我们做一件事：
让 AI 把一个人的目标，
拆成他真的能做完的计划。

知我：一个人的目标执行伙伴

用户说出一个目标——三个月转行、限期交完论文、把一个习惯养起来—— 知我先逐题问清现状、资源和时间窗，给出一份诊断，再据此拆出分阶段的任务， 把需要长期坚持的部分排进具体日期，开始前提醒，停摆时点名到卡住的那一步。

1. 问诊定位现状与差距，答不上来的替你去查
2. 拆解按目标类型套对应打法，阶段顺序解锁
3. 排期落到具体日期与时段，可同步系统日历
4. 跟进到点提醒；一步太大就当场再拆一层

Android 版本持续迭代，可在 知我产品站 下载；iOS 开发中。

把目标拆好，靠的不是把提示词写长

目标原型分类

拆解前先判断这是哪一类事——资格取得、限期交付、匹配获取、技能习得、持续养成、事务执行—— 再调用对应的领域打法，并收窄该类目标可用的工具。所有目标套同一张时间线，是拆不好的根本原因。

问诊式诊断

先定位现状、资源与时间窗，给出差距判断，用户确认之后才开始拆。不确定的地方追问，不替用户假设。

个性化拆解

同一个目标，给不同的人应该拆得不一样。我们为每个人维护一份稳定的画像与长期记忆， 拆解前挑出与这次目标真正相关的部分参与决策，让任务的粗细、节奏和措辞跟着人走。 记忆由用户自己可见、可改、可删。

混合检索

关键词与语义双路召回、融合排序，覆盖自建的职业与升学知识库。

Agent 工具链

查不到就去查：联网检索与网页读取（按目标压缩，只留有用的部分）、 升学报录数据查询、职业能力图谱。

语音输入

独立的语音识别服务，云端为主、本地兜底，说目标和跟进进度都能用嘴。

量化决策引擎

建模 → 多维量化 → 结论的完整链路。作为技术积累保留：产品里独立入口已收起， 计划中「需要你拍板」的那类任务仍在用它。

拆解提示词是核心资产，所以它有测试

拆解评测台 Harness

一批固定的真实目标，每例都写清该出现什么、不该出现什么。改提示词前后各跑一遍，并排比。 评分要求给出计划原文作为证据，拿不出证据就不算数——不这样做，模型对什么都会判满分。 另有一套规则体检专抓硬错，比如把别人说了算的结果当成用户的完成标准。

Agent Skill 自进化

让模型读自己跑砸的那几例，连同一段说清哪里错了的反馈，自己重写拆解 Skill，再拿评测集验证。 每个用例各自的最好成绩都留着，避免顾此失彼——不会为了把炒股拆好而把考研拆崩。 胜出的版本人工过目之后才上线。

评测与进化都在离线跑，不占线上链路。