星火杯参赛小记：XDWe——驱动教学相长的AI智能学习助手

本篇文章使用时间顺序整理和撰写，大致就是比赛的流程。我们在几次答辩后根据新情况对代码进行优化，于是就有每次答辩之后紧跟着的改进和优化。我们项目的大致信息如下：

目前专项赛还在进行，本文会持续更新，记录我们参加星火杯的完整的过程。

前言：从一些想法开始

前段时间，学院发了关于星火杯的报名文件。上个学期就听说过星火杯，但没想到这学期刚开学就要提交作品，没有做什么事先准备。

3月8日晚点名结束后，我与一位同学在图书馆用“腾讯元器”做了一个 AI 问答服务，零代码平台开发这个并不难，但一个小时弄出作品还是给这位同学比较大的震撼。星火杯有支持提交零代码平台开发的智能体的赛道，我打算就这样交上去。

当天晚上，那位同学找我，我们和另外一位同学沟通一些想法，初步确定往“教-学-管-评”智能体方向去做，设计一个平台来服务教育教学。

智能体知识库本身其实就是一个 RAG 系统，我将此前做 RAG 的代码基本照搬过来，大致用 flask + langchain 做了一个后端出来。姚焱夫同学负责前端，此前他并没有接触过前端的开发，现用现学，很快就了解了前端项目的文件结构、代码逻辑，非常厉害。孟子钦同学将我们聚到一起，对一些想法进行了完善。

设计与开发

通过我们的观察，大学的课堂教学过程中存在一些问题，例如：

针对这些问题，我们用我们的项目给出解决方案：

• 提供大模型问答功能，回答问题
• 教师可以针对学生提出的问题给出权威回答，完成知识沉淀
• 知识库可以添加文档、资料，充分利用教学材料
• 使用大模型对学生的学习情况进行总结，方便老师分析

这是关于系统问答与知识库功能的流程动图：学生向学习助手提出问题，学习助手在知识库中检索相关资料附在问题后交给大模型，大模型回答学生；教师可以在管理后台看到学生提出的问题并给出权威答案，权威答案沉淀到知识库中，下一次有学生提出类似的问题，大模型将被要求根据权威答案生成回答。

这是关于系统架构的动图：前端用 Vue 进行开发，后端由 Python Flask 提供服务，使用 Qwen 开源模型。

以上两张动图都是用 manim 制作的，截取自我们的项目介绍视频。PPT 的模板来自人智院的刘卓东学长。由于视频文件比较大，内容就是这两个动图加上功能的演示，所以介绍视频的链接附在本文的附录。

结合我与 Gemini、ChatGPT的对话记录，总结在开发过程中遇到的问题。

环境依赖问题
这个问题我愿意给到“夯爆了”，配环境的时候基本都会出现各种各样的依赖问题，要么是 Python 版本太低或者太高了，要么是langchain_community的版本跟其他依赖不匹配……langchain两个大版本的接口有很大的差异。每次遇到这种问题问 ai 折腾一两个小时估计都折腾不好，用一下搜索引擎很快就解决了。

在与 ChatGPT 沟通的过程中，遇到开发中最麻烦的两个模块create_retrieval_chain和create_stuff_documents_chain。根据我们 ChatGPT 同学之前的回答，它应该是知道由langchain_classic这个包的，但不知道为什么它在这及之后就忘记这两个模块被移到langchain_classic里面去了。我也是头脑不清醒，跟着它折腾半天，最后不得不找谷歌看看。（其实谷歌应该是第一选项才对，但是我懒，喜欢让 ai 直接给答案）

我在谷歌上搜索了一下这个导入语句，马上就找到了 python – Using create_retrieval_chain due to RetrievalQA deprecation – Stack Overflow 这个帖子，将langchain改成langchain_classic，问题就这样解决了。

在与 Gemini 谈话的过程中，估计是训练数据过时了或者没有搜索到合适的资料，它反复提醒我：“导包错误：LangChain 较新版本中，记忆和链模块应从langchain.memory和langchain.chains导入，而不是langchain_classic。”还好我自己知道，没在同一个地方摔倒第二次。

