(Climber-Engine登攀引擎)

—— 将每一笔“技术债”，都转化为“技术杠杆”，撬动更大的价值。

1. 核心理念：技术资产负债表 (The Technical Balance Sheet)

在软件工程中，“技术债”通常被视为一个负面概念——为了短期利益而牺牲长期质量，最终需要付出沉重代价。

我们认为，这个概念可以被重新定义，尤其是在 AI 辅助编程（“Vibe Coding”）时代。

“登攀引擎” 的核心，是建立一个动态的个人技能学习模型——技术资产负债表。

技术资产 (Technical Assets): 你借助 AI 生成并成功运行的代码、完成的项目、解决的问题。这有可能是形成于你使用自己的能力，也有可能是形成于你调用未来的能力（向未来的自己借债），是你的“资产”。
技术负债 (Technical Liabilities): AI 生成的代码中，超出你当前认知边界的部分。你“知其然，而不知其所以然”的代码，就是你的“负债”。
技术净资产 (Technical Net Assets): 你真正内化、理解并能独立修改、复现的知识与技能。这是你的核心竞争力，是“资产”减去“负债”的净值。

传统的编程学习，是一个缓慢积累“净资产”的过程，从零开始，你需要学语法、学框架、学库，才能开始进入工程。回报周期长，挫败感强。

而“登攀引擎”所倡导的 “杠杆式成长” (Leveraged Growth) 模式，则完全不同：

你不再需要等到完全掌握所有知识才开始创造。你可以像一家初创公司一样，通过“加杠杆”（即借入 AI 的能力）来获取“生产设备”（解决真实问题的代码），立即投产，创造价值。

你的学习重心，从“避免犯错”转向了“管理技术负债”。

复盘代码，是在阅读“贷款合同”。
理解原理，是在支付“利息”。
独立重构，是“还清本金”，将“负债”彻底转化为“净资产”。

学习的本质，是优化你个人技术资产负债表的过程。

2. “登攀引擎”是什么？

“登攀引擎”是一个 MCP (Model Context Protocol) 工具服务器。

它像一个“随身教练”，挂载在你的 AI 编程应用上，默默观察、记录、并为你赋能。

它的工作流程：

无感记录 (Passive Recording): 当你使用任何 AI 工具进行“Vibe Coding”时，“登攀引擎”会自动记录你所使用的技术栈、生成的代码片段以及背后的关键知识点。
智能评估 (Intelligent Assessment): 它会根据你的历史代码水平和当前互动，精准判断哪些是你的“技术资产”，哪些是你的“技术负债”。
定制化教学 (Personalized Tutoring): 在你完成一次编程任务后，“登攀引擎”会立即生成一份“投后分析报告”。它不会空谈理论，而是会用你刚刚完成的项目作为“活教材”，深入浅出地为你讲解：
- 这段代码为什么能 work？
- 它背后的核心原理是什么？
- 如果脱离 AI，你应该如何思考和实现？
- 相关的最佳实践和常见陷阱有哪些？
量化成长 (Quantified Growth): 你的每一次“还债”行为——阅读讲解、提问、重构代码——都会被记录下来，你的“技术净资产”会随之增长。你将能清晰地看到自己的成长轨迹。

3. 为谁而设计？自适应的成长路径

“登攀引擎”服务于所有阶段的开发者——从编程小白到资深专家。它能智能适应你的能力水平，提供恰到好处的“脚手架”。

对于编程初学者：从 0 到 1 的“破冰船”

你不再需要花费数月时间学习枯燥的语法。从第一天起，你就可以在“登攀引擎”的辅助下，完成有意义的微项目，并在实践中学习：

基础概念具象化: 通过“获取股票数据”任务，直观理解 API、JSON 和 pandas 如何协同工作。
真实场景驱动: 在“分析销售数据”的案例中，学习 SQL 查询和数据可视化的实际应用。
建立正反馈: 快速获得“我能行”的成就感，将学习的“推力”变为“拉力”。

例如，一个会计专业的学生，可以在“登攀引擎”的指导下，用 AI 分析真实的财务报表，验证“本福特定律”，甚至构建一个简单的销售退货预测模型。他获得的不仅是代码，更是数据驱动的思维方式。

对于熟练开发者：跨越技术边界的“传送门”

