团队作业
| 课程 | 软件工程 |
|---|---|
| 这个作业要求在哪里 | 有关团队项目的作业要求 |
| 这个作业的目标 | 围绕校园学习真实场景挖掘需求，通过智能体技术为学习类工具赋能，提升产品的实用价值与用户体验 |
| 团队名称 | 智伴科创 |
| 团队成员 | 3124004242 冯柏森 |
| 团队成员 | 3124004240 程飞扬 |
| 团队成员 | 3124004262 张高朗 |
团队展示
1. 队名：智伴科创
2. 团队项目的具体规划及描述
本项目为AI 校园学习陪伴智能体系统，是一款面向高校学生的个性化学习辅助工具。项目针对学生自主学习中答疑效率低、学习规划性弱、知识体系零散等痛点，以 AI 智能体为核心，打造具备自主思考、工具调用、多轮交互能力的 “虚拟学习伙伴”。
项目技术架构分为三层：智能体核心层基于 Python 搭建，集成大语言模型与 Agent 开发框架，实现知识点答疑、学习计划生成、错题分析、知识体系梳理等核心能力，支持调用外部工具完成复杂学习任务；服务层负责用户管理、数据存储、接口调度，保障系统稳定运行与数据安全；交互客户端采用 C# + Unity 开发，打造轻量化沉浸式交互界面，将学习任务、知识内容以可视化、互动化的形式呈现，提升学习过程的趣味性与沉浸感
项目覆盖学生课前预习、课后复习、备考冲刺等多学习场景，旨在通过智能体技术为传统学习工具赋予智能化、个性化的全新体验，帮助学生提升自主学习效率，构建完整的知识体系。
3. 队员风采：
| 姓名 | 学号 | 擅长的技术 | 希望的角色 |
|---|---|---|---|
| 程飞扬 | 3124004240 | C# Unity | 负责岗位客户端，服务器 |
| 冯柏森 | 3124004242 | Python、AI Agent | 后端、运维、智能体架构师 |
| 张高朗 | 3124004262 | Spring Boot、MySQL | 后端开发、数据库设计 |
4. 团队合照
5.愿景与发展
短期愿景上，我们将持续打磨产品核心能力，优化智能体的知识答疑、学习规划与错题分析精度，完善 Unity 客户端的交互体验，让产品切实服务于本校学生的课前预习、课后巩固与备考冲刺全流程，成为学生身边高效、贴心的 “虚拟学习搭档”。
长期愿景上，我们期望逐步拓展产品的场景边界，融入课程资料管理、实验辅助、学业路径规划等更多校园学习维度，构建完整的 AI 校园学习生态；同时降低智能学习工具的使用门槛，让不同学习基础的学生都能借助 AI 提升学习效率，助力校园教育的数字化升级与个性化发展。
学业管家：专为大学生打造的AI原生本地DDL管理工具
一、项目背景：被DDL淹没的大学生痛点
在高校学习场景中，课程作业、实验报告、考试复习、项目任务往往分散在学习通、智慧树、教务系统、班级群等多个平台，截止时间零散且通知渠道不一。传统的通用待办工具需要手动逐条录入任务，操作繁琐；在线类任务管理工具又存在数据上传、隐私泄露的顾虑。
「学业管家」正是针对这一痛点打造的AI原生、本地优先、专注学业场景的任务管理工具。它将大模型能力与浏览器扩展结合，实现作业信息自动抓取、智能拆解与结构化管理，帮助大学生一站式收拢所有课程任务，告别漏交、迟交作业的问题。
二、需求分析：从真实场景出发的功能设计
2.1 用户与需求来源
项目面向高校各专业大学生，核心需求源自日常学习的真实痛点：多平台课程信息分散、手动录入任务效率低、DDL临近易遗漏、通用待办工具与学业场景适配差。项目所有功能均围绕课程任务管理这一核心场景设计，不做冗余的通用性功能堆砌。
2.2 核心功能需求
- 任务基础管理：支持任务的新建、编辑、删除、状态标记与分类管理，覆盖作业、实验、考试、复习等学业场景。
- 智能导入能力：支持文本描述、图片上传两种AI导入方式，由大模型自动解析任务内容与截止时间。
- 平台联动抓取：配套浏览器插件，支持学习通、智慧树等主流课程平台的作业信息一键提取同步。
- 多维度视图查看：提供列表视图与日历视图，兼顾细节管理与全局DDL分布总览。
- 数据统计复盘：自动统计任务完成率、分类占比、月度趋势，辅助用户规划学习节奏。
2.3 非功能设计约束
- 隐私优先：所有数据本地存储，不上传任何云端服务器；API密钥不落盘，程序关闭即失效。
- 轻量化部署：单项目包即可运行，无需安装额外数据库、中间件，普通学生电脑可轻松跑通。
- 降级可用：不配置大模型API时，基础任务管理功能100%可用，AI能力为可选增强项。
- 多模型兼容：不绑定单一AI服务商，支持主流大模型平台自由切换。
三、核心功能亮点：不止是普通待办清单
3.1 三大核心差异化能力
