[T.2] 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.2] 团队项目：选题和需求分析
我在这个课程的目标是	开发一个成熟的软件，并提高自己的技术和工程能力
这个作业在哪个具体方面帮助我实现目标	分析选题可行性与实际意义

项目概述

项目属性	内容
项目名称	智能学习助手
项目类型	面向大学生的综合性学习辅助平台
核心定位	集智能问答、笔记整理、刷题练习和社区交流于一体的学习平台，通过AI技术提升学生的学习效率和知识沉淀能力
目标用户	在校大学生，特别是理工科需要大量刷题和理解复杂概念的学生群体，初期以BUAA计算机学院专业课程为试点

---

项目背景

社会调研

在当前的数字化学习环境中，大学生面临着诸多挑战：

• 信息过载与碎片化：课程教材、课件、习题、笔记往往散落在不同平台，缺乏有效的整合与管理
• 答疑成本高：依赖搜索引擎和通用大模型难以获得精准解答，等待老师或助教回复的周期较长
• 复习效率低：面对海量知识点难以快速梳理逻辑结构，手动整理笔记耗时巨大
• 学习孤岛化：缺乏能够围绕特定课程进行深度讨论和资源共享的社区空间

北航工科交流群调研结果

学生压力较大的课程：

课程学习中遇到的困难：

AI学习工具所存在的问题：

对于AI问答功能，学生最在意什么：

如果系统提供这些功能，学生最愿意使用哪些：

市场与竞品分析

目前市场上的学习类产品主要分为两类：

类型	代表产品	核心缺陷
通用大模型	ChatGPT、Gemini、Kimi、文心一言	缺乏学科专业性和上下文感知，容易幻觉，无法针对特定课程或教材提供精准答案
垂直型学习平台	各类题库APP、智学北航	主要提供课程内容或练习题目，缺乏智能交互和个性化的知识管理功能，用户需自己建立学习闭环

竞品实例分析：【智学北航】小航AI助手

• 仅有简单的对话功能
• 没有各课程的特定知识库支撑
• 功能有限，可扩展性差，受众约等于0

市场空白： 现有产品未能很好地满足大学生"在特定课程语境下，通过多模态交互获得精准解答，并一键生成结构化笔记"的核心需求。

选题意义

1. 构建学习闭环：打造"提问→解答→笔记→练习→讨论"的完整学习闭环，减少学生在多平台间切换的成本

2. 贴合本校教学实际：聚焦服务北航学生（后续可扩展至其他院校），以"贴合本校授课大纲和重点"为核心，避免通用AI因知识严谨性标准模糊导致的答案分歧（如编译原理中"文法分析方法能否解决二义性"这类院校评判标准差异的问题）

3. 应试导向的精准答案：不追求理论上的最优解，而是提供"能让学生在本校考试中得分的答案"，直接对接北航课程考核需求，解决"AI答案混乱、抓不住考点"的痛点

4. 标准化教学输出：整合北航各老师的教学要求，将"老师要求的掌握答案"标准化输出，填补通用AI在"院校课程针对性"上的空白，形成独特竞争壁垒

5. 技术创新与教育结合：深度结合RAG（检索增强生成）和多模态识别技术，符合当前AI落地应用的行业趋势，具有很高的技术实践价值

6. 课程实践深度：涵盖前端交互、后端微服务、AI模型调用、文件处理（OCR/PDF导出）等复杂模块，足以支撑为期两个月的软工实践强度

---

NABCD分析

Need

大学生亟需一体化的智能学习解决方案：

• 信息碎片化：课程笔记、课件、习题分散在不同平台，缺乏统一管理
• 答疑效率低：搜索引擎结果良莠不齐，等待老师/助教回复周期长
• 缺乏系统体系：面对海量知识点难以快速梳理逻辑，手动整理笔记耗时巨大

Approach

多模态输入 + 知识库增强 + 结构化输出

功能模块	技术方案	优先级
智能问答	引入"课程标签"机制，将回答限定在特定学科语境下，结合本地知识库（课程PPT、教材、学长笔记）进行检索增强生成（RAG）	P0
笔记自动化	独创"对话转笔记"功能，用户可通过指令一键将对话记录转化为结构化的Markdown复习大纲	P1
多模态交互	支持上传题目截图进行OCR识别与解析，降低输入门槛	P1

Benefit

• 精准性：相比通用AI，关联课程后的回答准确率显著提升，避免"一本正经的胡说八道"
• 高效性：将原本需要30分钟的笔记整理工作缩短至1次指令点击，极大释放生产力
• 闭环体验：从提问、解惑、到生成复习材料，用户无需跳出平台即可完成完整学习闭环