当你走出舒适区，探索新的技术领域时，“登攀引擎”会成为你最高效的向导，帮你快速建立认知：

快速上手新框架: 一位前端开发者想学习 Django？“登攀引擎”会引导他完成第一个项目的数据库建模、视图函数和模板渲染，并解释 MTV 架构的核心思想。
攻克硬核技术: 一位后端工程师想应用向量数据库？“登攀引擎”会通过一个“智能问答机器人”的案例，带他理解 Embedding、向量检索和 RAG 的工作原理。
优化工程实践: 一位资深 Python 开发者希望提升项目性能？“登攀引擎”可以引导他使用 uv 替换 pip，或用 FastAPI 重构旧的 Flask 应用，并对比两者在依赖解析和异步处理上的差异。

“登攀引擎”帮你把“不知道自己不知道”的领域，变成“知道自己不知道”，并快速转化为“知道自己知道”。

4. 为什么是“登攀引擎”？

世上无难事，只要肯登攀。

我们相信，AI 时代真正的学习者，不是那些试图完全摆脱 AI 的“古法Coding”，也不是那些满足于甩手让AI干所有的“AI Caller”。无论是哪个阶段的开发者，都有自己要学习的内容。

真正的学习者，是主动的“资本运作高手”。他们敢于“举债经营”，撬动 AI 的巨大杠杆，实现个人能力的超线性增长；他们也勇于“还债”，通过持续学习和实践，将借来的能力，真正内化为自己的核心竞争力。

“登攀引擎”为你提供的，正是这样一套在 AI 时代进行高效、持续、指数级成长的“资本运作”工具。

让你，越 Vibe，越强。

5. 技术原理：MCP无感集成 + 双Agents系统

5.1 MCP (Model Context Protocol) 无感集成

"登攀引擎"基于 MCP (Model Context Protocol) 协议构建，实现与AI编程工具的无感集成：

无侵入性: 作为MCP服务器运行，不需要修改现有的AI编程工具或IDE
实时监听: 通过MCP协议监听用户与AI的交互，自动捕获代码生成过程
智能解析: 实时分析代码内容、技术栈使用和复杂度，构建用户的技术画像
上下文感知: 理解项目背景、任务目标和用户意图，提供精准的学习建议

5.2 双Agents智能系统

系统核心由两个协同工作的AI Agent组成：

🔍 技术栈总结Agent (TechStack Summary Agent)

职责: 分析用户的编程会话，识别技术栈使用情况
功能:
- 自动识别代码中使用的编程语言、框架、库和工具
- 评估用户对各技术栈的熟练度和理解深度
- 计算技术资产和技术负债的动态平衡
- 生成个人技术资产负债表
AI模型: 基于DeepSeek等大语言模型进行智能分析

🎓 编程教学Agent (Coding Tutor Agent)

职责: 基于用户的技术债务生成个性化学习内容
功能:
- 根据技术负债优先级生成针对性学习材料
- 创建基于真实项目的编程练习和测验
- 提供循序渐进的学习路径规划
- 实时跟踪学习进度并调整教学策略
AI模型: 集成多个LLM提供商（OpenAI、Qwen、Kimi、DeepSeek）

5.3 系统架构

┌─────────────────┐    MCP Protocol    ┌──────────────────┐
│   AI编程工具     │◄──────────────────►│   登攀引擎        │
│  (Claude/GPT)   │                    │  (MCP Server)    │
└─────────────────┘                    └──────────────────┘
                                                │
                                                ▼
                                       ┌──────────────────┐
                                       │   双Agents系统    │
                                       │                  │
                                       │  ┌─────────────┐ │
                                       │  │技术栈总结   │ │
                                       │  │   Agent     │ │
                                       │  └─────────────┘ │
                                       │         │        │
                                       │         ▼        │
                                       │  ┌─────────────┐ │
                                       │  │编程教学     │ │
                                       │  │   Agent     │ │
                                       │  └─────────────┘ │
                                       └──────────────────┘
                                                │
                                                ▼
                                       ┌──────────────────┐
                                       │   数据存储层      │
                                       │ (SQLite/PostgreSQL)│
                                       └──────────────────┘

5.4 核心特性

🔄 实时分析: 无延迟地分析每次编程会话
📊 量化评估: 精确计算技术资产负债比例
🎯 个性化: 基于个人编程历史定制学习内容
🚀 多模型: 支持多个AI提供商，确保服务稳定性
📈 成长追踪: 可视化展示技能提升轨迹

