学习工厂（Learning Factory）

还在为学习一项新技术不知从何下手吗？还在为四处搜集教程、甄别资源质量、拼凑学习路径而耗掉整晚吗？

把这些交给学习工厂：一句话说出你想学的东西，它会在本地生成一份拿来就能开始的学习包——五级学习路径、参考资源与可运行的代码示例。

多智能体协作研究系统，直接通过 OpenAI 兼容 SDK 调用大模型 API，无需 LangChain / LangGraph 等框架依赖。默认对接智谱 GLM（注册即用），也可切换到其他 OpenAI 兼容供应商（见配置）。

系统由一个主 Agent（协调者）和四个子 Agent（三路研究专家 + 专职写入引擎）组成，通过 ReAct 循环自动调用工具、分发任务、综合结果。告诉它你想学什么——比如「给我制定一份学习 Docker 的学习计划」——它会并行研究官方文档、代码仓库与社区内容，并在本地生成一套可以直接开始的学习路径。

它能做什么

• 一句话请求，生成完整学习包：五级渐进式学习路径（概述 → 安装上手 → 核心概念 → 实战模式 → 进阶指引）
• 三路并行研究：官方文档、仓库分析、社区教程同时进行，结果交叉印证
• 产物落盘本地：导览 README、资源汇总、学习路径主文档、可运行的代码示例，全部写入本地目录
• 多轮对话与任务续作：中途有文件未完成时，一句「继续完成任务」即可补齐

生成的学习包结构示例：

Learning-Factory/learning-docker/
├── README.md            # 概览和使用说明
├── resources.md         # 全部参考链接（按来源分类）
├── learning-path.md     # 五级学习路径主体内容
└── code-examples/
    ├── 01-hello-world/       # 安装与第一批命令
    ├── 02-core-concepts/     # 核心概念配套练习
    └── 03-patterns/          # 实战模式示例

安装

要求 Python >= 3.11。三种方式任选：

方式 A：pipx 从 PyPI 直装（推荐，隔离环境、获得 learning-factory 命令）

pipx install learning-factory

方式 B：pipx 从 GitHub 直装（无需本地仓库副本）

pipx install git+https://github.com/Shoothedrifter/LearningFactory.git

方式 C：clone 后 pip 安装（开发场景）

git clone https://github.com/Shoothedrifter/LearningFactory.git
cd LearningFactory
pip install -r requirements.txt        # 直跑（完整依赖）
# 或
pip install -e ".[dev]"                # 可编辑安装 + 开发依赖

依赖版本以 pyproject.toml 为准（openai / httpx / python-dotenv / mcp / beautifulsoup4）。

配置

在运行目录创建 .env 文件（可参考 .env.example），写入你的 API Key（模型供应商如果是智谱 GLM，开箱即用）：

# 以 GLM 供应商获取地址为例：https://bigmodel.cn → API 密钥
LLM_API_KEY="your-api-key-here"

也可以不建 .env，直接导出环境变量：export LLM_API_KEY="你的密钥"。

注意：程序只加载运行目录下的 .env，不做向上查找——在其他目录运行时请在该目录放置 .env。未配置 Key 时启动即打印获取与配置指引并退出，不会等到首次调用才报错。

换用其他 OpenAI 兼容供应商：把 LLM_BASE_URL 设为该供应商端点，并按其模型列表覆盖 LLM_MAIN_MODEL / LLM_SUB_MODEL / LLM_REPO_MODEL。三个研究工具（网页搜索/抓取、仓库读取）默认走智谱的 MCP 服务 —— 换供应商时把三个 MCP_*_URL 一并切换（见下文「研究工具的 MCP 端点」）。

非智谱 GLM 用户的最小配置是 4 个变量——只填 LLM_API_KEY 不够（默认端点与模型名都是 GLM，其他供应商的 Key 会 401、与智谱模型名冲突）。以 Kimi 与 DeepSeek 为例（模型名以各供应商当前列表为准）：

# Kimi（Moonshot）：https://platform.moonshot.cn → API Key 管理
LLM_API_KEY="<Kimi 的 Key>"
LLM_BASE_URL="https://api.moonshot.cn/v1"
LLM_MAIN_MODEL="<按 Kimi 模型列表填写>"
LLM_SUB_MODEL="<按 Kimi 模型列表填写>"
LLM_REPO_MODEL="<按 Kimi 模型列表填写>"

# DeepSeek：https://platform.deepseek.com → API Keys
LLM_API_KEY="<DeepSeek 的 Key>"
LLM_BASE_URL="https://api.deepseek.com/v1"
LLM_MAIN_MODEL="deepseek-chat"
LLM_SUB_MODEL="deepseek-chat"
LLM_REPO_MODEL="deepseek-chat"

研究工具的 MCP 端点：三个研究工具默认使用智谱的 MCP 服务，认证与模型 API 共用 LLM_API_KEY。换供应商时若其也提供 MCP 服务，把 MCP_WEB_SEARCH_URL / MCP_WEB_READER_URL / MCP_ZREAD_URL 一并切到该供应商端点（Key 继续共用；仅当供应商对 MCP 单独发 Key 时再设 MCP_API_KEY）；若不提供，研究工具不可用——主 Agent 调度、Notion 工具、本地文件读写不受影响。

模型切换、MCP 端点覆盖等全部环境变量（写进 .env 或直接导出均可）：

运行

CLI 模式（终端交互）：

learning-factory                          # pipx/pip 安装后的入口命令
# 或（clone 场景未安装时）
python -m learning_factory.agent

• 输入 exit 退出；输入 clear 清空对话历史
• --resume：恢复上次会话；指定路径 --resume ~/.learning_factory/sessions/<文件>.jsonl
• --output-dir <目录>：产物输出根目录（默认 Learning-Factory/）
• 过程实时可见：子 Agent 启动/完成（▶/✔/✖）与工具调用逐行打印，最终答案整段输出

会话持久化（CLI）

CLI 模式的对话历史逐轮落盘到家目录 ~/.learning_factory/sessions/（JSONL 格式，立即写盘不留缓冲），进程崩溃也保留已写轮次；pipx 场景在任意目录启动都写到同处。

• --resume：恢复最近一次会话；--resume <文件路径> 恢复指定会话
• 恢复时自动裁掉尾部连续的未回应消息；找不到可恢复会话时开启新会话
• 输入 clear 清空历史时会开启新会话文件，旧会话文件保留

更多文档

架构设计（Agent 协作 / ReAct 循环）、工具系统与分配、MCP 集成、Skill 系统、环境变量全表、与原版 claude_agent_sdk 的对应关系——全部见 AGENT.md。

开发与测试

pip install -r requirements-dev.txt
pytest    # 145 项，全 mock 无需真实 API Key

注意事项

• Bash 工具会在本机执行命令，请确保在可信环境中运行
• .env 文件包含 API 密钥，不应提交到版本控制
• Learning-Factory/ 下的 learning-pytorch/ 等目录是系统生成的学习产物（已在 .gitignore 中，不入库）

许可证

MIT