分類: 未分類

吐槽某计算机讲师，对，说的就是讲师。越是没能力，也是B事多。从几个方面来想，因为没能力，所以怕显得自己没能力，各种B事要求学生，自己又没能力提不出有建设性的意见，未完待续

当前系统采用「原位回填」方案：读入 docx → 逐段分类 → 调 LLM 重写 → 把新文本塞回原段 run。这种做法的核心矛盾是既要保全格式又要降 AIGC 率，两件事冲突严重——run 级格式保留约束了改写的自由度，而且 replace_paragraph_text_preserve_runs 在跨 run 长度变化时经常出毛病。

背景与目标

用户新需求明确：放弃细粒度格式保留，转向「内容优先」模式，只保留结构骨架（标题层级 + 参考文献/致谢/声明），正文做强重写，导出全新 docx。

核心设计原则

项目	旧方案	新方案（内容优先）
格式策略	保留 run 级字体/样式	只保留标题层级 + 结尾区块
图题/表题/表注	强保	不再强保，可酌情重写
段内字体	死保每个 run	不保留，整段纯文本
输出方式	原位修改原 docx	导出全新 docx
System Prompt	通用型	大幅强化 6 条降 AIGC 规则

---

架构总览

┌──────────────┐     ┌──────────────┐     ┌──────────────┐     ┌──────────────┐│  file_parser │────▶│ doc_analyzer │────▶│ llm_rewriter │────▶│ doc_builder  ││ (解析原文件) │     │ (结构识别)   │     │ (强重写引擎)  │     │ (构建新docx) │└──────────────┘     └──────────────┘     └──────────────┘     └──────────────┘

四大模块职责

1. file_parser.py — 文件解析层（保留+微调）

• 已有 txt/docx/pdf 解析
• 新增：parse_docx_structured() 函数，返回结构化段落列表而非纯文本拼接
• 每个段落对象包含：text, style_name, heading_level(1/2/3/None), is_list_item

2. doc_analyzer.py — 结构识别器（新建）

• 从 llm_service.py 中剥离段落分类逻辑（classify_paragraph_type, is_heading_like_text, is_trigger_match 等）
• 负责将段落列表标记为以下类型之一：
  • heading — 一级/二级/三级标题（保留不改）
  • reference / acknowledgment / declaration — 结尾区块（保留不改）
  • body — 正文（强重写目标）
  • caption — 图题/表题（按新策略可酌情轻改或跳过）
• 输出一个 AnalyzedDocument 对象：有序段落列表 + 各段类型标签

3. llm_rewriter.py — 强重写引擎（从 llm_service.py 重构）

• 全新 System Prompt 融入用户的 6 条核心规则：
  1. 极高文本波动率：长短句交错，绝不排比
  2. 提升困惑度：禁用「首先、其次」，替换为「不可否认的是、结合实际情况来看」
  3. 注入生涩感：学术术语准确，模拟本科生毕设口吻
  4. 核心语义不变：保留数据+论点
  5. 精准锚定参考文献标号 [1] [2]
  6. 绝对禁止废话（零对话模式）
• 附加改写策略（融入 prompt）：
  • 打破句式对称
  • 剔除过渡冗余（「众所周知」「值得注意的是」等）
  • 动作实体化（减少主谓宾，多用被动/无主语句）
  • 提升专业词汇密度
• 保留：分块 smart_chunking、段内拆分 split_paragraph_into_rewrite_units
• 保留：重试/相似度检测/回退机制（needs_retry, is_too_similar, should_fallback_to_source）
• 删除：replace_paragraph_text_preserve_runs（不再需要 run 级回填）

4. doc_builder.py — 新文档构建器（新建）

• 接收 AnalyzedDocument + 重写结果
• 创建全新 python-docx.Document()
• 标题段：根据 heading_level 用 doc.add_heading(text, level=n) 添加
• 正文段：doc.add_paragraph(rewritten_text) 添加重写后的纯文本
• 保留区块（参考文献、致谢等）：原样添加
• 可选：设置一个统一的学术论文样式模板（宋体正文 + 黑体标题等）

---

文件变更清单

[NEW] doc_analyzer.py

• 从 llm_service.py 提取的结构识别逻辑
• 定义 StructuredParagraph 和 AnalyzedDocument 数据类
• analyze_document(paragraphs) → AnalyzedDocument

