01 / BACKGROUND
题目背景
课程资料分散在课件与讲义中,学生重复提问相同概念。
放在人工智能专业的毕业设计里,这个题目属于“自然语言处理”方向。把课程课件切分入库,检索相关片段后交由大模型作答,并在回答中标注来源章节与页码。
它的价值不在于功能数量,而在于能否把一个问题定义清楚:需要什么数据或条件、用什么方法处理、结果怎样验证。开题前先把这三件事写成一句话。
02 / DELIVERABLES
要做出的成果
最终应交付:问答服务、课程知识库、评测集、论文。其中可演示、可复核的部分建议按下面四项准备:
- 文档解析:说明其输入、处理与输出。
- 向量检索:保留关键过程的数据或记录。
- 答案生成:覆盖正常情况与边界条件。
- 来源标注:整理可复核的结果与说明。
答辩前至少准备一套离线可用的演示材料,避免现场网络、设备或账号问题影响展示。
03 / ROUTE
技术路线与模块
技术栈以 Python、LangChain、BGE-M3、Milvus、FastAPI 为主。建议按“条件确认 → 方案设计 → 模块实现 → 测试整理”四步推进:
-
STEP 01
条件与范围
核对数据、设备、软件与时间,确认“课程资料分散在课件与讲义中,学生重复提问相同概念”这一场景中哪些部分能在现有条件下完成。
-
STEP 02
方案与模块
按 文档解析、向量检索、答案生成、来源标注 划分模块,画一张输入、处理、输出的流程图,并标出模块之间的接口。
-
STEP 03
实现与联调
先做最小可运行版本,再逐模块补全。每完成一个模块,留一组可复现的测试数据或截图。
-
STEP 04
测试与整理
围绕准确率、响应时间、误差范围或案例结论设计测试,形成结果表,再写论文中的实验与分析章节。
04 / REVIEW
考核要点
- 模块完整:文档解析、向量检索、答案生成、来源标注 都有对应实现或分析,不能只做界面或只写文档。
- 指标可复核:数据来源、参数设置与测试环境记录完整,他人能按说明复现。
- 创新点可说明:对检索片段做重排序并按章节过滤,减少跨章节的答非所问。 要能对应到具体设计或实验差异,而不是一句口号。
- 口径一致:论文、图表、演示与答辩陈述使用同一组数据和结论。
05 / FAQ
常见问题
Q.01做《检索增强的课程问答助手设计》需要什么基础?
主要会用到 Python、LangChain、BGE-M3、Milvus、FastAPI。建议先完成相关课程实验,至少能独立搭起运行环境、读懂一个同类项目的代码或方案,再开始做自己的模块。
Q.02数据、设备或资料从哪里来?
题目场景是:课程资料分散在课件与讲义中,学生重复提问相同概念。开题前先确认数据、设备与文献能否拿到;如果条件不足,优先缩小范围或换用公开数据集、公开年报与可借用的实验室设备。
Q.03做到什么程度算完成?
至少交付问答服务、课程知识库、评测集、论文。文档解析、向量检索、答案生成、来源标注 四个部分都要有可演示或可复核的结果,并能说明“对检索片段做重排序并按章节过滤,减少跨章节的答非所问。”带来的具体差异。