**简介** 1. **本项目解决的问题** - **信息过载与检索效率低下**：通过 Paper AI 自动搜索、筛选 ArXiv、PubMed 等平台的学术论文，并生成摘要与结论，帮助用户快速掌握领域动态。 - **通用对话式 AI 的局限性**：Chater 模块支持上传文档并结合 RAG 技术，使 AI 能精准回答特定领域问题（如分析财务报告细节）。 - **图像分类自动化需求**：Trait Recognizer 通过用户提供的“标准”图像自动生成可执行程序（.exe），实现农业、生物学等领域图像的批量自动化分类。 - **部署复杂性**：提供本地运行与 Docker 部署方案，简化环境配置，降低使用门槛。 2. **技术选型与性能特点** - **核心框架**： - 后端采用轻量级 Flask 框架，搭配 Flask-SocketIO 实现实时交互； - 使用 PyInstaller 打包 Python 脚本为独立 .exe 文件，适配无 Python 环境的终端。 - **AI 能力支撑**： - **视觉语言模型（VLM）**：集成 Dashscope API（如 Qwen-VL）处理图像分类，支持多场景定制； - **大型语言模型（LLM）**：调用 DeepSeek API 实现论文摘要生成与文档问答，结合 RAG 技术提升专业领域回答准确性。 - **高效检索**： - Paper AI 直连 ArXiv/PubMed/DuckDuckGo，覆盖学术与网络资源； - Chater 模块支持 PDF/Word/TXT 文档的本地化知识库构建，响应速度