AI Career English Coach · 完整产品文档

1.1

产品定位

产品名称：AI Career English Coach
中文：AI 工程师出海成长助手
类型：AI Agent SaaS · 目标用户：技术人才出海群体

❌ 传统英语

背单词 ↓ 刷题 ↓ 考试

学完不会工作 · 不知道学什么 · 缺少反馈

✅ 本产品

个人能力建模 ↓ AI 规划 ↓ 真实交互 ↓ 动态调整

🎯 核心闭环

职业目标 → 能力诊断 → 个性化路线 → 每日训练 → 技术表达 → 海外面试 → 全球职业机会

1.2

用户画像

👨‍💻 核心

技术出海工程师

30-40 岁8-15 年经验

目标：新西兰 · 澳大利亚 · 加拿大 · Senior / AI / Solution Architect

💢 技术能力够 · 英语不足 · 不知道如何准备

🔄

AI 转型工程师

后端开发LLMAgent

目标进入 AI 领域，需要技术英语和 AI 知识表达

🎯

海外求职者

简历面试规划

一站式搞定简历 → 面试 → 技术评估 → 求职路线

🎯 北极星指标：英语能力提升速度（30 天后听力/口语评分提升）。
核心指标：DAU · 任务完成率 · AI 陪练次数 · D7/D30 留存

1.3

用户故事

👤 10 年开发工程师

能力评估

想知道自己的英语距离海外工作还有多少差距。

输入：职业·经验·目标国家·目标岗位·英语水平
→ 输出：当前 L5/R6/S4.5/W5 → 目标 6.5 → 预计 180 天

🎤 要练技术面试

AI 口语训练

AI 模拟真实技术面试，逐维度评分。

AI: Tell me about your AI agent project.
评分: English 6 | Technical 7 | Fluency 5
建议：增加系统架构描述

📖 学习 RAG

技术英语学习

围绕技术主题全链路覆盖。

RAG → vocabulary → reading → speaking → interview → meeting

💼 Senior AI Engineer 面试

海外面试模拟

综合评估英语 + 架构 + 沟通。

AI: How would you design an enterprise AI agent platform?
English: 6.5 | Architecture: 8 | Communication: 6

1.4

产品功能架构

AI Career English Coach
├── 👤 用户中心
├── 🎯 职业规划 Agent
├── 📋 学习计划 Agent
├── 🏋️ 英语训练中心（单词 · 听力 · 阅读 · 写作 · 口语）
├── ⚙️ 技术英语中心
├── 💼 AI 面试中心
├── 📈 能力成长图谱
└── 📊 数据分析中心

1.5

页面设计

📊 Dashboard · Hi Tom · 目标: NZ AI Engineer

距离目标：152 天

Listening

55%

Speaking

45%

Technical

75%

Interview

40%

✓

AI 听力训练

✓

RAG 英语表达

面试模拟

💬 AI Tutor · 模式切换

🎤 雅思口语 💻 技术面试 🏢 工作会议

AI：Describe your experience with AI agents.
用户输入中...

🌳 能力图谱 · Skill Tree

├── English: Speaking(Fluency·Grammar·Vocabulary) / Listening / Reading / Writing

└── Career: Interview(Technical·Behavioral) / Presentation / Meeting

1.6

商业模式

🎁 免费版

¥0

每日 10 分钟 · 基础评估 · 限次对话

总体架构 & 技术选型

🌐 Client · Web / Mobile / Mini Program

↓

🚪 API Gateway

↓

⚙️ Go Backend (Gin · GORM · Wire · Zap)

┌────────────┬────────────┬────────────┐

👤 User Service

📖 Learning Service

🤖 AI Service

↓

🧠 Agent Runtime

┌──────┬──────┬──────┬──────┐

🎯 Career

📋 Planner

👨‍🏫 Tutor

📊 Evaluator

↓

📚 Knowledge Layer

┌────────────┬────────────┬────────────┐

🗄 PostgreSQL + pgvector

⚡ Redis

☁️ OSS / S3

💡 为什么用 PostgreSQL + pgvector 而非 MySQL？
后期需要 JSONB 灵活存储、pgvector 向量搜索、AI 数据结构。单一 DB 解决业务 + 向量，降低第一阶段复杂度。

2.2

核心业务模块

👤 User Service

用户身份管理
user (id, email, password_hash, nickname)

📋 Profile Service

⭐ 核心
职业 · 经验 · 目标国家/岗位
user_profile (career, target, deadline)

