你可能遇過的情況

下班後原本想讀兩小時，卻因為加班只能休息；計畫安排今天學資料結構，結果卡在一個概念上，花了四小時仍然沒有弄懂；臨時有事，兩天沒有學習，原本的進度就開始往後推。

也有人用 Excel 或 Google Sheet 排了很完整的計畫，但到了第二週就不想再更新。問 AI 產生的學習表格看起來很整齊，真正遇到延期、卡關或時間變少時，卻沒有人幫忙調整。

問題可能不在於沒有計畫，而在於計畫沒有辦法跟著現實變動。

為什麼學習計畫容易失效

用 AI 產生計畫不難。告訴它目標、期限和每週能投入的時間，它就能列出一份時間表。

例如第一週讀 A，第二週讀 B，第三週做練習題。這樣的安排可以當作起點，但它通常只描述「原本預計怎麼做」，沒有處理「實際沒有做到」的情況。

加班、教材難度超出預期，或某個概念需要多花幾個小時，都會讓後面的任務往後推。進度落後後，如果沒有重新安排的方法，使用者很容易直接跳過，最後放棄整個計畫。

這個專案要做什麼

30 天內，我想做一個個人化 AI 學習教練。

它會先建立使用者的學習檔案，記錄目標、期限、目前程度、每週可用時間和限制條件，再產生第一版學習計畫。計畫會拆成每週主題和每日任務，也會保留複習與練習的時間。

每天學習後，使用者可以回報實際花費的時間、完成的內容和卡住的地方。例如：

• 今天只能學 30 分鐘。
• 這個概念看了很久還是不懂。
• 教材難度太高，想先看比較基礎的說明。

系統收到回報後，會判斷要不要縮小任務、延期，或加入補充材料，再重新安排後續計畫。新的安排不能超過使用者能投入的時間。

整個流程可以簡化成：

建立學習檔案 → 生成計畫 → 每日教練 → 回報進度 → 動態調整

30 天要完成的五項能力

1. 使用者學習檔案

使用者可以輸入目標、期限、程度、可用時間與限制條件。系統會保存這些資料，供後續流程使用。

2. AI 計畫生成

輸入使用者資料後，Ollama本機模型產生 4 到 12 週的學習計畫，內容包含每週主題、每日任務與預計時間。

3. 每日 AI 教練

使用者每天可以看到今日任務、預估時間、學習資源與下一步建議。

4. 進度追蹤

使用者回報花費時間、學到的內容與卡關的地方。系統保存這些紀錄，作為後續調整的依據。

5. 動態調整

系統分析目前是否落後，和落後的原因，再決定拆小任務、延期或補充資源。調整後的計畫還是要符合使用者的時間限制。

為什麼選 Claude Code 和 LangGraph

Claude Code 會作為開發工具，協助閱讀程式碼、撰寫測試、除錯與修改實作。

LangGraph 則負責管理 Agent 的狀態和流程。使用者傳來訊息後，系統需要先判斷這是建立計畫、回報進度、查詢進度，還是提出學習問題，再執行不同的邏輯。

使用者輸入 → 讀取學習檔案和目前計畫 → 判斷意圖 → 執行對應邏輯 → 回傳結果並更新系統狀態

這種流程有明確的狀態與分支，適合交給 LangGraph 管理。

技術架構

MVP 範圍

30 天內先完成能驗證核心流程的版本：

1. 使用者能輸入學習目標，看到 AI 產生的計畫。
2. 使用者每天能查看任務與學習建議。
3. 使用者能回報進度，AI 能做基本調整。
4. 系統能記錄進度並顯示簡單的統計。

暫時不做外部課程平台整合、複雜向量搜尋、多使用者協作、國際化，以及高可用的正式環境部署。這些功能可以等核心流程穩定後再評估。

今天的結論

今天先把問題範圍定清楚：我想要處理的是學習計畫無法因應真實狀況，而不是單純生成另一張待辦清單。

接下來 29 天會依序完成開發環境、架構、資料庫、API、前端、測試與部署。Day 2 先建立開發環境，讓前後端有一個可以啟動和驗證的基礎。