复盘小站：用 Doubao-Seed-Evolving，把厚厚的笔记一键变成可复习、可自测、可批改的知识资产

复盘小站是一个由 Doubao-Seed-Evolving 驱动并协助开发的笔记复盘网页工具。上传 TXT / PDF /

Markdown 笔记，AI 一次性通读全文，输出内容总览、结构化提纲、自测题与待梳理疑问点，还能在线答题批改、按意见迭代优化，并一键导出

Markdown 报告。

一、它解决了哪些人的"不便"

在学习和工作里，有一类痛苦非常普遍：资料越来越多，真正被消化的却越来越少。

• 备考的学生：课件、教材、课堂笔记攒了几十上百页，临考前却不知道从哪看起。通读一遍要花很久，画思维导图要更久，出题自测更是无从下手。
• 自学者 / 考证党：面对一份陌生的 PDF（比如《计算机网络》《C 语言》），读完只觉得"好像懂了"，却说不清重点在哪、自己哪里没懂。
• 职场人：会议纪要、项目文档、工作复盘堆积如山，事后想提炼可复用的经验和待办，却要重新翻一遍。
• 内容创作者 / 研究者：搜集了大量资料，却缺少一个快速"先整体、再细节、再检验"的整理工具。

这些场景的共同问题是：从"原始材料"到"可复习、可检验的知识"之间，缺一座桥。 传统做法要么靠人工慢慢整理（耗时），要么用检索式问答工具（只能一问一答，给不出整体框架，还可能因为切片丢失上下文、甚至基于检索到的片段"脑补"出材料里没有的内容）。

复盘小站想做的，就是把这座桥搭起来------而且足够简单：传文件，点一下，等一会儿，拿到一整套复盘结果。

这个网页本身是由 Doubao-Seed-Evolving 在真实工程环境里协助开发出来的：从解析 PDF、调用模型、做 JSON 容错，到调整页面样式、修复跨文件的 bug，几乎每一处功能都对应着它在 Coding、Agent 和可信度上的能力进步。

二、复盘小站：把厚厚的笔记一键变成可复习、可自测、可批改的知识资产

复盘小站不是一个聊天机器人，而是一条结构化的复盘流水线。它把一份原始笔记，一次性加工成四块互相配合的内容：

1. 内容总览：用 4--6 个带小标题的要点，整体概括材料讲了什么，不再是一大段文字。
2. 结构化复习提纲 ：用 # / ## / ### / - 的层级，把知识点组织成文本思维导图，主次分明。
3. 自测练习与批改：自动生成选择题和简答题，用户在线作答后，AI 按评分要点逐题判分、给解析。
4. 待梳理疑问点：主动指出材料里讲解不充分、前后矛盾、需要拓展学习的地方。

在此之上，它还提供两个闭环：

• Evolving 迭代：对结果不满意，可以写下"提纲再精简些""多几道应用题"等意见，AI 会在已有结果基础上重新优化。
• 一键导出：把总览、提纲、题目、答案、批改结果汇总成一份 Markdown 报告。

这套设计背后的理念是：好的复习不是"再读一遍"，而是"先建立框架 → 再主动回忆 → 最后检验盲区"。 复盘小站恰好对应了这三个动作。

三、做出来的成果长什么样

网页采用浅色网格光晕背景、紫粉渐变 Hero 横幅、白色圆角卡片和渐变主按钮，侧边栏包含接口设置、模式切换与页面导航。复盘结果采用左侧竖向导航 + 右侧单独展示的布局，四个板块可以分别点开查看，互不干扰。

• ① 内容总览：每个要点是一张独立卡片，包含小标题和具体说明。
• ② 复习提纲 ：展示层级提纲，并提供「🧠 生成知识导图」按钮------自动把 # / ## / ### 解析成从左到右的树形思维导图，主次一目了然。
• ③ 自测练习 & 批改：选择题用下拉框、简答题用文本框，提交后逐题判分，错题给解析。
• ④ 待梳理疑问点：逐条卡片呈现材料中的盲区。

顶部导航还能快速跳转到"上传文档""迭代优化""导出报告"等区块。整体是一个可以真正拿来用的完整小产品，而不只是一个 Demo。

内容总览：

知识导图（可点击放大）：

自测练习 &批改

四、网站具体怎么用（以及背后模型能力的进步）

1. 配置接口：一次真实的多文件工程改造

在侧边栏选择接入类型（支持标准按量付费与 Agent/Coding Plan 套餐两种接入地址），填入火山方舟 API Key 和模型名（默认 doubao-seed-evolving），点「测试连接」即可验证是否可用。