📊 Skill Service

⭐ 产品壁垒
能力向量化
skill_profile (listening, speaking, technical, interview)

// 能力向量示例
{ "listening":0.55, "reading":0.70, "speaking":0.45, "writing":0.50, "technical_english":0.80, "interview":0.35 }
    

2.3

Agent 系统架构

不要用户 → GPT，要用户 → Agent Router → 任务分类 → 调用对应 Agent → 保存 Memory

👤

User

↓

🧠

Supervisor Agent

调度·协调·路由

┌──────────┬──────────┬──────────┬──────────┬──────────┬──────────┐

🎯

Career

职业规划

📋

Planner

每日任务

👨‍🏫

Tutor

教学·纠错

🎤

Speaking

口语模拟

📊

Evaluator

能力评分

🧠

Memory

三层记忆

↓

📚 Knowledge Base

2.4

Agent 详细设计

🎯 Career Agent

输入：experience, career, target
→ 输出：180 天成长路线
phase1 基础 → phase2 IELTS → phase3 面试

📋 Planner Agent

输入：能力 + 历史任务 + 昨日表现
→ 输出：tasks[{type, time, content}]

👨‍🏫 Tutor Agent

按用户水平分层应答
基础 → 技术 → 高级
每个概念三层次解释

🎤 Speaking Agent

语音 → ASR → LLM 分析
→ 评分 {fluency, grammar, vocabulary, technical}

📊 Evaluator Agent

连续 10 次 Speaking=5.5
→ skill_profile: 0.45 → 0.52

🧠 Memory Agent

Short: Redis
Long: PostgreSQL
Semantic: Vector DB

// 轻量 Agent 接口（不依赖 LangChain）
type Agent interface {
    Execute(ctx Context) Result
}
    

2.5

数据库设计

表	分类	核心字段
user	用户	id · email · password_hash · nickname
user_profile	用户	career · experience_year · target_country · target_position · target_score · deadline
skill_profile	能力	user_id · skill_name · score · updated_at
skill_change_log	能力	user_id · skill · old_score · new_score · reason
learning_task	学习	user_id · task_type · content · status · score · date
learning_record	学习	task_id · duration · accuracy · detail
conversation	对话	scenario · question · answer · evaluation
vocabulary	知识	word · meaning · level · category · example
knowledge_item	知识	title · category · content · level
knowledge_chunk	知识	knowledge_id · content · embedding
memory	记忆	user_id · key · value · ttl
subscription	商业	plan · start · end · status
payment	商业	amount · method · status

2.6

项目结构 & 部署

ai-english-coach/

├── cmd/server/

├── internal/

│ ├── api/

│ ├── service/

│ ├── agent/ (career / planner / tutor / speaking / evaluator / memory)

│ ├── repository/

│ ├── model/

│ ├── rag/

│ ├── llm/

│ └── speech/

├── pkg/

├── config/

└── scripts/

🚀 Phase 1 单体

Nginx → Go API → PostgreSQL+pgvector → Redis

🚀 Phase 2 微服务

User Service · AI Service · Knowledge Service · Payment Service

🔒 安全

加密存储 · JWT+RBAC · 数据删除机制

2.7

开发路线

Month 1

基础建设

用户系统 · Profile · Agent 框架 · RAG 初始化

→

Month 2

AI Tutor 核心

对话系统 · 评分引擎 · Memory 三层实现

→

Month 3

语音能力

ASR · TTS · 口语评分

→

Month 4

商业化

会员 · 支付 · Dashboard

3.1

设计理念 & 总体架构

💡 知识不是文档，而是节点。 每一个概念关联相关词、面试问题、工作场景，形成可推理的知识网络。

❌ 传统：RAG.pdf

无法知道：RAG 是什么 · 和什么相关 · 用户为什么需要

✅ 本产品：RAG 节点

RAG
├── 属于 AI Engineering
├── 相关词: retrieval · embedding · vector DB
├── 面试: "How does RAG improve LLM accuracy?"
└── 场景: "Explain RAG architecture to team"