在开发的过程中也遇到过依赖地狱，不过折腾几次全部使用新版本就解决了。

Prompt拼接问题
这个问题也挺搞心态，没找到什么比较好的解决方案，后面用曲线救国的方式解决了。属于是治本不行就治标吧。

if '<|im_end|>' in token or '<|im_start|>' in token:
  token = token.replace('<|im_end|>', '').replace('<|im_start|>', '')
  if not token.strip():
    continue

if '<|im_end|>' in token or '<|im_start|>' in token:
  token = token.replace('<|im_end|>', '').replace('<|im_start|>', '')
  if not token.strip():
    continue

我在后端开发好之后让 ai 写了一份接口文档，供负责前端的姚同学阅读。原本以为 git 和前后端协作这方面会出现一些问题，结果并没有我想的那样困难。在帮忙装后端环境的时候出现了一个问题，关于 cuda 的问题：

我在装 pytorch 的时候，Gemini 给的命令pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cu128能用，而cu129的预编译包却找不到。没办法，只好让同学降级，后面我在代码里也适配了没有 cuda 的环境。

答辩之前，代码之外，团队协作的过程中出现一些小插曲，经过沟通顺利解决。团队的负责人需要跟进比赛的时间点，熟悉项目并协调准备好材料，带领团队推进。

准备答辩时将材料交给皓子学长过目，大佬给了一些诸如突出显示关键词之类的建议。

主体赛初赛

答辩出现的问题

3 月 26 日晚上，我参加了网安密码学部的院级答辩。将答辩的录音转文字进行分析，结合答辩时的一些主观感受，发现答辩中暴露的一些问题：

• 答辩的时候超时了，后面关于项目优势和未来展望的部分没讲到。
• 问辩的时候展现项目的必要性还不够，相对于通用大模型的不可替代性没讲清楚。
• 产品对于老师留言提醒的功能做得还不够完善，例如：如果多个学生针对同一问题给老师留言，老师会收到多个邮件。

差不多要 29 日学院里统计分数后才会出结果，这段时间可以对提出的不完善的功能进行一下优化。如果被推荐到学校里，完善完善，校赛再战。

与浦彦松学长交流了一下答辩的事情，学长给了一些建议：

• 不要列技术架构，关于技术的设计和改进可以提，但是要有数据、对比。
• 答辩不需要讲解技术，讲创新点，细节就说后续会优化。
• 背景只需要一两页。
• 不要有长段文字，图片的视觉冲击力好过红色标记。
• PPT 很重要。

针对问题进行的一些优化

让 ai 完善了一下留言邮件提醒的逻辑，学生提交留言提醒之后会先在最近 24 小时的留言里匹配相似度，如果发现有相似度高于 0.85 的留言，则不会给老师发送邮件通知。

在我们完善代码的时候微信发来消息，我们的项目没有被推荐到校赛，这次主体赛我们到这里就结束了。我们队伍里面讨论了一下，决定将这个项目做完。“无论还有没有机会，无论结没结束，咱们都尽量把这个项目完成。不管成没成功，都是自己做的一个项目。”

我们梳理了尚未完成的工作，大致分成三个部分：

• 项目 README 的实现效果部分目前缺省，没有直观的展现
• 资料库内容还不够丰富，有待充实后发布版本
• 暂时还没有对于 RAG 投毒的防御措施

假如LLM无限上下文了，RAG还有意义吗？ 这篇回答给我提供了一个可能的优化方向，即“主动RAG，让模型自己决定查什么”。

原先的问答代码是这样的，用户提问→系统检索→模型生成，整个生成过程只检索一次知识库，属于是一个比较普通的 RAG 流程。以下是关于这一流程的生动的图片，图片中红色的内容为投毒内容，暂时不考虑这一点。

我让 Gemini 根据主动检索的概念对代码进行修改，修改后的 ai 可以自己决定要不要检索知识库，如果是寒暄之类的提问可以直接回答，跳过检索步骤。可以进一步对代码进行优化，让 AI 自己决定检索词。