Competitor

竞品类型	代表产品	劣势	我们的优势
通用大模型	ChatGPT、Kimi、文心一言	缺乏学科上下文，容易幻觉，需要用户自行整理答案	课程标签驱动的RAG，回答精准专业
垂直工具	猿题库、Notion、Obsidian	题库功能单一，笔记软件缺乏智能生成能力	"问答-刷题-笔记"三位一体，结构化笔记导出为PDF/MD直击考前复习刚需

Delivery

• 社交媒体：通过微信公众号、群聊、知乎等渠道分享使用案例和功能介绍
• 口碑传播：鼓励用户邀请同学使用，形成学习小组
• 校园合作：与本校院系学生会部门合作，作为课程辅助工具进行推广
• 话题引流：利用学习交流群、校园论坛、表白墙发布"期末救命神器"等话题
• 快速迭代：建立用户反馈群，优先支持本校热门课程

---

功能模块设计

功能优先级说明

优先级	含义	包含模块
P0	核心功能，MVP必须实现	用户模块、知识问答模块
P1	重要功能，第一阶段实现	学习论坛模块、笔记自动化
P2	增值功能，第二阶段实现	题库模块

用户模块（P0）

功能	说明
注册与登录	支持邮箱注册，包含验证码校验流程；支持"记住我"功能
信息管理	允许用户修改昵称、头像和个人简介
学习数据看板	展示累计学习天数、累计提问数，学习任务完成度与学习时长趋势等多维图表

知识问答模块（P0）

功能	说明
对话管理	支持新建对话、查看历史记录（含课程标签和时间）、搜索及删除
多模态交互	用户可选择关联课程，支持文本+图片混合提问，降低输入门槛
笔记生成	用户可通过指令触发，系统结合大模型与知识库检索，生成结构化Markdown笔记，支持下载为MD或PDF格式

学习论坛模块（P1）

功能	说明
课程分区	论坛按课程（如编译原理、操作系统）进行分区浏览
发帖与互动	支持Markdown编辑器发帖，以及点赞、回复等互动功能
内容管理	支持编辑/删除自己的帖子，以及举报不当内容

题库模块（P2）

功能	说明
选课与考纲	用户选择课程后，可查看对应考纲
智能组卷	基于考纲和题库自动生成练习题
在线答题与批改	支持客观题在线作答，系统自动批改并记录错题
错题本归档	自动归集错题，便于复习

核心创新点

1. 课程标签驱动的知识库增强（RAG）：区别于通用AI，系统将回答限定在特定学科语境下，结合本地知识库进行检索增强生成，大幅提升回答的精准性和专业性

2. 多模态学习闭环：从"提问（文本+图片）→ 解答 → 笔记生成 → 题库练习 → 社区讨论"，形成完整的学习闭环，用户无需在不同平台间切换

---

技术实现方案

技术架构

层级	技术选型	说明
前端	Vue 3 + TypeScript + SCSS + Pinia	代码提交前强制通过ESLint + Prettier + TypeScript检查
后端	FastAPI + Docker	接口调试与文档维护统一通过Apifox管理
数据库	MySQL	-
AI层	RAG（检索+重排）	结合本地知识库进行增强生成

开发阶段规划

阶段	周期	目标
阶段一	前期	实现用户模块、知识问答模块（文本交互+课程标签+RAG）、论坛模块
阶段二	中期	完善多模态交互（图片上传+OCR）、题库模块（智能组卷+错题本）
阶段三	后期	优化UI/UX，增加个性化推荐

可扩展性设计

• 模型适配层：后端接口预留标准化模型适配层，可无缝接入Claude等更多主流大模型，支持用户自定义本地模型
• 业务扩展：支持从单一科目向全学科知识库横向扩展
• 个人云知识库：未来版本支持用户自主上传私有资料，构建专属AI学习大脑
• 领域迁移：具备向考研、考公、职业资格认证等泛教育领域平滑迁移的能力

---

产品分发策略

发布渠道

采用渐进式发布策略：

渠道	优先级	说明
响应式Web网页	首选	确保PC端和移动端浏览器均可访问
微信小程序	备选	利用微信生态的便捷登录和分享机制，降低使用门槛，便于校园社群传播

推广方式

• 社交媒体运营：微信公众号、知乎
• 校园社群渗透：课程群、学习交流群
• 院系合作推广

---

用户规模预估

分阶段预估

阶段	覆盖范围	预估用户量	核心功能渗透率	估算依据
第一阶段（MVP期）	本学院试点	50-200人	60%-70%	依托课程作业和实验环节，强制或引导本院系学生使用，验证"智能问答+笔记生成"核心链路
第二阶段（成长期）	全校推广	200-400人	40%-50%	通过校园论坛、表白墙及跨院系合作，覆盖期末考试季的高频用户，题库和论坛功能趋于完善
第三阶段（稳定期）	多校辐射	500+人	30%-40%	产品形态成熟，通过开源或SaaS模式向周边高校同类专业推广，形成学习社区生态