🎯 User Goal

↓

🌐 Career Knowledge Graph

┌────────────┬────────────┬────────────┬────────────┐

📖 Vocabulary

🎯 IELTS

⚙️ Technical

💼 Scenario

↓

📚 Learning Material → 🔍 Vector Database

3.2

核心数据实体

// 所有知识统一为 knowledge_node
CREATE TABLE knowledge_node (

  id BIGSERIAL, name VARCHAR(255),

  type VARCHAR(50) // VOCABULARY | GRAMMAR | IELTS_TOPIC | TECH_CONCEPT | INTERVIEW_TOPIC | SCENARIO | SKILL

  category VARCHAR(100), level INT, description TEXT

);

type	示例	说明
VOCABULARY	deployment	技术词汇节点
TECH_CONCEPT	RAG	技术概念节点
IELTS_TOPIC	Describe a technology	雅思话题节点
INTERVIEW_TOPIC	System Design Interview	面试话题节点

// 知识关联表
CREATE TABLE knowledge_relation (

  source_id BIGINT, target_id BIGINT,

  relation_type VARCHAR(50) // RELATED | PARENT | CHILD | USED_IN | REQUIRED_FOR | SIMILAR

);

3.3

Vocabulary & IELTS

📖 Vocabulary 语义网络

每个词汇关联技术领域 + 场景

{ "word":"scalability", "domain":"software engineering",

 "examples":["system scalability","horizontal scalability"] }

deployment

├── related deploy → continuous deployment → CI/CD

└── scenario "We deploy to Kubernetes"

🎯 IELTS · 拆解考试能力

不是存真题，是技能维度的可计算网络

IELTS

├── Speaking: Fluency · Grammar · Pronunciation

├── Writing: Task Response · Coherence · Lexical

├── Listening

└── Reading

// 每个问题关联能力标签
Q: "How will AI affect future jobs?"

→ AI Topic + Vocabulary + Opinion Structure + Speaking Skill
        

✏️ Writing 模型

不要保存作文，保存可组合的 Essay Pattern
Opinion Essay: Introduction → Argument 1 → Argument 2 → Example → Conclusion

3.4

Technical English Layer

🏰 核心壁垒。 技术概念 + 英语表达 + 职业场景的三维网络。

Technology

├── AI (LLM · RAG · Agent · Transformer · Vector DB)

├── Backend (Microservices · API · Database)

├── Cloud (K8s · Docker · CI/CD)

├── Database (SQL · NoSQL · pgvector)

└── Architecture (System Design · Scalability)

{ "name":"Vector Database",

 "domain":"AI Engineering",

 "definition":"A database optimized for storing embeddings" }

Vector DB

├── requires Embedding

├── used by RAG

└── asked in AI Interview

3.5

Career Scenario & Interview

💼 职业场景 · Career Scenario

Interview · Meeting · Presentation · Email · Discussion
每个场景包含：常用表达 · 技术词汇 · 对话模板

{ "name":"AI Architecture Presentation",

 "expressions":["Let me walk you through..."],

 "vocabulary":["latency","throughput"] }

🎯 Interview 知识图谱

面试不是题库，是四层能力抽象

Interview

└── Position: AI Engineer

└── Skill: RAG

└── Q: "Explain your RAG system"

└── Answer: Background → Architecture → Trade-off → Result

// 技术回答模板
["Problem", "Solution", "Architecture", "Trade-off", "Impact"]
        

3.6

RAG 检索 & Embedding

🔄 RAG 检索流程

Query → Embedding → Vector Search → Knowledge Graph Filter → Retrieve → LLM → Answer

✅ 需要 Embedding

文档/Chunk · 例句/对话 · 用户回答 · 面试答案

❌ 不需要 Embedding

分数 · 用户 ID · 时间戳

// 向量表
CREATE TABLE embedding_vector (

  object_id BIGINT, object_type VARCHAR(50),

  vector VECTOR(1536), model VARCHAR(100)

);

📋 Planner Agent

查询：用户目标 + 能力缺口 → 学习节点

👨‍🏫 Tutor Agent

查询：当前知识 + 用户水平 → 分层教学

💼 Interview Agent

查询：岗位 + 领域 + 难度 → 定制问题

3.7

数据规模 & 产品护城河

5K-10K

Vocabulary

1K

IELTS Topic

5K

IELTS 题目

1K

Interview 问题

AI 500

技术概念

Backend 300

技术概念

Cloud 300

技术概念

11 张表

第一版 DB

❌ 普通 AI 英语

⚡

Prompt + GPT · 容易复制

✅ 你的壁垒

🎯 职业目标模型
📊 英语能力模型
🌐 技术知识图谱
🧠 学习路径算法
📈 用户长期成长数据

🏆 最终形态

不是 AI 英语 App。而是一个理解个人职业目标，并持续训练个人能力的 AI Career Agent。