关于抗投毒，TrustRAG: Enhancing Robustness and Trustworthiness in RAG(arXiv:2501.00879) 提供了一种可行的方法，主要通过 k-均值聚类和大模型自评估来过滤恶意投毒文档。因为懒，目前文档数量比较少，没有什么过滤的必要。

项目 README 的实现效果需要实际应用之后才能拿到数据，不方便摆太多的数字。

3 月 29 日晚上，在推完主动检索的修改之后，将新生成的向量知识库上传到 GitHub，发了一个版本。目前的开发任务差不多就完成了。

3 月 29 日中午，就在我们知道我们这个项目没有被推荐到学校过后不久，学部把选拔赛的获奖名单发出来了，我们项目获得选拔赛的一等奖。到此，主体赛算是“有始有终”。

至此，可以跟主体赛说拜拜了。

智能体专项赛

初赛答辩

清明节时，我与姚焱夫同学在原有的基础上准备专项赛初赛答辩的PPT。专项赛答辩的时间比主体赛还短，只有3分钟时间，问辩时间也只有2分钟，这对我们来说是一个挑战。吸取之前主体赛答辩背景讲太多的教训，我们将四个方面的背景整合到一页。我们参加的是“教-学-管-评”智能体开发挑战专项赛，将这四个方面一起展示感觉更有冲击力。同时，我们避免出现大段的文字，只留关键词，然后用我自己的审美稍微排版了一下，感觉还行？PPT后面的创新之处也使用这样的排版。

4 月 9 日晚上，我与姚焱夫同学准备次日早上的专项赛初赛答辩。我们又一次咨询了皓子学长。大佬给了我们很多建议，比如“可以吹自己已经部署使用了一段时间，请了多少个老师同学试用，评分均分多少分”“未来展望，直接落地得了，引入多模态大模型，这种用绘图技术结合下多好”等等。我们对创新之处作了一些修改。

次日早上，姚同学前去答辩。姚同学不愧是大佬，结构清晰，回答自信。

功能的改进

4 月 9 日，我们看了一下我们的那些展望。姚同学想着用 opencode 把多模态实现了，结果 Deepseek 把代码实现之后，发现它把后端登录、注册的路由给删了。我让同学好好骂一骂 ai。

这次专项赛立了这些 flag，如果进校赛的话要在比赛之前做好。

• 多模态问答
• 知识库自动管理（Python爬虫）
• 基于 TrustRAG 的抗投毒机制
• 更智能的 Agent 功能
• 预留对接学校的系统
• 使用 Java Spring AI 作为后端架构，贴合实际部署的情况

图文问答（多模态问答）

关于多模态部分，我和姚焱夫同学弄了几次没弄好，opencv和ocr好像都差点意思，大模型已读乱回。

我们打算使用Qwen/Qwen2-VL-2B-Instruct来实现多模态功能，但在回答含文字的内容时效果还是不怎么好。根据 如何使用Qwen3.6模型实现视觉理解 这篇文档的介绍，我打算使用Qwen/Qwen3-VL-2B-Instruct试试，速度快，又具备文档解析、复杂题目解答的能力。我先对原本的后端代码进行一些拆分，给500行的代码瘦瘦身。

在独立出数据模型时出现了问题。后端使用SQLAlchemy创建数据模型，我将数据模型独立到一个models.py文件中，如下：

import os
from dotenv import load_dotenv
load_dotenv()
from datetime import datetime
import flask
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin

app = flask.Flask(__name__)
app.config.update(
    SQLALCHEMY_DATABASE_URI=os.getenv('DATABASE_URL'),
    SQLALCHEMY_TRACK_MODIFICATIONS=False,
)

db = SQLAlchemy(app)

class User(UserMixin, db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(20), unique=True, nullable=False)
    ...