[NEW] doc_builder.py

• build_document(analyzed_doc, rewrite_results, output_path) → 生成新 docx

[NEW] llm_rewriter.py

• 全新 System Prompt + 重写策略
• rewrite_body_paragraphs(analyzed_doc, client, model, reference_list) → AsyncGenerator 流式重写

[MODIFY] llm_service.py

• 大幅瘦身：移除段落分类逻辑（→ doc_analyzer.py）、移除 run 替换逻辑
• process_paper_stream() 重构为编排层，调用上述三个模块
• 保留 API key 工具函数 + generate_paper_stream()

[MODIFY] file_parser.py

• 新增 parse_docx_structured() 返回结构化段落对象列表

[MODIFY] main.py

• API 不变，内部调用链路更新

---

用户审阅事项

IMPORTANT

导出新 docx 意味着原文件的所有图片、嵌入式表格、SmartArt 等非文本元素将不会携带到新文档中。 如果你的论文含有重要的图片/表格，需要在重写完成后手动从原文件复制过来。后续迭代可以考虑自动搬运图片，但本次重构先聚焦文本重写核心。

NOTE

图题和表题（如「图 1 系统架构图」）在新方案中默认跳过不重写、原样保留到新文档。如果你希望对它们也做轻改，可以告诉我。

---

数据流详解

是否用户上传 docx/txt/pdffile_parser: 解析docx?parse_docx_structured提取段落 + style + heading_levelparse_txt / parse_pdf提取纯文本doc_analyzer: 分类标注AnalyzedDocument每段带类型标签llm_rewriter: 逐段强重写仅处理 body 类型段落流式输出到前端doc_builder: 构建新 docx保存到 outputs/用户下载

---

System Prompt 设计（核心）

text你是核心学术期刊的特约文字校对专家，执行"学术语域重构与信息密度提升"任务。【绝对规则】1. 极高文本波动率：交替使用极短句（5-10字）和长复句（50字以上），   绝不使用排比结构，刻意打破句式对称。适当增加长句的从句嵌套深度，   模拟人类学者的复杂思考路径。2. 提升困惑度：禁用"首先、其次、再次、最后、一方面/另一方面"等连接词，   替换为"不可否认的是、结合实际情况来看、从另一维度审视、就学理而言"等   低频学术表达。逻辑连贯性应通过上下文语义自然衔接。3. 注入生涩感：术语必须准确，但行文应模仿真实本科生毕设的主观推导口吻，   带有轻微的"正在探索"感。将口语化表达转为规范学术概念   （例：把它分成几块 → 进行模块化解耦；效果更好 → 显著优化了某某指标）。4. 核心语义不变：保留所有关键数据、论点、实验结果。不得新增观点。5. 精准锚定参考文献：原文标号（[1],[2]等）必须精准转移到重写后   对应论点的末尾，不得遗漏、不得错位。6. 零废话输出模式：直接输出重写后的正文。绝不允许包含任何解释性、   确认性或过渡性文字。【附加策略】- 剔除过渡冗余：删除"众所周知""在此大环境下""值得注意的是"等无意义连词。- 动作实体化：减少"我们设计了…"主谓宾结构，多用无主语句或被动语态  （例：我们使用了Jieba分词 → 研究引入Jieba分词引擎）。- 提升专业词汇密度：确保每段至少有2-3个精确的专业术语或方法名。【边界意识】标题、目录、文献引用项、致谢、声明类文本，不改写，原样返回。

---

验证计划

自动化测试

1. 现有测试：python -m pytest tests/test_llm_service.py -v（验证 split_paragraph_into_rewrite_units 回归）
2. 新增单测：
   • tests/test_doc_analyzer.py — 测试段落分类准确性（标题/正文/参考文献/图题）
   • tests/test_doc_builder.py — 测试从 AnalyzedDocument 构建 docx 的结构正确性

手动验证

1. 启动服务 bash start.sh
2. 在浏览器中上传一个包含标题、正文、参考文献的 .docx 测试文件
3. 点击重写，观察：
   • 流式输出是否正常
   • 标题是否被跳过（不被重写）
   • 参考文献区块是否被保留
   • 下载的新 docx 是否包含正确的标题层级
4. 打开下载的 docx 检查格式结构