3.1.1 浏览器插件：一键抓取课程平台DDL
这是项目最具辨识度的功能，也是区别于绝大多数待办工具的核心优势。用户在学习通、智慧树等课程平台的作业、考试页面，点击浏览器插件即可一键提取当前页面的任务名称、截止时间、科目信息，自动同步到本地学业管家中，全程无需手动打字录入。
图内课程导入浏览器扩展的本地部署状态，基于 Manifest V3 规范开发，通过开发者模式加载启用。
这里是客户端导入模块的操作指引页，明确扩展安装配置流程，打通网页数据到本地任务的同步链路实现课程平台任务一键抓取。
插件遵循「点击才读取」的隐私原则，仅在用户主动触发时解析当前页面，不会后台静默扫描浏览记录，在实现便捷性的同时保障了用户隐私。
3.1.2 AI多模态拆解：文本/截图自动生成待办
针对群聊作业通知、课件截图、作业拍照等场景，项目提供了AI智能拆解能力。用户只需粘贴作业通知文本，或上传作业页面截图，大模型会自动识别任务内容、提取截止日期、匹配对应科目，生成结构化的待办任务。
相比手动逐条录入，该功能大幅降低了任务录入的操作成本，尤其适合批量处理多门课程作业通知的场景。
支持手动添加上传图片，由大模型识别任务录入，作为自动导入功能的补充渠道，覆盖全场景学业任务的统一收录需求。
3.1.3 人工确认队列：AI做辅助，决定权在你
为了规避大模型幻觉、解析错误的问题，项目设计了「AI解析 → 待确认队列 → 正式入库」的三层流程。所有AI生成、插件抓取的任务，都会先进入待核对状态，用户可以编辑修改、删除错误项，确认无误后再加入正式待办列表。
图示为智慧树代办作业，点击插件抓取功能后会在右上角显示抓取到的元素，即任务数量
回到平台即可导入检查刚才抓取任务，承接浏览器端抓取的任务数据，经人工核对后完成本地入库
最后在手动任务录入的完整表单配置，还可人工检查修改具体日期和待办内容，支持多维度任务属性设置，实现学业任务的精细化归档管理。
这一设计让AI只承担「信息录入助手」的角色，最终数据的控制权完全掌握在用户手中，从产品逻辑上避免了AI错误导致的任务混乱。
3.2 学业专属的任务管理体验
3.2.1 列表+日历双视图总览
项目提供两种任务查看模式：列表视图清晰展示每条任务的详情、状态与优先级，适合日常任务处理；日历视图以月为单位直观呈现所有DDL的分布，适合做月度学习规划，一眼看清考试周、作业密集期的节奏。
本界面为任务的日历可视化视图，以月历维度直观呈现任务时间分布，辅助用户统筹规划学业进度
3.2.2 学业化任务分类与状态流转
不同于通用待办工具的「工作/生活/个人」分类，项目预设了作业、实验、考试、复习、项目等学业专属标签，开箱即用无需用户自行搭建分类体系。任务支持「待办-进行中-已完成」的状态流转，完整覆盖学业任务的生命周期。
不同标签可以筛选出不用任务，采用侧边导航加内容区的架构设计，功能层级清晰，操作路径简洁
3.2.3 学习数据统计复盘
项目内置数据统计面板，自动统计任务完成率、各分类任务占比、月度DDL数量趋势，帮助用户复盘自己的学习节奏，发现拖延规律，优化时间分配。
3.3 隐私优先的设计细节
3.3.1 全量数据本地存储
所有任务数据、课程信息、用户配置均存储在本地SQLite数据库文件中，全程不上传任何第三方服务器，数据完全由用户自己掌控，不用担心学业安排、个人计划被收集泄露。
3.3.2 API Key 内存级保护，永不落盘
大模型的API密钥仅保存在程序运行时的内存中，不会写入配置文件、不会存入数据库，关闭程序后密钥立即失效。即便电脑被他人使用，也不会泄露API密钥信息。
3.3.3 按需触发，无静默读取
无论是AI解析还是插件抓取，所有涉及读取用户数据的操作，都必须由用户主动点击触发。程序没有后台自动扫描、静默上传的逻辑，严格遵循隐私最小化原则。
四、技术架构与实现思路
4.1 整体分层架构
项目采用Python全栈轻量化架构，围绕「本地运行、隐私优先、AI可插拔」的核心目标设计，自上而下分为五层：
- 交互层：Streamlit Web界面 + Edge/Chrome浏览器扩展，分别承载本地任务管理与课程平台数据抓取能力
- 服务层：Uvicorn ASGI服务，同时提供页面渲染与插件HTTP通信接口
- 业务层：任务管理、状态流转、定时调度、数据统计等核心业务逻辑
- AI适配层：统一大模型调用接口，屏蔽不同厂商的接口差异，支持多模型自由切换
- 数据层：SQLite嵌入式本地数据库，全量数据本地化存储，无云端上传
4.2 核心技术栈与选型思考
| 技术组件 | 核心作用 | 选型理由 |
|---|---|---|
| Streamlit | Web交互界面搭建 | Python原生框架，无需前后端分离开发，适配小团队快速原型迭代，内置丰富的表单、表格、图表组件 |
