05 / 06自有服务能力 · 自研系统

Explic · 苏格拉底式元认知引擎与自适应深度学习系统

一句话量级

别的 AI 给你一段维基百科式答案，你说「懂了」就结束了。Explic 不接受「懂了」——它要你把它讲回来；讲不对，它换一个比喻继续问，直到你能自己推导出来。

复述不是一个礼节，而是一个判定点：Agent C 把学习者自己的话验证为「正确 / 部分正确 / 错误」，而「掌握确认」闸门位于 Agent C 之后、沉淀段之前。未通过不放行，回流 Brain 补盲区。

你买的到底是什么

你买的是「AI 本来准备直接给答案」的那一刻，而 Explic 把它拦下来。7 档认知景深网关先按学习者真实的认知层级给对基准上下文，3 核苏格拉底智能体串联把结论逼出来而不是喂进去，通过「掌握确认」的内容再被清洗入库、可检索。它不是聊天机器人，是一条结构化认知生成管线。

它替代的是什么

截止日前一晚，团队把问题丢给 ChatGPT，拿到一份像模像样的方案，会上人人点头。三个月后你问「为什么当初这么设计」，会议室安静——为了把这件事重新搞懂，你又招了人、又排了一次工。同一笔学费，交两遍。
真正发生的顿悟，全留在一个聊天窗口里。窗口一关，什么都没落下来：没有产物、没有结构、没得检索。下一个人遇到同一个问题，从头再讲一遍，再交一次同样的学费。
把「一次会话」清洗成「一个可复用概念」，需要定义、Prompt 契约和工程实现。多数团队不会做这一步——因为它是工程活，不是聊天活。AI 让「拿到答案」变便宜了，也让「真的懂」变稀缺了，而这一半没人做。

三段横向线框：认知景深网关定下基准上下文 → 3 核苏格拉底智能体竖向串联 → 知识结构化沉淀。掌握确认闸门卡在 Agent C 与沉淀段之间，另有一条从 knowledge_bank 回到 Trigger / Brain 的回流箭头，让已结构化的概念反哺后续会话。

结构化输出防偏离。依托 @ai-sdk/openai 与 Zod 强类型约束，模型返回的指导（Guide）、验证（Validation）、成功（Success）三态必须严格符合前端状态机所需的 Schema，杜绝 AI 在闲聊中跑题。
企业级数据隔离（Supabase RLS）。后端为 PostgreSQL；profiles、knowledge_bank、chat_sessions 三表启用 Row Level Security，以 auth.uid() = user_id 做底层物理隔离，越权查询在数据库内核层被直接拦截。
边缘鉴权与会话保持。Next.js App Router 下 middleware.ts 结合 Supabase SSR Token 校验，在边缘侧即完成权限重定向；proxy.ts 负责 Session 无感续期，实现无感知鉴权与会话保持。

自适应沉浸式 Web 客户端——基于 React 19 + TailwindCSS 4 + Framer Motion 的全响应式 UI 源码仓库（可自托管部署）。
智能语义数据库部署包——基于 Supabase PostgreSQL，含 profiles / knowledge_bank / chat_sessions 三表，以及完整 RLS 隔离体系与 Trigger 触发器。
多语种国际化路由——内置 i18n 分发机制，覆盖英 / 中 / 法 / 西 / 日。
认知管线定义文档——7 档 learner_level 定义、3 核智能体 Prompt 契约、Zod Schema 清单；你自己能改、能加维度，不用回来找我们。
数据与运维交接——环境变量与密钥清单、部署流程、knowledge_bank 数据导出。

2.5 至 3 周。这是排期估算，不是合同承诺；实际排期以合同 SOW 为准。

编排层: Vercel AI SDK 3.0 · Zod (Structured Outputs) · @ai-sdk/openai
数据层: Supabase Auth · PostgreSQL (Row Level Security + Triggers)
呈现层: Next.js 16 (App Router) · React 19 · Tailwind CSS v4 · Radix UI · Framer Motion

7 档认知景深: 源档公开枚举的结构化事实：从「5 岁睡前故事」到「本科 / 专家」，到「学术级 Academic」，再到「第一性原理 First Principles」，共 7 档，每档一套基准上下文。
3 核 Socratic 智能体流: 代码级实现事实：Agent A 隐喻映射器 / Agent B 苏格拉底向导 / Agent C 费曼测试官，三核串联成一条认知管线。
3 张核心业务表启用行级隔离: 实现事实：profiles / knowledge_bank / chat_sessions，隔离条件 auth.uid() = user_id，越权查询在数据库内核层被拦截。
5 语种 i18n 路由: 实现事实：英 / 中 / 法 / 西 / 日，同一套认知管线按语种分发。
知识库沉淀条数：本卡片不编具体数字: 设计容量，待实测。入库条数与去重后概念数本卡片不编具体数字，交付时随报表给出。

如果你的事不是上面那个场景，这一段才是重点：同一套架构指向三个互不相关的场景，都不是上一个案例的变体，也不需要从零重建。这些是**可平移的方向，不是已交付的项目**——上面那套系统是我们真跑过的，下面这三条是它的形状接下来能解决什么。这个区别我们标出来，不含糊过去。

把情况写下来。你拿到的是针对你情况的书面回复——没有日历、没有 discovery call、没有十五分钟的寒暄。

自研系统。这是我们给自己造的工具，用来验证「让模型把知识讲回去」这条认知管线能不能成立，不是客户案例，也不代表任何外部组织在用它。它在我们自己的环境里运行。

自研系统，在我们自己的环境里运行。