基于 Harness 的学术论文深度诊断与拆解系统产品系统Vibe Coding

针对高校学生与科研人员在论文开题、文献综述撰写及答辩准备阶段面临的“长篇文献阅读效率低、难以发现研究漏洞、缺乏创新切入点”等核心痛点。在学术科研场景下，传统的 AI 总结工具只能提供表面信息，无法进行深度的批判性阅读。本项目旨在通过 AI 智能体编排，将复杂的文献阅读转化为“审稿人级别”的结构化拆解，大幅降低科研门槛，提升研究深度与开题效率。

1.极简速读与综述素材提取：自动将文献提炼为学术口吻的核心论点，并提取可直接复用的综述金句。
2.方法论与混淆结构拆解：深度剖析文献的实验设计，识别如“对照组不可比”、“检出力不足”等隐藏断点。
3.审稿人级“局限性挑刺”：代入顶刊审稿人角色，抓取统计学漏洞和逻辑谬误（如将零结果过度解释为“退化”）。
4.开题切入点生成：基于文献缺陷，反向推导出 2 个可直接落地的研究设计方案，并输出结构化的对比分析图表。

我的任务（产品经理 & Vibe Coder）：我负责整体业务逻辑设计与痛点拆解；全程负责 Prompt 规则的编写与多轮调优；通过 Vibe Coding（自然语言编程）模式，不写底层代码，指挥 AI 完成工作流的搭建。
技术栈与架构：依托 Python 运行环境与 DeepSeek Harness 智能体框架。核心架构为“角色预设（资深审稿人）+ 多步推理链 + 工具调用（联网检索文献）”。
亮点与难点：亮点在于零手写代码，纯靠 AI 编排实现复杂的学术逻辑诊断，且支持一键导出 .docx 与 .md 格式的高质量交付物。难点在于约束大模型的“幻觉”，我通过设定严格的边界条件（如强制标注“自证”与“待核实”信息），确保了生成结果的学术严谨性。