class Question(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

class Message(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

import os
from dotenv import load_dotenv
load_dotenv()
from datetime import datetime
import flask
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin

app = flask.Flask(__name__)
app.config.update(
    SQLALCHEMY_DATABASE_URI=os.getenv('DATABASE_URL'),
    SQLALCHEMY_TRACK_MODIFICATIONS=False,
)

db = SQLAlchemy(app)

class User(UserMixin, db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(20), unique=True, nullable=False)
    ...

class Question(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

class Message(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

然后在main.py中将原本的数据模型替换为from modules.models import User, Question, Message，发现失败。后面将上面代码中的db改成从main.py导入，出现循环导入的错误。Gemini推荐使用工厂模式来解决这个问题。但我懒，把数据模型又给搬回去了，没用这个。

from transformers import AutoProcessor, AutoModelForVision2Seq

model_name = "Qwen/Qwen3-VL-2B-Instruct" 

self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.llm = AutoModelForVision2Seq.from_pretrained(
  model_name,
  torch_dtype=self.dtype,
  device_map="auto" if self.device == "cuda" else None,
  trust_remote_code=True
)

from transformers import AutoProcessor, AutoModelForVision2Seq

model_name = "Qwen/Qwen3-VL-2B-Instruct" 

self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.llm = AutoModelForVision2Seq.from_pretrained(
  model_name,
  torch_dtype=self.dtype,
  device_map="auto" if self.device == "cuda" else None,
  trust_remote_code=True
)

在导入过程中发现我的transformers库没有AutoModelForVision2Seq，搜索之后发现 ImportError: cannot import name ‘AutoModelForVision2Seq’ from ‘transformers’ · Issue #8200 · modelscope/ms-swift 这位与我遇到了同样的问题，也是在用这个模型时发现无法导入。将transformers调整为4.57.6就解决了。

使用了Qwen3之后，模型就能够读懂图片了。

知识库自动管理（爬虫）

以上是我用Mermaid画的一个大致的流程，经过确认这也是姚焱夫同学想要的效果：我们设定一些网址，脚本爬取这些网址的网页内容，经过大模型以及一些人工设定的规则清洗后变成干净的markdown文档，存在知识库文件夹中。

RAG知识库搭建-文档预处理-数据清洗：基于异步的AI文本批处理系统实践-腾讯云开发者社区 这篇文章提供了一个可以借鉴的system prompt。基于此，我们设定知识库负责清洗的llm的system prompt。

因为初赛的结果一直没出来，所以这些功能的改进就搁置了。

5月6日弄这个工作流的时候发现让llm清洗有些太麻烦了，Gemini给出了一个依赖 trafilatura 库的方案，比llm快多了，代码量小，清洗得还挺干净。

import trafilatura

url = "https://www.xiaozonglin.cn/spark-bei-participate-small-ji/"
downloaded = trafilatura.fetch_url(url)

markdown_content = trafilatura.extract(downloaded, output_format='markdown', include_tables=True, include_links=True)

print(markdown_content)

import trafilatura

url = "https://www.xiaozonglin.cn/spark-bei-participate-small-ji/"
downloaded = trafilatura.fetch_url(url)

markdown_content = trafilatura.extract(downloaded, output_format='markdown', include_tables=True, include_links=True)

print(markdown_content)

专项赛入围校赛

4 月 30 日，等了许久的专项赛初赛结果终于出来了。意料之中，进校赛了。看来需要把这个东西再完善完善。

阿里面试官冷笑：”5000 份文档扔进去就算建好知识库了？难怪你的 RAG 答非所问。” 我无言以对… 这篇文章给了 RAG 系统里面的一些坑点以及对应的解决方案，从文章的评论区了解到可以用 MinerU 之类的工具对文档进行解析，以及不推荐使用固定 token 数量进行划分。（最近微信公众号经常给我推一些关于 AI 和 RAG 的文章，要做的东西越来越多）
又刷到 MarkItDown：微软开源的文档转 Markdown 工具及其在 LLM 时代的应用 – 知乎 这篇文章，貌似可以使用MarkItDown来构建我们的知识库工作流。

