团队项目博客 PQ v.Next

团队项目文档说明

项目名称：PQ v.next

项目带头人：闫秉政——负责团队对齐、需求分析、开发协调和文档维护

团队成员：韩云河、胡宇辰、荚左龙

项目周期：2025年11月—2025年12月

版本目标： Alpha 发布

 

一、项目的需求分析和商业前景

a.NABCD 需求分析

要素	内容
N（Need）需求	教师需求：有备课的PPT等文档，可以使用此工具出一些关键的测试题来帮助测试教学成果。 学生需求：有一个工具能够提炼教师PPT的内容并生成题目进行测试自我检验与复习。
A（Approach）方法	结合LLM与提示词，对教师上传的教学文档进行解析并依据需求生成题目并自动推送。
B（Benefit）收益	作为一款教学辅助工具，面向高校为师生提供服务，用户需求量大且支持定制化服务。
C（Competitors）竞争	雨课堂：题目需要老师自己出，占用老师时间。 云朵课堂：操作学习成本高，测试功能不完善。 本项目突出解放老师时间，同时能够帮助师生整理总结教材中的核心知识点。
D（Delivery）交付	Alpha版本：核心功能完整可用的最小化产品 Beta版本：优化用户体验，增加更多功能 开源发布：GitHub开源，社区可自由使用和贡献 文档完善：提供完整的开发文档和使用指南

 

b. 新闻稿（模拟正式发布）

标题： PQ v.Next 正式上线：提升课堂注意力！

我们推出了 PQ v.Next，一款由大语言模型驱动的教学辅助工具。不同于传统的教学辅助工具，PQ v.Next 能够理解教师所做的PPT与其他多种格式的教案，并从中提取关键知识点，生成题目。同时选题推送的功能能够帮助教师依据上课进度实时推出题目测试学生的掌握情况。它不仅仅只是一个出题AI，更是提高学生课堂注意力，解放教师出题时间的AI。

 

发布时间： Alpha版本预计在项目启动后4周内发布

 

预计活跃用户：

Alpha阶段：预计50-100位老师、学生测试者

Beta阶段：预计200-500位老师、学生用户

正式发布后：预计1000+ 用户，有200+ 稳定用户。

 

FAQ 简要：

Q：PQ v.Next 和雨课堂有什么区别？

A：PQ v.Next 更轻量化，学习门槛低，并且AI出题的速度快，质量高。

Q：它出题的质量如何？

A：LLM 模块将依据提示词进行出题，并且经过初步测试收获了不错的评价。

Q：对老师和学生有什么好处？

A：对老师而言能够及时收获教学反馈，调整教学计划；对学生而言能够快速掌握老师讲义的知识重点，及时复习与回顾。

 

c.软件的典型用户：

用户画像1：老师（博士/研究员）

年龄：30-55岁

背景：在职教师（任何专业不限）

目标：想要快速完成备课，并测试学生的知识掌握情况。

痛点：备课需要大量的时间，授课时学生的注意力有待提高。

使用场景：每周备课、授课以及查看学生答题情况。

 

用户画像2：学生（高中/大学/研究生）

年龄：18-30岁

背景：在读学生（任何专业不限）

目标：想要快速掌握老师教课的要点并课下复习。

痛点：课上学的知识不知道掌握情况，课下复习找不到题目。

使用场景：依据题目判断自己的掌握情况；课后用之前的答题进行复习。

 

d.典型用户使用软件的典型场景

• 老师上传之前制作的讲义，自动生成题目，老师可依据讲课进度进行推送，学生可在题目下面进行讨论。
• 学生答题之后，能够立马知道自己的正确与否，觉得疑惑可以在下面评论并实时向老师线上反馈。
• 期末需要复习时，学生查看自己之前的答题情况，快速复习整门课程的要点。

 

e.用户需求发现方法

吃自己的狗粮（团队成员自己使用并记录体验）

面向同学和同事进行半结构化访谈（了解信息过载痛点）

经过初期测试接受用户的反馈进而不断完善改进功能

 

2. 项目的团队、估计和设计

a.团队分工与协作模式

角色	成员	职责
项目负责人 SCRUM Master	闫秉政	统筹项目进度、分配任务、对接团队博客更新
后端开发	韩云河	实现接口、推荐算法 API、用户管理数据服务
前端开发	胡宇辰	负责微信小程序前端界面与交互设计
AI架构师	荚左龙	负责 LLM 集成、语义分析、推荐模型优化
AI助手	GPT-5	协助代码生成、接口文档生成、测试用例编写

 

团队模式： 采用「交响乐模式」——每个成员各司其职，但共同遵循统一节奏与迭代计划。

敏捷开发： 每日进行 10 分钟总结对齐。

 

b. Alpha版本可实现的功能：

• 实现学生信息认证（帮助老师了解是否是选课学生）
• 实现活动题目导出（帮助学生复习课后习题）
• 课程管理（将很多个活动划分到不同的课程下）
• 教师端出题支持更换题目
• 学生端支持重新清空所答题目重新答题

 

3. 功能详情与工作估计（独立博客）

此部分将发布在独立团队博客中，包含功能优先级表、工作分解结构（WBS）与估时分析。链接：https://www.cnblogs.com/BingzhengYan/p/19191199。

 

4. 项目的具体开发与推进

a. 代码质量与 Git 流程

采用 Git Flow 工作流（main / develop / feature / hotfix 分支）

提交规范：遵守 Conventional Commits 规范（feat/fix/docs/test）

CI 工具：GitHub Actions 自动运行单元测试与 Lint 检查

代码评审：每个 PR 必须由至少一名成员审查通过

 

b. AI Coding 工具的使用

使用 GPT-5 辅助生成样例代码、API 文档与测试样例

所有 AI 生成代码必须通过 TDD（测试驱动开发） 验证

AI 辅助产出明确标注”AI-assisted commit”以追踪贡献度

 

c. 推进机制

每日晚上10点通过线下讨论，实时分享进度并记录在博客”Daily SCRUM”栏目

每周汇报项目进度、完成情况与风险评估

Alpha 阶段末进行一次团队评审会议

 

5. 个人贡献与团队机制

a. 团队贡献评分机制

采用 “三维贡献法”（代码量 × 技术难度 × 协作度）

每位成员需提交每周任务报告（提交次数、Review 数、功能点）

评分结果透明公示，用于评定阶段绩效

b. 成员流动机制

Alpha 阶段后，团队将通过 成员投票 + 贡献记录评估选出一位成员转入其他团队进行交叉合作（非随机）。

 

6.项目总结

a.预先总结（Pre-mortem）

如果项目发布后失败，可能的原因包括：

生成题目质量不足（LLM 生成内容与不符合教师期望）

用户界面不够吸引或交互复杂

团队进度控制与测试不充分

竞争产品更好

 

下一步计划

• 基于现有的PQ项目，新增实现学生信息认证与更换题目功能
• 发布 Alpha 测试版