |
| 购买 zhangyuvhixue.top | 12.83 | 20260620 |
| DeepSeek API 充值 | 100 | 20260623 |
| DeepSeek API 充值 | 100 | 20260701 |
| Apple Developer 年费 | 688 | 20260708 |
| DeepSeek API 充值 | 100 | 20260711 |
| DeepSeek API 充值 | 100 | 20260714 |
| DeepSeek API 充值 | 100 | 20260716 |
| 购买腾讯云个人账号服务器 | 109 | 20260722 |
| 购买腾讯云企业账号服务器 | 192 | 20260724 |
| GPT 中转站充值 | 100 | 20260726 |
| GPT 中转站充值 | 200 | 20260727 |
| GPT 中转站充值 | 100 | 20260728 |
| GPT 中转站充值 | 200 | 20260729 |
| GPT 中转站充值 | 200 | 20260730 |
| GPT 中转站充值 | 200 | 20260731 |
| 电子版权证书办理 | 800 | 20260731 |
| 合计 | 3601.83 |
数据统计(AI 生成)
覆盖 v 1(math_platform / platform_script)与 v 2(zhangyuzhixue_app_v 2)的 Git、代码规模、测试,以及 Hermes / Codex 的 AI 对话数据。全部为原始数据。
一、Git 提交
v 1
- math_platform:130 提交,2026-06-21 → 06-27,作者 math-platform,0 tag
- platform_script/math_platform:26 提交,2026-06-20,作者 Annouimo,0 tag
- v 1 提交类型:fix 30 / feat 18 / 修复 11 / chore 5 / 自检类 6 / Flutter 2
v 2(zhangyuzhixue_app_v 2)
- 1241 提交,2026-07-02 → 08-01,单作者 Annouimo
- 提交类型:fix 511 / feat 189 / docs 125 / chore 66 / refactor 50 / test 21 / ops 11 / style 9 / revert 5 / perf 4
- 模块触及:flutter_app ~3980 / server ~1580 / docs ~1225 / teacher_app 899(07-15 → 07-28,后移除)/ landing 489 / spec 302(07-09 并入 docs)/ packages 231 / scripts 108
- tag 7 个:v 1.0.0-alpha 1、v 1.0.0-alpha.2+1、v 1.0.0-beta 1、v 1.1.0-beta.3、v 1.2.0-beta.1、1.0.0-alpha.2+1、archive/legacy-teaching-platform-v 1
二、代码规模
v 1 math_platform
- 1567 文件 / 178,012 行(含 data/ 题库 md 82,852 行);Python 205 文件 / 29,027 行
- 8 app、21 模型、67 路由
- 脚本:check 14 / fix 9 / create 6 / tag 6 / verify 4
v 1 素材 platform_script
- 高中数学题库目录:1308 文件(1181 md 题 + 103 附图)
- qbank.tar.gz:1397 条目(二模 336 md + 知识卡片 188 md + 附图 39)
- 备份 zip:301 文件(295 md)
v 2
- server:6 app(accounts / courses / interactions / internal_portal / qbank / system)、53 模型 + 2 枚举、88 路由、75 迁移;Python 234 文件 / 21,871 行
- flutter_app:274 dart / 46,632 行(lib 148 / 34,020);50 路由;test 118 文件 / 11,272 行;integration_test 6 / 944 行
- packages/shared:46 dart / 7,521 行
- landing:13 html(803 行)+ CSS 2,781 + JS 468
- docs:95 md / 18,488 行(current 14 + decisions 2)
- scripts:22 文件 / 3,012 行
三、测试
- server(实跑):240 用例,240 passed,59.6 s,行覆盖率 88%(8,498 语句,152 文件 100%)
- flutter(实跑):652 用例,647 passed(99.2%);5 失败 = 4 golden 像素对比(环境字体差异)+ 1 AboutPage 版本断言过期(测试写 1.2.0 Beta 1,pubspec 实际 1.3.0+5)
- v 1(静态未实跑):18 测试文件 / 340 test 函数
四、AI 对话数据
Codex(sessions + archived_sessions,186 文件 / 379.8 MB)
- 77 会话(按 session_meta 去重),2026-07-26 → 08-05
- 用户消息 3,652 / 助手消息 11,526;turn 中止 138
- 模型:gpt-5.6-sol、codex-auto-review 2,503(子代理);来源 vscode
- workspace_roots:
D:\Hermes\zhangyuzhixue_app_v2出现 3,653 次 - token: input 117.82 M, output 5.14 M, cache 1.91 B
Hermes(主库 state.db,1.58 GB)
- 633 会话(tui 308 / subagent 279 / cli 41 / feishu 5),2026-06-19 → 07-27;06 月 276、07 月 357
- messages 表 140,529 条:user 5,947 / assistant 59,424 / tool 75,156
- 每会话消息:median 93 / max 1,257 / mean 196.7
- tool_call 67,060、api_call 56,854
- token:input 84,185,523 / output 29,962,307 / cache_read 10,299,751,424 / reasoning 6,895,948
- 调用级 turn_stats(4,534 条,06-25 → 07-27):input 770,634,435 / output 273,367,106 / api_calls 534,230
- 模型 deepseek-v 4-flash;cost 0
- cwd:v 2 278 / math_platform 10 / C:/Users/Annouimo 53
- 有标题 349 会话
- CLI 库(%LOCALAPPDATA%\hermes\state.db,247 会话)为 Desktop 子集,无额外数据
- 辅助:projects.db 78 项目;desktop-ui.sqlite session_ui_state 353;logs ~23 MB;request_dump 6 个 ~3 MB
五、口径提醒
- Hermes sessions 表 token 合计与 turn_stats 调用级累计口径不同,两者并存
- 消息数以 messages 表(140,529)为准,sessions.message_count 合计 124,509 不一致
- 代码行数已排除二进制/字体/数据库/构建产物/生成文件
- v 1 测试为静态计数