D-viva-assistant-agent

全部作品

项目概览

角色独立开发者 — 产品设计、架构、数据库层、LLM 整合、校验与测试

场景

现有答辩准备工具要么是通用闪卡，要么每道题都要手打。真正的瓶颈是 grounding：AI 考官只有在问题能追溯到论文原文时才有用；判分只有在能引用所用证据时才可信。

产品策略

我做了一套私有桌面流程：论文先导入成 evidence blocks，练习题与评分都引用这些 blocks，低分回答进入复盘队列。除非用户主动选择 provider，文件与历史都留在本机。

评测

我在真实论文答辩准备中持续使用，检查问题能否回到论文原文、反馈能否形成具体改进，以及薄弱回答能否进入可执行的复盘队列。

成果与当前阶段

已完成本地优先论文答辩准备 app · 带来源练习 · 隐私优先桌面使用

我的工作

论文 ingest 管线 — PDF / MD / TXT → 段落 evidence block，附导入质量报告；所有下游 AI 调用 grounded 到 ingest 输出，不靠模型先验
AI 备考包生成 — 论文摘要、关键数字、方法问答、高压问答、文献卡；每条引用来源 evidence block，落库前过校验器
可编辑备考项、重新校验、review queue，以及带无 key 静态 fallback 的 training plan 生成器
实时 AI 考官 — 从证据块中生成问题，从准确性、深度、语言、方法论和沉着度五个维度评估回答，并提供问题诊断、英文改写和追问
STT 练习闭环 — 录音 → 转写（Browser Web Speech 或 Google Cloud STT）→ 判分；低分项进复盘修复板
Provider-agnostic LLM 层 — AI SDK v6 generateObject + Zod 结构化判分；支持 Gemini / Claude / OpenAI；无 key 时优雅降级（练习和转写仍可用）
Electron + electron-builder macOS 打包，形成私有、单用户的桌面 app

技术证据

本地优先数据模型：SQLite（better-sqlite3、WAL、FTS5）存论文、evidence block、备考包与练习记录；DB 完全在本机
隐私设计：云端 AI 是 opt-in 并明告「发什么给谁」；API key 在 .env.local（gitignore）；日志脱敏；录音不同步
Next.js App Router，DB 仅服务端（runtime=nodejs 边界、globalThis 单例、serverExternalPackages for better-sqlite3）；AI 调用 env 解析后启用
测试默认注入 MockLlmClient；真实模型调用由 RUN_LIVE_AI=1 开关控制，且只对公开样本论文运行

让每条生成都 grounded

导入的论文（PDF / Markdown / 纯文本）被抽取成段落 evidence block，附质量报告。所有下游内容——摘要、关键数字、方法问答、高压问答、文献卡与 training plan——都绑定到 evidence block 并过落库前校验。judge 与 examiner 以绑定证据作为判定依据。