[T.4] 团队项目：选题和需求分析

这个作业属于哪个课程	北航2026年春季软件工程
这个作业的要求在哪里	[T.4] 团队项目：选题和需求分析
我在这个课程的目标是	体验完整软件开发流程，交付一款真正解决科研阅读痛点的软件产品
这个作业在哪个具体方面帮助我实现目标	通过NABCD模型和竞品分析，明确产品定位、核心价值与技术路径

一、 选题介绍：Scider

logo由团队成员肖清心使用ps设计绘制

Scider是一款旨在帮助科研新手——尤其是本科生和低年级研究生——高效阅读、深度理解并系统性管理学术论文的智能辅助平台。

在经历了初期的选题探索后，我们选择移除了游戏化、角色扮演等元素，将产品核心聚焦于科研阅读中最根本的两个痛点：

1. “读后即忘，难以形成知识体系”：论文读了不少，但脑中依旧碎片化，无法将不同研究的观点和方法联系起来。
2. “面对海量文献，不知从何读起”：明确了研究方向，却不清楚该领域的必读经典和最新进展，文献追踪效率低下。

Scider 的核心逻辑是 “阅读 → 提炼 → 关联 → 推荐”。它通过AI自动提取论文的侧重点（Paper Key Points），结合用户的人工修订，为每一篇论文打上精准的“知识标签”，并以此为基础，构建可视化的个人论文知识图谱。基于这张图谱，系统能够智能推荐研究方向相关的新论文，并一键检索已读论文的参考文献（上游）和后续引用（下游），帮助用户理清学术脉络。

二、 NABCD 模型分析

N (Need)

作为刚刚踏入科研领域的本科生或研究生，我们自身及身边的同学普遍面临以下困境：

1. 知识碎片化，难以内化：读完一篇论文，两周后便忘了其核心创新点，更无法将不同论文的观点联系起来。读文献像“狗熊掰棒子”，缺乏系统性的知识沉淀。
2. 文献追踪效率低：导师给了方向，却不知该领域必读的经典文献是哪些、最新的前沿进展又如何。寻找一篇论文的参考文献和后续引用，往往需要在多个学术搜索引擎间反复横跳。
3. 阅读门槛高：英文论文行文晦涩，提炼核心论点耗时极长，初学者容易在细节中迷失方向。

现有工具如 Zotero 解决了文献管理问题，但未解决“内容理解与关联”问题；ChatPDF 解决了单篇问答，但未解决“知识体系构建与宏观推荐”问题。

A (Approach)

我们提供了一套从“阅读输入”到“知识输出”的闭环方案，涵盖以下三大核心模块：

1. 论文知识图谱模块

• AI 提取 Paper Key Points：用户上传 PDF 后，系统利用大语言模型自动解析全文，提取论文的侧重点（研究背景、方法、创新点、结论）。后台采用异步处理机制，避免阻塞用户操作，并实时反馈任务进度。
• 人工修订与确认：系统将 AI 提取的结构化信息以表单形式展示，用户可对其进行审核、编辑与确认。这一设计不仅修正了 AI 可能的幻觉，更通过“亲手整理”的动作加深了用户对论文的理解和记忆。
• 知识图谱可视化：基于用户确认的多篇论文 Key Points，系统通过关键词共现或语义相似度算法，自动分析论文间的共性与联系，生成可视化的力导向图。用户可直观地看到论文、概念与方法之间的关联网络，并支持拖拽、缩放等流畅交互。

2. 智能推荐模块

• 研究方向推荐：用户只需输入研究方向（如“基于Transformer的时序预测”），系统即对接 arXiv 或 Semantic Scholar API 推荐该领域的新论文，解决“不知道读什么”的难题。
• 上下游论文检索：针对库内任一论文，系统通过 DOI 或标题向学术数据库发起查询，一键检索并分类展示其参考文献（上游）和引用文献（下游），帮助用户快速理清学术传承脉络。

3. 论文管理模块

• 上传与解析：支持 PDF 上传，系统自动提取标题、作者、摘要等元数据及全文文本。
• 文库管理：提供列表视图，支持标签标记、文件夹分类及关键词检索，确保论文库井然有序。

B (Benefit)