任何辅导机构都不能百分百的完全替代你 ，该是你做的，你肯定还得做。比如熟悉文章结构，知道大体有啥。包括最起码的格式，以及你的个人信息是否全面。

你自己检查的点有：

1. 个人信息
2. 对着模版或者要求文件扫一遍，任何代写或者代做也会有疏漏，唯一不混弄的只有自己。而且现在陷入一个囚徒困境。很多工作室或者团队低价把人招揽进来，要么后期加价，要么做出来很水的东西。
3. 切记，在项目没结束的时候不要付尾款。
4. 另外，有话提前说，很多sb学校，话不到最后一刻不说，总是最后一刻才说，不给人留修改时间

为众人抱薪者，不可使其冻毙于风雪。首先从中，我们能看到王局是个人 ，活生生的人 。能看到中年大叔的说教，也有大叔作为记者的直言不讳。他也有作为男人的 事，比如换老婆等等，私生活不应 掺合其他事件分析 ，就事论事。上面youtube视频 解析了为何王局 被针对，从中可以反思出：

做自媒体，无论在哪里，都要有风险意识，出了问题要 有公关，如果不公关，沉默虽然 可以不进入 对方的节奏，可以会处于一种默认的局面 。舆论预判，什么能说 ，在什么时候说，不能因为你是调查记者，就啥都说，这句话也是写给自己的，自勉。“在陌生的战场上，侦查永远在进攻之前”。

之前在学校，每天醒来总是拖着疲倦的身体，昏昏沉沉的，即使这几天也没产出什么。总是一种感觉自己很疲惫，总是没按照自己想要的方式度过。总是过度焦虑没有意义，或者说不重要的事。当白天的情绪，没有消解（整理清楚），把困扰和困惑带入到了睡梦中，半夜就会醒来，或者说没有把情绪消化好，带入到了潜意识。写reflection，是重启人生（洗澡也是）。

• 我今天是什么样的心情
• 我为什么会感觉到这样的心情（追问自己，把说不清的感性，变成一种理性）

很多时候，我们发生生命的痕迹，不只是通过照片，因为照片是相对表面的，相对感性，看到的是一个感性的自己。写故事，是抽象的自己。看像是写一个自己或者他人故事，实际是写抽象的自己，自己愤怒，欲望，爱而不得。投入到故事当中，你再看这个故事，有个新的理解。

思辨（考）的前提是勇气。有勇气问出那个别人不敢问的问题。每当我想要做一个事，无论是创业做学术还是什么，冥冥中有个声音你再告诉自己，你读了很多书了吗？思考要有合法性，你没有读很多书，那你没有资格思考这个东西，你没有达到这个学历思考这个东西等等，给自己加上了自己审判（大陆长大的孩子）。先去写，知道自己的进步是有过程的。

当你意识到这个问题，就是问题的开始。

真实的分辨：

• 我的情绪是什么
• 我的欲望是什么
• 我的思考是什么
• 什么是别人想让我做的
• 什么是别人想让我感觉到的

将内在权威和真实感受分离。

发表书/观点的时候，就接受自己被卖，毕竟在这种二元对立的舆论环境。

灵感来自百度网盘的ai看功能。大概率以后ai看功能都是付费的，youtube的视频直接一个链接给gemini，他会自动给你分析，b站的就不行。在ai时代，很多自媒体博主写的就是屎，没必要都看完，知道他大概就行，如果觉得有营养，再细看，珍惜时间就是珍惜生命。笔者，手搓一个ios应用（巨魔安装），后端放在Google cloud，详细开源在github：https://github.com/ityongsheng/VideoAnalysis

不怕修改，就怕挤牙膏，一次性不把话说完。因为每次修改，无论AI还是人工，需要需要回忆之前做了啥，（AI会加载上下文，也就是token，也就是更多成本）。而且，🧑‍💻我的电脑硬盘已经很大了，跑着这么多程序，一两个月会清理缓存或者数据，毕竟大家都有自己隐私，我长时间保存也不好（嫌占内存）。发完后，先缓存，先备份，需要修改的时候，等问清楚，一次性做好，而且这样质量还高。重复性多次修改，也容易做出屎山。