这个看似简单的"接入类型"下拉框，其实是开发过程中一次典型的跨文件功能修改 ：最初代码只写死了标准接入地址，导致订阅套餐的用户一直报 401。要修复它，需要同时理解并改动 api_client.py（新增套餐 Base URL）、app.py（侧边栏表单、会话状态、三处调用点）和 report.py/提示词等多个文件，还要保证已保存的 Key、模型名不被清空。

这正是 Doubao-Seed-Evolving Coding 工程能力提升的体现：它不只是补一行代码，而是能在一个有多个模块的真实仓库里，定位根因、跨文件协调修改、处理状态与样式这些"长程依赖"，把一个端到端的功能稳定地做出来。客户端封装本身很轻：

# app/api_client.py
from openai import OpenAI

ARK_BASE_URL = "https://ark.cn-beijing.volces.com/api/v3"
ARK_PLAN_BASE_URL = "https://ark.cn-beijing.volces.com/api/plan/v3"

def build_client(api_key, base_url=ARK_BASE_URL):
    # 大文件通读耗时长，放宽超时；重试由上层统一控制（含 429 退避）
    return OpenAI(api_key=api_key, base_url=base_url,
                  timeout=600.0, max_retries=0)

2. 上传并通读：长上下文 + 内容必须"忠于原文"

上传一个或多个 TXT / PDF / MD 文件，点「🚀 开始通读复盘」。所有文件内容会被完整、一次性地送入模型，不做切片，也不使用向量检索。 一份 2.6 MB 的 PDF 可以解析出约 3.8w 个字符，同样被整体送入。

# app/prompts.py ------ 全部原文完整拼接，不切片
def build_analysis_prompt(mode, doc_names, full_text):
    system = SYSTEM_PROMPTS[mode] + "\n" + SCHEMA_DESC
    user = f"""我上传了 {len(doc_names)} 份材料，请你完整通读全部内容后，一次性输出结构化复盘结果。
【全部材料原文开始】
{full_text}
【全部材料原文结束】
请严格按系统要求的 JSON 结构输出。"""
    return system, user

这里有两点能力进步直接决定了体验：

• 稳定的长上下文处理：模型不仅要"装下"几万字符，还要在长文本里保持对整体结构和细节的把握，不会读到后面忘了前面。提纲的层级、题目的考点都要能回溯到原文。
• 幻觉控制 ：提示词里有一条硬约束------"所有内容基于上传材料，不得编造材料中没有的事实"。Doubao-Seed-Evolving 在抗误导、减少"无中生有"上的改善，让总览、题目和疑问点更可信。特别是「待梳理疑问点」这个功能，它要求模型主动指出"材料里没讲清楚的地方"，而不是用看似合理的废话把缺口补上------这正是对幻觉的克制。

3. 查看四块结果：结构化输出与"结果可回传"

内容总览被要求输出成结构化数组，而不是一大段话：

{
  "overview": [
    {"heading": "要点小标题", "detail": "该要点的具体说明"}
  ],
  "outline": "用 # / ## / ### / - 组织的提纲",
  "questions": [ ... ],
  "doubts": ["疑问点1", "疑问点2"]
}

前端拿到后会把每个要点渲染成卡片；提纲则可以一键转成知识导图。为了让模型稳定输出合法 JSON，开启了 response_format=json_object：

def chat(client, model, system_prompt, user_prompt,
         temperature=0.3, max_tokens=None, json_mode=False):
    kwargs = dict(model=model, temperature=temperature,
                  messages=[{"role": "system", "content": system_prompt},
                            {"role": "user", "content": user_prompt}])
    if max_tokens:
        kwargs["max_tokens"] = max_tokens
    if json_mode:
        kwargs["response_format"] = {"type": "json_object"}
    return client.chat.completions.create(**kwargs) \
                .choices[0].message.content or ""

这背后是模型对结构化输出 / 函数调用式约束的稳定遵循。更关键的是，模型输出的 JSON 会被前端解析、渲染成卡片和导图，再作为"上一版结果"回传给模型做迭代------这要求每一次输出都必须是可被程序消费的，而不是一段"看起来像 JSON 的文字"。这种"工具结果能稳定回传、再进入下一步"的能力，正是 Agent 场景的基础。

4. 答题与批改：用工具校验，而不是凭感觉

生成的题目支持单选和简答。提交后，AI 依据每题的标准答案和评分要点判分：

# app/analyzer.py ------ 批改同样走结构化 JSON 输出
def grade(client, model, mode, quiz, answers):
    system = ("你是一位严谨的阅卷老师。请依据标准答案和评分要点客观批改，"
              "给出分数、评分依据和解析。只输出 JSON。")
    user = build_grading_prompt(mode, quiz, answers)
    return _call_json(client, model, system, user, temperature=0.1)

