文献查找器

1. 情境与任务 核心痛点：在学术研究过程中，科研人员常常需要从大量文献中查找特定信息。目前的痛点在于，当查询表达模糊或仅存记忆碎片时，只能逐一阅读或手动搜索关键词，不仅效率低下，且现有工具缺乏对内容的语义理解，极易遗漏重要内容，严重影响研究效率。 任务目标：打造一款文献内容查找器 MVP，支持用户通过自然语言检索，系统需理解语义并直接定位到原文具体段落。核心业务目标是将用户单次检索找到目标信息的平均时间减少 50% 以上，并将检索响应时间（10万篇规模内）控制在平均 5 秒以下。 2. 行动与架构 敏捷构建：借助 Trae 工具通过自然语言指令完成从架构设计到前后端核心逻辑的全栈落地。系统架构：前端搭建文献库管理、语义检索与文献阅读器页面；后端利用实现 PDF 文本自动化提取；数据层采用向量数据库，并调用大模型生成语义索引，通过余弦相似度计算实现结果召回。 用户流转：实现了「检索请求 → 语义匹配 → 返回结果 → 展开上下文/跳转」的无缝交互链路。 3. 迭代历程 v1.0版（基础链路跑通）： 采用轻量级的本地预训练模型完成基础的文本向量化。 采用基础的按段落/字数切分逻辑提取 PDF 文本。 成功跑通了文献上传、解析、入库到前端检索展示的核心 MVP 闭环，初步验证了自然语言检索文献的可行性。 v2.0版（精度与稳定性跃升）： 模型升级：针对本地模型对专业学术词汇表征能力有限的问题，将架构重构，接入阿里云百炼云端 Embedding 模型，大幅提升了复杂语境下的语义匹配精准度。 切分策略优化：引入「滑动窗口重叠切分」机制，确保相邻文本块之间保留交集，解决了严密学术论证链条在切分时发生语义断裂的问题。 高并发治理：针对整本长文献入库时触发的云端 API 并发拦截，在后端迅速引入了分批切片与微小延时排队机制，保障了大体量文献解析的稳定性。 4. 复盘与优化 现有产品不足： 精确匹配盲区：当前的检索虽擅长捕捉模糊语义，但在应对极度长尾的专有名词（如特定的学者姓名缩写、具体的定量分析数据）时，偶尔会出现检索精度下降。 格式兼容性单一：目前 MVP 版本仅支持 PDF 格式，尚未覆盖部分年代较久远的扫描版图像文献或其他常见学术格式。 未来优化方向： 引入混合检索：计划在后续版本中整合关键词匹配与大模型向量检索，补齐对生僻专有名词的检索短板。 多模态与格式拓展：后续架构可考虑接入 OCR 解析服务以支持扫描件，并逐步扩展对 Word、CAJ 等更多文献格式的支持，进一步丰满文献库的生态。