**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