D-viva-assistant-agent
案例所證明的能力 把來源材料轉化為練習、反饋與複盤的階段化學習工作流
- Next.js
- TypeScript
- AI SDK v6
- SQLite / better-sqlite3
- Tailwind CSS
- Zod
- Vitest
- Electron
一個面向論文答辯準備的私有桌面 app。它把學生自己的論文轉成帶來源的練習題、評分與修訂任務，同時把論文文件與練習記錄留在本機。
項目概覽
角色 獨立開發者 — 產品設計、架構、數據庫層、LLM 整合、校驗與測試
場景
現有答辯準備工具要麼是通用閃卡，要麼每道題都要手打。真正的瓶頸是 grounding：AI 考官只有在問題能追溯到論文原文時才有用；判分只有在能引用所用證據時才可信。
產品策略
我做了一套私有桌面流程：論文先導入成 evidence blocks，練習題與評分都引用這些 blocks，低分回答進入複盤隊列。除非使用者主動選擇 provider，文件與歷史都留在本機。
評測
我在真實論文答辯準備中持續使用，檢查問題能否回到論文原文、反饋能否形成具體改進，以及薄弱回答能否進入可執行的複盤隊列。
成果與當前階段
已實裝本地優先論文答辯準備 app · 帶來源練習 · 隱私優先桌面使用
我的工作
- 論文 ingest 管線 — PDF / MD / TXT → 段落 evidence block，附導入質量報告；所有下游 AI 調用 grounded 到 ingest 輸出，不靠模型先驗
- AI 備考包生成 — 論文摘要、關鍵數字、方法問答、高壓問答、文獻卡；每條引用來源 evidence block，落庫前過校驗器
- 可編輯備考項、重新校驗、review queue，以及帶無 key 靜態 fallback 的 training plan 生成器
- 實時 AI 考官 — 從證據區塊中生成問題，從準確性、深度、語言、方法論和沉著度五個維度評估回答，並提供問題診斷、英文改寫和追問
- STT 練習閉環 — 錄音 → 轉寫（Browser Web Speech 或 Google Cloud STT）→ 判分；低分項進複盤修復板
- Provider-agnostic LLM 層 — AI SDK v6 generateObject + Zod 結構化判分；支持 Gemini / Claude / OpenAI；無 key 時優雅降級（練習和轉寫仍可用）
- Electron + electron-builder macOS 打包，形成私有、單一使用者的桌面 app
技術證據
- 本地優先數據模型：SQLite（better-sqlite3、WAL、FTS5）存論文、evidence block、備考包與練習記錄；DB 完全在本機
- 隱私設計：雲端 AI 是 opt-in 並明告「發什麼給誰」；API key 在 .env.local（gitignore）；日誌脫敏；錄音不同步
- Next.js App Router，DB 僅服務端（runtime=nodejs 邊界、globalThis 單例、serverExternalPackages for better-sqlite3）；AI 調用 env 解析後啟用
- 測試預設注入 MockLlmClient；真實模型調用由 RUN_LIVE_AI=1 開關控制，且只對公開樣本論文運行
讓每條生成都 grounded
導入的論文（PDF / Markdown / 純文本）被抽取成段落 evidence block，附質量報告。所有下游內容——摘要、關鍵數字、方法問答、高壓問答、文獻卡與 training plan——都綁定到 evidence block 並過落庫前校驗。judge 與 examiner 以綁定證據作為判定依據。
考官閉環
實時考官從 evidence block 出題，對回答做五維評分，附診斷、英文改寫與追問。可以打字或粘貼，也可以錄音——音頻被轉寫（Browser Web Speech 或 Google Cloud STT）並判分。低分項進入 review queue 與複盤修復板。
本地優先，雲端 AI opt-in
SQLite 庫、錄音與論文文件都留在本機。雲端 AI 是可選功能，有 provider key 時啟用，並會清楚預覽發送內容與接收方；本地模式仍可使用練習與轉寫。
已發布的是私有、單一使用者桌面 app。provider-agnostic LLM 層支持 Gemini、Claude 與 OpenAI；測試使用 mock client，受 gate 控制的 live checks 則只運行於公開樣本論文。