尝试使用MarkItDown来解析微信公众号文章里的图片，代码如下：

import requests
from markitdown import MarkItDown
from bs4 import BeautifulSoup
import os
from typing import List, Tuple
import urllib.parse
# from openai import OpenAI 

def wechat_article_to_markdown_with_ocr(article_url: str, image_dir: str = "./wechat_images", use_llm: bool = False) -> str:
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
    }
    if use_llm:
        # client = OpenAI(api_key="YOUR_API_KEY")
        # md = MarkItDown(llm_client=client, llm_model="gpt-4o")
        md = MarkItDown()
    else:
        md = MarkItDown(enable_plugins=True)
    try:
        response = requests.get(article_url, headers=headers, timeout=10)
        response.raise_for_status()
        response.encoding = 'utf-8'
        soup = BeautifulSoup(response.text, 'html.parser')
    except Exception as e:
        return f"Error fetching article: {e}"
    content_div = soup.find(id='js_content')
    img_tags = content_div.find_all('img') if content_div else soup.find_all('img')
    os.makedirs(image_dir, exist_ok=True)
    final_markdown_parts = []
    for idx, img in enumerate(img_tags):
        img_url = img.get('data-src') or img.get('src')
        if not img_url or 'data:image' in img_url:
            continue
        img_url = urllib.parse.urljoin(article_url, img_url).strip()
        try:
            img_res = requests.get(img_url, headers=headers, timeout=15)
            img_res.raise_for_status()
            ext = ".jpg"
            ctype = img_res.headers.get('content-type', '')
            if 'png' in ctype: ext = ".png"
            elif 'webp' in ctype: ext = ".webp"
            
            file_name = f"image_{idx+1}{ext}"
            local_path = os.path.join(image_dir, file_name)
            
            with open(local_path, 'wb') as f:
                f.write(img_res.content)
            abs_local_path = os.path.abspath(local_path)
            result = md.convert(abs_local_path)
            ocr_text = result.markdown.strip()
            image_md_block = f"### 图片 {idx+1} 内容解析\n\n"
            if ocr_text:
                image_md_block += ocr_text
            else:
                image_md_block += f"![图片_{idx+1}]({local_path})"
            
            final_markdown_parts.append(image_md_block)
            print(f"已处理图片 {idx+1}: {file_name}")

        except Exception as e:
            print(f"处理图片 {idx+1} 失败: {e}")

    return "\n\n---\n\n".join(final_markdown_parts)

if __name__ == "__main__":
    url = "https://mp.weixin.qq.com/s/xxx"
    md_output = wechat_article_to_markdown_with_ocr(url, use_llm=False)
    with open("parsed_article.md", "w", encoding="utf-8") as f:
        f.write(md_output)
    print("解析完成！")

import requests
from markitdown import MarkItDown
from bs4 import BeautifulSoup
import os
from typing import List, Tuple
import urllib.parse
# from openai import OpenAI 

def wechat_article_to_markdown_with_ocr(article_url: str, image_dir: str = "./wechat_images", use_llm: bool = False) -> str:
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
    }
    if use_llm:
        # client = OpenAI(api_key="YOUR_API_KEY")
        # md = MarkItDown(llm_client=client, llm_model="gpt-4o")
        md = MarkItDown()
    else:
        md = MarkItDown(enable_plugins=True)
    try:
        response = requests.get(article_url, headers=headers, timeout=10)
        response.raise_for_status()
        response.encoding = 'utf-8'
        soup = BeautifulSoup(response.text, 'html.parser')
    except Exception as e:
        return f"Error fetching article: {e}"
    content_div = soup.find(id='js_content')
    img_tags = content_div.find_all('img') if content_div else soup.find_all('img')
    os.makedirs(image_dir, exist_ok=True)
    final_markdown_parts = []
    for idx, img in enumerate(img_tags):
        img_url = img.get('data-src') or img.get('src')
        if not img_url or 'data:image' in img_url:
            continue
        img_url = urllib.parse.urljoin(article_url, img_url).strip()
        try:
            img_res = requests.get(img_url, headers=headers, timeout=15)
            img_res.raise_for_status()
            ext = ".jpg"
            ctype = img_res.headers.get('content-type', '')
            if 'png' in ctype: ext = ".png"
            elif 'webp' in ctype: ext = ".webp"
            
