Lightstar

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

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

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

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

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