# 文献启明星（LightStar）- 科研调研智能体系统 ## 项目简介 **文献启明星**是一款面向科研初学者的 AI 智能体系统，致力于帮助用户从模糊的研究意图出发，自动完成科研调研的核心流程，包括：主题拆解、文献检索、文献聚类、结构总结、代表文献推荐与调研报告生成。 用户仅需输入一句话，即可获得一份结构化的初步调研成果，用于选题、开题、综述写作或项目申报。本项目采用前后端分离架构，支持多端适配（Web、移动、桌面），为不同场景下的科研人员提供便捷服务。 ## 技术架构 ### 后端 (Backend) - **框架**: FastAPI - **语言**: Python 3.9+ - **核心依赖**: - arxiv API (文献检索) - sentence-transformers (文本向量化) - scikit-learn (聚类分析) ### 前端 (Frontend) - **框架**: Next.js 15 - **UI构建**: Tailwind CSS 3 - **动画效果**: Framer Motion - **特色功能**: - 响应式设计，适配不同设备 - 多主题切换系统 (深邃宇宙、高级深海、现代科技、精致夜光) - 玻璃态UI设计 (Glassmorphism) ## 项目结构 ```bash lightstar/ ├── backend/ # FastAPI后端服务 │ ├── main.py # 主入口 │ ├── config.py # 配置文件 │ ├── api/ # API路由 │ ├── core/ # 核心业务逻辑 │ │ ├── research.py # 研究流程 │ │ ├── clustering.py # 聚类算法 │ │ └── report.py # 报告生成 │ └── utils/ # 工具函数 │ └── lightstar-web/ # Next.js前端应用 ├── src/ │ ├── app/ # 页面 │ ├── components/ # UI组件 │ │ ├── ui/ # 基础UI组件 │ │ └── forms/ # 表单组件 │ └── lib/ # 工具函数 └── public/ # 静态资源 ``` ## 使用说明 ### 后端服务启动 ```bash cd backend pip install -r requirements.txt python main.py ``` 后端服务将在 http://localhost:8000 启动 ### 前端应用启动 ```bash cd lightstar-web npm install npm run dev ``` 前端应用将在 http://localhost:3000 启动 ## 功能特点 - 智能研究主题解析 - 自动文献检索与分析 - 文献聚类与可视化 - 研究报告自动生成 - 多主题UI，提供舒适的视觉体验 - 响应式设计，支持各类设备 --- ## 二、目标用户 - 初入科研的硕士/博士研究生 - 缺乏调研经验的年轻教师或科研助理 - 对某一新领域感兴趣的项目开发人员 - 需要在多种设备上进行科研调研的研究人员 --- ## 三、核心价值 | 用户痛点 | 文献启明星的解决方案 | |----------|----------------------| | 不会选题、不知从哪开始 | AI 拆解主题，提炼研究方向 | | 不会查文献，效率低 | 自动调用开放数据库进行检索 | | 无法判断文献质量 | 提供引用数、摘要、推荐标记 | | 看完文献却写不出综述 | 聚类归纳 + 自动报告生成 | | 时间紧、任务重、无从下手 | 一站式完成调研闭环 | | 需要随时随地进行研究 | 多端适配，支持Web/移动/桌面 | --- ## 四、功能流程图 ```text 用户输入研究意图 ↓ AI 拆解关键词与子主题 ↓ 调用文献 API 自动检索（arXiv / Semantic Scholar） ↓ 聚类文献主题，归纳关键词与研究路线 ↓ 推荐经典/综述文献（摘要 + 链接） ↓ 输出结构化调研报告草稿（可导出） ``` --- ## 五、核心功能模块 | 模块 | 功能描述 | |------|----------| | 主题解析模块 | 拆分研究意图，生成关键词树与子问题列表 | | 文献检索模块 | 接入开放 API，按主题获取高质量文献元数据 | | 文献聚类模块 | 使用向量聚类，分析研究方向脉络与热点 | | 推荐与标注模块 | 推荐高引用文献与综述，添加标签与摘要 | | 报告生成模块 | 调用大模型生成调研报告初稿（1000~1500字） | | 可视化模块 | 关键词云、主题聚类图、研究路线图等 | --- ## 六、技术架构（前后端分离多端适配） ### 后端架构 - **FastAPI**：高性能API框架，提供核心功能接口 - **Python 3.9+**：后端开发语言 - **Pydantic**：数据验证和序列化 - **SQLAlchemy**：数据持久化（可选） - **文献API集成**：arXiv/Semantic Scholar/Crossref - **大模型调用**：DeepSeek/其他大语言模型 - **文本向量化**：sentence-transformers + 向量索引 ### 前端架构 - **Web端**：React/Next.js 构建SPA应用 - **移动端**：React Native/Flutter 实现跨平台移动应用 - **桌面端**：Electron 打包桌面应用 - **统一状态管理**：确保各端数据一致性 - **离线功能支持**：本地缓存和同步机制 --- ## 七、项目结构 lightstar/ ├── backend/ # 后端API服务 │ ├── main.py # FastAPI入口 │ ├── config.py # 配置文件 │ ├── api/ # API路由 │ ├── core/ # 核心业务逻辑 │ └── utils/ # 工具函数 │ ├── frontend/ # 前端应用 │ ├── web/ # Web应用 │ ├── mobile/ # 移动应用 │ └── desktop/ # 桌面应用 │ └── README.md # 项目说明文档 --- ## 八、用户交互示例 **输入：** 我想研究碳中和背景下的氢能运输方式 **输出：** - 拆解主题为：碳中和 / 氢能 / 储运 / 能效 - 聚类出三类主流方向：液氢技术、固态储运、长距离管网 - 推荐 6 篇代表性论文（含摘要与链接） - 输出一篇可编辑的调研报告草稿 --- ## 九、项目落地优势 - **多端适配**：适用于实验室、课堂、移动场景等多种使用环境 - **独立开发可行**：模块化设计，便于分阶段实现 - **前后端分离**：便于团队协作和功能扩展 - **API驱动设计**：为未来的第三方集成提供基础 - **无复杂训练需求**：依赖现有开源模型和API，降低部署门槛 - **实际需求驱动**：直接解决科研人员的真实痛点 --- ## 十、后续可拓展方向 - **账户系统**：跨设备同步研究历史和成果 - **协作功能**：支持多人协同进行文献调研 - **智能推荐**：基于用户历史研究兴趣推荐相关主题 - **知识图谱**：构建研究领域知识网络 - **插件生态**：与Zotero、Notion等工具集成 - **多语言支持**：扩展至更多科研语言环境 - **离线模式**：支持无网络环境下基本功能使用 --- ## 十一、开发路线图 ### 第一阶段：后端核心功能 - 实现基础API架构 - 完成关键词提取模块 - 集成文献检索API - 实现基础聚类算法 - 开发报告生成功能 ### 第二阶段：Web端开发 - 构建Web界面 - 实现交互功能 - 完成可视化组件 - 用户数据管理 ### 第三阶段：移动与桌面适配 - 开发移动应用 - 构建桌面客户端 - 实现多端数据同步 - 支持离线功能 --- ## 十二、技术依赖 | 依赖类型 | 主要技术 | |---------|---------| | 后端框架 | FastAPI, SQLAlchemy | | 前端技术 | React/Next.js, React Native/Flutter, Electron | | AI模型 | DeepSeek, Sentence-Transformers | | 外部API | arXiv, Semantic Scholar, Crossref | | 数据处理 | Pandas, FAISS, Scikit-learn | | 可视化 | Plotly, D3.js |