Scider 的核心价值在于帮助科研新手将散落的论文转化为互相关联、可生长的个人知识网络：

• 通过 AI 自动提取并人工确认的 Paper Key Points，用户能够快速抓住论文骨架、加深理解记忆，告别“读后即忘”
• 基于已确认知识节点自动生成的可视化知识图谱，让原本孤立的论文以主题、方法为线索串联成网，直观呈现领域整体脉络
• 同时，智能方向推荐与一键上下游检索大幅节省文献调研时间，而结构化的预提炼阅读方式则降低了英文论文的入门门槛，使用户得以带着清晰框架高效阅读

C (Competitors)

我们对四款主要竞品进行了深入分析：

竞品	核心定位	主要功能	Scider 的差异化优势
Zotero / Mendeley	文献管理工具	文献收集、引用格式管理、PDF标注、云同步	知识图谱化：Zotero 管理的是文件元数据，Scider 管理的是论文内部的“知识节点”及其“关联”。前者回答“我有多少论文”，后者回答“这些论文在讲什么、它们有何联系”。
ChatPDF	单篇论文AI对话	上传PDF，即时问答，定位原文出处	系统性构建：ChatPDF 是离散的问答，用完即走；Scider 是跨论文的、结构化的知识网络构建。我们不仅解答单篇疑问，更帮助用户将多篇论文的知识点串联成网。
ReadPaper	专业科研全流程平台	AI辅读、划词翻译、文献管理、学术社区、知识图谱（引用网络）	轻量化与个人化：ReadPaper 功能大而全，目标用户是专业科研人员，学习成本高；Scider 更轻量，聚焦于个人知识图谱的构建与智能推荐，更适合科研入门者。且 ReadPaper 的知识图谱偏向于宏观的引用关系，我们侧重于论文内容语义层面的知识关联。
切问学术 (Qiewen)	AI科研智能体 (AI Agent)	智能检索(3.6亿论文库)、论文精读翻译、知识库对话、自动化实验、论文写作辅助	定位差异：学习助手 vs. 科研自动驾驶 切问学术致力于成为科研的“自动驾驶系统”，接管从检索、阅读、实验到写作的全流程，目标用户是高负荷的硕博及科研人员。Scider 则专注于阅读与理解这一单一环节，目标是帮助科研新手降低门槛、构建知识体系，扮演的是“思维脚手架”角色。 资源差异：切问背靠强大的自有数据库和算力，Scider 作为课程项目依赖外部 API，但我们通过 AI提取+人工修订 的闭环，确保知识的准确性与个人化。

D (Delivery)

1. 发布平台：Web 端
2. 推广策略：
   • 校园内测：在北航校内进行小范围内测，收集反馈并迭代。
   • 内容营销：在知乎、小红书发布“如何利用AI构建个人知识库”、“研一如何高效阅读文献”等经验贴，附带工具引流。
   • 开源社区：将项目核心技术在 GitHub 开源，吸引技术爱好者和开发者贡献。

二、技术实现与挑战

技术栈

• 后端：Python (Flask)
• 前端：Vue 3
• 数据库：PostgreSQL
• 关键依赖：LLM API、学术数据库 API（Semantic Scholar / arXiv）

核心功能实现要点

1. LLM 提取的准确性：设计稳定的 Prompt 工程，确保不同格式、不同领域的论文都能提取出结构化的 Key Points（研究目标、方法、创新点、结论）。
2. 图谱关系的挖掘算法：初期基于关键词共现和简单的 NLP 相似度匹配，后续考虑引入更复杂的图嵌入技术。
3. 上下游论文数据源：对接 Semantic Scholar 或 arXiv API，处理 API 限流及数据不全的问题，并提供超时控制机制。

非功能性需求与挑战

1. 性能与效率：PDF 解析与 AI 提取为耗时操作，必须采用异步任务队列处理，并向用户提供明确的进度反馈。知识图谱渲染需优化以支持数十节点的流畅展示。
2. 界面设计：采用左侧导航与右侧内容区的经典布局，知识图谱页面采用全屏画布设计以提供沉浸式交互体验。
3. 数据安全与可扩展性：用户论文文件为私有资产，需确保存储安全与访问控制。图谱关系定义与推荐算法采用模块化设计，便于未来升级更复杂的语义分析与个性化推荐模型。

---

AIGC声明：数据搜集整理借助了deepseek-chat