AI動向 AI Agent 阅读时间 5 分钟

从 11 月 3 日的一场热身 Demo，到我的 AI Agent 四阶段蓝图

11 月 3 日与朋友的小型分享会前，我先做一个把轻音乐自动转成钢琴谱并模拟演奏的热身 Demo，用它验证音频处理与 MIDI 生成链路。之后回到核心产品：用 Neo4j 知识图谱为 Agent 赋予动态的“Why”，并沿 STT 提速、知识碰撞、Why-Action-Reaction 闭环、Ambient IoT 硬件化四个阶段推进。文章也记录了目前尚未确定的问题与每周推进的方式。

PT 2026-10-20

故事是这样的：

8月份，缘分的使然，在黑客松上结识了三个小伙伴。我们一起经过两个月的时间，做了一个 App。

黑客松完事后，发现大家彼此非常合得来。其中 leader 提议：既然这么合得来，不如把各自想做的事儿都说出来，互相督促进步。如果在做事的过程中能有焦点交流，对彼此也是帮助。

我们探讨后决定，尽可能以周为单位去交流推进.

那么，以下是我想到要做的事:

🚀 从11月3日的热身 Demo，到我的终极 AI Agent 个人产品蓝图

最近一段时间，随着新工作的过渡和各种应酬安排，日程被填得很满。但在工作之余，关于 AI、关于 Agent 机制、关于“我是谁以及如何让 AI 真正赋能个人”的思考，其实一直没有停过。

为了给即将到来的 11月3日与朋友们的小型分享会 准备一个有趣的 Demo，我决定先从一个一直想尝试的“热身项目”切入，随后再逐步推进我心中那个真正的终极产品。

下面我梳理一下我接下来要做的事情，以及我的 四阶段（Phase 1 ~ 4）产品 Roadmap。

🎹 热身项目：AI 轻音乐转钢琴谱与模拟演奏

为什么先做这个？ 这个项目并不是我的终极产品，而是我用来为 11/3 分享会热身、顺便验证音频处理与 MIDI 生成 Pipeline 的小实验。

我一直很想做一件事：把一段好听的轻音乐，自动转化成高质量的钢琴五线谱，并能够现场进行模拟演奏。

技术路经：利用开源的 Audio-to-MIDI 模型（如 basic-pitch / MT3），结合 Python 脚本做音符量化（Quantization）与杂音修剪，最后通过 music21 + MuseScore 渲染成漂亮的 PDF 琴谱，并挂载 SoundFont 音色库生成高还原度的模拟演奏。
目标：在 11 月 3 日分享会现场，向朋友们展示从“输入一段音频”到“一键出谱 + 生动演奏”的完整流程！

🧭 终极蓝图：基于知识图谱与动态判决引擎的个人 AI Agent

热身之后，我将全力回归到我的核心产品研发上。

传统 Agent 的逻辑大多是静态、硬编码的条件判断。而我想探索的新 Path 是：利用 Neo4j 知识图谱赋予 Agent 动态演进的“Why”值，让知识图谱体现“我”是一个什么样的人，结合说的话与上下文，自动推演并联动触发下一个 Action。

以下是我的四阶段推进计划：

[Phase 1：当前痛点攻坚 & 轻量验证]
 └── Voice to Action 的语音转文字 (STT) 性能突破（解决 CPU 小电脑的耗时瓶颈）

[Phase 2：知识图谱与动态决策]
 ├── Neo4j 知识图谱实战（将日常博客与个人知识体系结构化入库）
 └── 融合 Analogy（类比）模型：观察个人知识体与新言论碰撞后的“约束”与“扩展”

[Phase 3：Why-Action-Reaction 链式闭环]
 ├── 引入 Jev 引擎：让知识图谱反向给 Skills 赋予动态“Why”值
 └── 跑通自动链式循环（Why ➔ Action ➔ Reaction ➔ 自动触发下一个 Action）

[Phase 4：终极 Ambient IoT 硬件产品化]
 └── 打造 24 小时常驻录音与无感吸收情报的硬件形态（桌面 Box vs 挂脖 Necklace）

🛠 各阶段核心细节

Phase 1：痛点攻坚（STT 加速与热身）

之前把 Voice to Action 的眼镜和引擎调通了，但家里的 CPU 小电脑跑 STT 非常耗时。后续会尝试接入 Groq API (Whisper large-v3) 或本地 faster-whisper（CTranslate2）来突破性能瓶颈。

Phase 2：Neo4j Ontology 与知识碰撞

我每天都在写博客、积累知识。我很好奇，当把这些知识转化为 Neo4j 中的 Knowledge Graph（实体与关系）后，我平时说的话、产生的新灵感与这个知识图谱碰撞时，到底会约束我的话（Constraint），还是扩展我的话（Expansion）？

Phase 3：Why-Action-Reaction 动态判决引擎

这是最核心的一步：

Why：结合 Neo4j 中“我的画像与上下文”，动态计算出某件事对现在的我为什么重要（赋予 Why 值）。
Action：触发预设或动态生成的 Skills。
Reaction：Action 产生的输出反馈给图谱，自动联动触发下一个 Action。

系统会尝试自己“审视我”，看我是否需要一个新的 Skill Action，甚至在我还没想到的时候，自动给我推送一个 hint。

Phase 4：Ambient IoT 终极形态

最终，它会落脚在一个硬件产品上——比如一个放在桌面 24 小时开启录音的 Ambient Box，或者一个随身携带的 AI 项链/挂坠。它没有强烈的“录音/操作”感知，而是像空气一样默默吸收情报，在后台自动判断、自动处理、自动生成动画或博客。

💬 结语

从 11 月 3 日的音乐转谱小 Demo，到后续构建动态演进的 Why-Action-Reaction 知识引擎，这是一场关于“如何用 AI 拓展个人能力边界”的长期探索。

如果你对音乐转谱、Neo4j 知识图谱，或是 AI Agent 的动态判决机制感兴趣，欢迎关注后续的进展！