            file_name = f"image_{idx+1}{ext}"
            local_path = os.path.join(image_dir, file_name)
            
            with open(local_path, 'wb') as f:
                f.write(img_res.content)
            abs_local_path = os.path.abspath(local_path)
            result = md.convert(abs_local_path)
            ocr_text = result.markdown.strip()
            image_md_block = f"### 图片 {idx+1} 内容解析\n\n"
            if ocr_text:
                image_md_block += ocr_text
            else:
                image_md_block += f"![图片_{idx+1}]({local_path})"
            
            final_markdown_parts.append(image_md_block)
            print(f"已处理图片 {idx+1}: {file_name}")

        except Exception as e:
            print(f"处理图片 {idx+1} 失败: {e}")

    return "\n\n---\n\n".join(final_markdown_parts)

if __name__ == "__main__":
    url = "https://mp.weixin.qq.com/s/xxx"
    md_output = wechat_article_to_markdown_with_ocr(url, use_llm=False)
    with open("parsed_article.md", "w", encoding="utf-8") as f:
        f.write(md_output)
    print("解析完成！")

在没有使用llm的情况下都回退成了![1](./wechat_images\1.jpg)这样的形式，但我又不太像再折腾llm的代码，于是尝试安装一个MinerU引擎看看。感觉效果也不太好。

所以对于图片目前来说没有什么特别好的办法，其实让Qwen模型直接来解读图片也行，但时间和计算上的成本都挺大。

对于 Word 和 pdf 文件，微软的这个MarkItDown已经很好用的，我用我们学校的一位学姐在GitHub上传的物联网作业进行了识别，发现很多信息都保留了，并且文件的结构很清晰。

在弄好pdf、word、html转为markdown的工作流之后，我发现AI又把知识库建立索引的代码给删了，现在出现这种事要燃尽了。

项目的代码随着一版一版的迭代，已经变成一座屎山了，现在直接往上面做优化有种屎上雕花的感觉。自己也有种感觉，代码写得厉害还不如在 PPT 中美言几句。哎，后面抽时间再系统看看 Deeptoai RAG 的教程。前几天试着用了一下 Claude Code + Deepseek v4 flash，费用感觉还可以，AI 还会主动问我问题明确细节，接下来可以让 AI 完善一下。然后可以使用 forrestchang/andrej-karpathy-skills 让 AI 贡献代码规范一点。

现在用Claude Code修一下后端的屎山，主要把flask的路由和ai的逻辑解耦合，把代码当中的冗余去掉，以及弄一份ai能读懂的后端代码文档。先用init命令创建了一个CLAUDE.md，然后把上面的andrej-karpathy-skills复制到里面，最后让Deepseek v4修一下屎山。

文章评论区的一位大佬（说是老乡）提供了另一个优化的角度，安全方面需要考虑一下防提示词注入。

对于提示词注入攻击，Protect Against Prompt Injection | IBM 这篇文章给出了三个思路：规范用户输入，检测模型输出，以及改善系统的提示词。我想我可以在将用户输入的提示词传给ai前先进行检测，如果有恶意，就拒绝回答。目前有PromptGuard这个库可以用。但试用了一下之后发现这个库主要是用来检查角色操纵之类的。下面是我试验的一些情况（仅仅使用这个库，没有引入AI）。

从上面这些测试可以看出，这个库对提示词攻击的覆盖面有些窄了，感觉像是用规则写出来的。看了这个库的代码，的确如此。也没有Gemini说的那样神乎其神，但对于一部分情况够用。

校决赛前最后的改进

目前决赛的通知还没有发下来。大创的比赛也要来了，我们基本要被这个项目整得筋疲力尽，代码本身基本做不了什么太多的优化了，目前还有这些东西可以做：

• 收集一下pdf、word、网页资料这些，然后用代码仓库里面的document_workflow的代码将其转为markdown，丰富一下知识库
• 补充ppt的材料

姚焱夫：
You can just build things.