| SQLite | 本地数据持久化 | 嵌入式单文件数据库，零安装、易迁移，完美匹配个人本地工具的定位，从底层保障数据隐私 |
| Uvicorn | 本地ASGI服务 | 轻量高性能，启动速度快、资源占用低，同时支撑页面访问与插件接口通信 |
| APScheduler | 后台定时任务调度 | Python生态成熟的定时任务框架，实现DDL到期巡检、提醒通知等功能 |
| Manifest V3 浏览器扩展 | 课程平台页面抓取 | 前端JS实现，按需触发页面读取，不破坏平台规则，隐私性更强 |
| 多模型抽象适配层 | 大模型能力接入 | 统一调用接口，兼容OpenAI、DeepSeek、通义千问、Claude等主流平台，降低用户使用门槛 |
4.3 关键机制实现原理
4.3.1 AI任务拆解工作流
AI任务拆解采用「结构化Prompt约束 + 结果校验 + 待确认队列」的方案：
- 用户输入文本或上传图片后，系统将内容与预设的结构化输出Prompt组合
- 通过统一适配层调用用户指定的大模型，要求输出固定格式的JSON结构，包含任务名、科目、截止时间、备注等字段
- 后端对返回结果做字段校验与格式清洗，校验通过后存入待确认队列
- 用户手动确认后，任务才正式写入主任务表
4.3.2 浏览器插件通信机制
浏览器扩展与本地程序通过本地HTTP接口实现数据交互：
- 用户在课程页面点击插件，插件通过JS提取页面DOM中的任务信息
- 插件向本地
127.0.0.1:8501发送POST请求，将解析后的任务数据提交给后端 - 后端接收数据后暂存到待核对区域，前端页面通过轮询展示待确认任务
- 全程仅在本地回路通信，数据不经过公网，保障速度与安全性
五、本地部署保姆级教程
5.1 环境准备
- 操作系统：Windows / macOS / Linux 均可
- Python版本：Python 3.11 及以上（推荐3.12）
- 浏览器：Edge / Chrome （用于安装扩展插件）
5.2 分步启动流程
-
解压项目文件
将项目压缩包解压到纯英文、无空格的目录下，避免中文路径导致运行报错。 -
创建并激活虚拟环境
在项目根目录打开命令行，执行以下命令：
# 创建虚拟环境
python -m venv .venv
# Windows 激活虚拟环境
.venv\Scripts\activate
激活成功后，命令行开头会出现 (.venv) 标识。
- 安装项目依赖
pip install -r requirements.txt -i [https://pypi.tuna.tsinghua.edu.cn/simple](https://pypi.tuna.tsinghua.edu.cn/simple)
- 启动项目服务
python run.py
启动成功后，终端会输出本地访问地址 [http://localhost:8501](http://localhost:8501)，在浏览器中打开即可进入学业管家界面。
- 可选：安装浏览器扩展
- 打开 Edge 浏览器，地址栏输入
edge://extensions/ - 开启右上角「开发人员模式」
- 点击「加载解压缩的扩展」，选择项目中的
browser_extension文件夹即可完成安装
5.3 常见问题排查
- 双击启动.bat报错：脚本写死了固定Python路径，与本地环境不匹配，直接使用上述手动启动方式即可。
- 依赖安装失败：检查Python版本是否符合要求，或更换国内pip镜像源重试。
- AI功能无法使用：需在「我的-模型设置」中配置对应平台的API Key，Key仅当前会话有效，重启程序后需重新填写。
六、总结与展望
6.1 项目优势总结
「学业管家」不是一款大而全的通用待办工具，而是精准切入大学生课程任务管理场景的垂直工具。它的核心优势可以概括为三点：
- 场景精准：围绕课程DDL做深度优化，插件抓取、AI拆解、学业分类都是直击学生痛点的功能
- 隐私友好：全本地运行、数据不落云、密钥不留存，完全消除了个人学习数据的泄露顾虑
- 轻量化易上手：单项目包即可运行，无需复杂部署；无AI也能正常使用，AI能力按需开启
6.2 不足与未来展望
当前版本仍有可扩展的空间：
- 目前仅支持单用户本地使用，暂不支持多端数据同步
- 浏览器扩展适配的课程平台数量有限，后续可扩展更多网课平台
- 提醒方式目前仅本地弹窗，可新增邮件、微信通知等提醒渠道
未来项目可在保障本地隐私的前提下，探索端侧同步、更多平台适配、移动端适配等方向，打造更完善的个人学业管理解决方案。
浙公网安备 33010602011771号