6. 快速开始

6.1 环境要求

Python: 3.9+
Node.js: 16+
包管理器: uv (推荐) 或 pip
数据库: SQLite (开发) / PostgreSQL (生产)

6.2 安装部署

方式一：一键启动脚本

# 克隆项目
git clone https://github.com/your-username/climber-engine.git
cd climber-engine

# 运行启动脚本
./start.sh  # macOS/Linux
# 或
start.bat   # Windows

方式二：手动部署

1. 克隆项目

git clone https://github.com/your-username/climber-engine.git
cd climber-engine

2. 后端部署

cd backend

# 安装依赖 (推荐使用uv)
curl -LsSf https://astral.sh/uv/install.sh | sh
uv sync

# 或使用pip
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入你的API密钥

# 初始化数据库
uv run python init_db.py

# 启动后端服务
uv run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

3. 前端部署

cd frontend

# 安装依赖
npm install
# 或
yarn install

# 启动开发服务器
npm run dev
# 或
yarn dev

4. 访问应用

6.3 配置说明

环境变量配置 (.env)

# AI模型API配置
OPENAI_API_KEY=your_openai_key
QWEN_API_KEY=your_qwen_key
KIMI_API_KEY=your_kimi_key
DEEPSEEK_API_KEY=your_deepseek_key

# 数据库配置
DATABASE_URL=sqlite:///./climber_engine.db

# 服务配置
HOST=0.0.0.0
PORT=8000
DEBUG=true

MCP服务器配置

在你的AI编程工具中添加MCP服务器配置：

{
  "mcpServers": {
    "climber-engine": {
      "command": "uv",
      "args": ["run", "python", "climber_recorder_server.py"],
      "cwd": "/path/to/climber-engine/backend"
    }
  }
}

6.4 Docker部署

# 构建并启动所有服务
docker-compose up -d

# 查看服务状态
docker-compose ps

# 查看日志
docker-compose logs -f

6.5 生产环境部署

使用Nginx反向代理

server {
    listen 80;
    server_name your-domain.com;
    
    location / {
        proxy_pass http://localhost:5174;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
    
    location /api {
        proxy_pass http://localhost:8000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

使用PM2管理进程

# 安装PM2
npm install -g pm2

# 启动后端服务
cd backend
pm2 start "uv run uvicorn app.main:app --host 0.0.0.0 --port 8000" --name climber-backend

# 构建并启动前端
cd frontend
npm run build
pm2 serve dist 5174 --name climber-frontend

7. 使用指南

7.1 连接AI编程工具

确保登攀引擎后端服务正在运行
在支持MCP的AI工具中配置服务器地址
开始你的AI编程之旅，系统将自动记录和分析

7.2 查看技术资产负债表

访问 http://localhost:5174 查看你的：

技术资产统计
技术负债分析
学习进度追踪
个性化学习建议

7.3 生成学习内容

点击"生成新内容"按钮，系统将：

分析你的技术债务
调用AI生成针对性学习材料
创建个性化练习题目
更新你的学习路径

8. 贡献指南

我们欢迎所有形式的贡献！

8.1 开发环境设置

# Fork项目并克隆
git clone https://github.com/your-username/climber-engine.git
cd climber-engine

# 创建开发分支
git checkout -b feature/your-feature-name

# 安装开发依赖
cd backend && uv sync --dev
cd ../frontend && npm install

# 运行测试
cd backend && uv run pytest
cd ../frontend && npm test

8.2 提交规范

使用清晰的commit message
确保代码通过所有测试
添加必要的文档说明
遵循项目的代码风格

8.3 问题反馈

🐛 Bug报告: Issues
💡 功能建议: Discussions
📖 文档改进: 直接提交PR

9. 许可证

Apache 2.0 License - 详见 LICENSE 文件

10. 致谢

感谢所有为"登攀引擎"项目做出贡献的开发者和用户！

特别感谢：

MCP Protocol 提供的标准化接口
FastAPI 强大的后端框架
React 优秀的前端框架
DeepSeek 等AI模型提供商

让每一行代码，都成为成长的阶梯。让每一次Vibe，都转化为真正的实力。...