Hi，这里是XDwe团队姚焱夫。作为我第一个真正意义上的项目，我感觉这次体验很棒。

作为非cs专业学生，其实我对编程方面并不算特别熟悉，不管是编程基础还是工作流程熟练度都没办法和宗林相比。小到Git，终端的使用和开发环境的搭建，大到前端开发，vibe coding的使用，还有项目的协作，我学习到的东西真的很多很多。以前作为兴趣浅尝辄止的东西，在这次实践过程中真的深入了很多。虽然学的是电子信息，但其实我一直是对计科、人智和具身这些方面更感兴趣，所以当其他人都在学习单片机，如火如荼准备电赛的时候，我毅然决然地放弃了之前参加电赛的想法，转而学习自己感兴趣的内容。不仅把竞赛方向换到了更喜欢的Robomaster，也有了参加科研的想法。

这次比赛便是我学习cs的一个初尝。放弃了电院和物理院的比赛，我转而和网信院的同学组队，开发了这个ai问答平台。我能明显的感受到，在这个项目过程中，我是深度沉浸，高度投入的。最开始的时候恨不得把每天的时间都投到项目里面。当然，这期间我的开发能力也得到了飞快的增长，我开始越来越像一个真正的开发者。

想法的构建和具体的实施，都是我们团队经过商讨之后共同完成的，这种协作的工作方式不仅能最大化每个人的能力，大大提高项目的实现效率，而且对以后的工作裨益无穷。我一直相信卓越不是一蹴而就，所以我一开始就告诉自己，不要太看重成绩，注重学习的过程。虽然主体赛道没能进入校赛，但是我们优化过的项目在专项赛道貌似得到了很高的评价。事实证明，如果你认真去做了，就算结果不一定如你所愿，但也一定不会差到哪儿去。

技术之外，我还学到了很多。比如之前一直不怎么重视ppt的重要性……但事实是，ppt就是评委了解项目的唯一渠道，不仅要要重视它，甚至还得弄得夸张点……再比如这次的专项赛答辩。因为我其实是一个非常outgoing的人，所以我一直相信自己肯定能做到，也没给自己太大压力。答辩前一天认真准备了一下，第二天轻装上阵，做了一次还算不错的答辩。

所以，你真的不能吗？你真的不行吗？
未必。

无论是电信科转战cs的决定，还是项目的每一个实现，都在告诉我

You can just build things.

给自己一点压力，给自己一点信心，然后JUST DO IT.

感谢：特别感谢宗林在技术方面对我的帮助~宗林是一个技术栈十分全面的大佬，工作认真负责，是一个特别优秀的队友。
特别感谢子钦对项目在构思，改进和设计方面的贡献~虽然子钦在项目中期因为身体原因产生过退出的想法，但是后来还是坚持下来了，这让我很感动。正如我所秉持的观念，Every one matters.一个人都不能少。
特别感谢我自己，你从不缺乏勇气和自信，Keep going！

致谢与附录

致谢

感谢负责进行前端开发工作的姚焱夫同学、负责协调与 UI 图标设计工作的孟子钦同学、给我们提供宝贵建议的皓子大佬和浦彦松学长与提供 PPT 的刘卓东学长。与此同时，我在大创课题组所做的工作在本次比赛开发 AI 应用过程中给我提供帮助，感谢苗教授和负责指导我们的张博士师兄。

附录

1. 项目代码仓库：Xiaozonglin/shallowseek: Teacher-Augmented AI Learning System for Xidian University
2. 项目展示视频：XDWe manim展示视频代码 XDWe项目介绍视频
3. 大佬推荐的 PPT 设计视频：
   PPT遇上大段文字，这样排版更清晰！_哔哩哔哩
   大段文字并且很多要点，要怎么排版呢？这个视频就教会你！_哔哩哔哩