批改是一个很适合体现"抗状态幻觉"的环节：模型需要逐题比对"用户答了什么"和"标准答案是什么"，不能把上一题的对错"串"到下一题，也不能凭空给分。Doubao-Seed-Evolving 在状态保持和抗干扰上的改善，让多题批改更稳定、更少张冠李戴。

5. 迭代优化：把上一轮结果"召回"并整合

如果对结果不满意，写下修改意见，AI 会结合上一版结果重新生成：

def build_evolve_prompt(mode, previous_result_json, feedback):
    user = f"""这是你上一次基于同样材料输出的复盘结果（JSON）：
{previous_result_json}
用户提出了以下修改意见：
{feedback}
请结合修改意见，重新通读并输出优化后的完整 JSON。"""

这一步很像 Agent 的信息召回与结果整合：模型要先"找回"上一版结构化结果，理解用户的新意图，再把两者整合进同一套 JSON 结构里------既不能丢掉已有的好内容，也要落实修改意见。多轮下来，提纲越来越精炼、题目越来越贴合重点，这正是"Evolving"在产品里的含义。

6. 出错时的自我修复：JSON 坏了自己改，而不是直接崩溃

真实使用中，长输出偶尔会出现未转义引号、括号缺失或被截断，导致 JSON 解析失败。复盘小站没有把错误甩给用户，而是让模型根据报错自我修复：

def _call_json(client, model, system, user, temperature):
    raw = _chat_with_retry(client, model, system, user, temperature)
    try:
        return extract_json(raw)
    except Exception as first_err:
        repair_system = ("你是一个 JSON 修复器。下面给你一段格式有误的 JSON，"
                         "请修正语法错误，输出严格合法、结构完整的 JSON。")
        repair_user = f"原 JSON 文本：\n{raw}\n\n解析报错：{first_err}"
        repaired = _chat_with_retry(client, model, repair_system, repair_user, 0.0)
        return extract_json(repaired)

模型需要理解"解析器报了什么错"，并据此修正自己的输出------这是一种基于错误反馈的自我纠错。它和"幻觉控制"是一体两面：既不编造内容，也不在出错时硬着头皮继续，而是回到规范上把结果修好。

7. 工程韧性：限流退避，让长任务不轻易失败

大文件请求可能耗时较长，也可能触发 429 限流。复盘小站内置了指数退避重试，并在页面上提示"正在第 N 次重试"：

def _chat_with_retry(client, model, system, user, temperature, max_attempts=5):
    for attempt in range(1, max_attempts + 1):
        try:
            return chat(client, model, system, user, temperature=temperature,
                        max_tokens=16000, json_mode=True)
        except Exception as e:
            retryable = _is_rate_limit(e) or isinstance(e, (APIConnectionError, APITimeoutError))
            if not retryable or attempt == max_attempts:
                raise
            wait = min(2 ** attempt, 30)   # 2, 4, 8, 16, 30 秒
            time.sleep(wait)

这部分属于工程，但它能成立，恰恰是因为模型在长输出、结构化约束上足够稳定------兜底逻辑才可以简单可靠，而不是靠大量"打补丁"去迁就不稳定的输出。

8. 一键导出报告

最后，页面底部提供"⬇️ 下载完整 Markdown 复盘报告"按钮，可把总览、提纲、题目、答案、批改结果一次性汇总导出。

五、Doubao-Seed-Evolving 的进步，如何在这个网页里被"看见"

回到最开始的问题：模型的进步不该只是发布说明里的几行字，而应该在真实功能里被使用者感知到。复盘小站提供了这样一个窗口：

1. Coding 工程能力的提升，体现在"这个网站真的被做出来了"接入类型的跨文件修改、JSON 容错、限流重试、侧边栏导航与知识导图......这些都是有真实依赖、需要长程推理的工程任务。复杂仓库修复、跨文件修改、真实功能开发更稳定，意味着从一个想法到一个可用产品的距离被缩短了。
2. Agent 检索与整合能力的提升，体现在"多步结果能串起来"从通读全文，到输出结构化 JSON，到前端渲染，再到把上一版结果"召回"回来做迭代------每一步的输出都要成为下一步可靠的输入。多工具/多步骤之间的结果回传更稳定，Agent 才不会在中途"掉线"。
3. 幻觉控制能力的提升，体现在"它不乱说"总览、题目、批改、疑问点都被要求严格基于原文；模型还要主动承认"这里没讲清楚"，而不是编造。更少的搜索幻觉、工具调用幻觉和状态幻觉，让用户敢于把真实的学习资料交给它。

换句话说，当一个模型既能装下长材料 、又能稳定产出可被程序消费的结构 、还能按反馈和错误自我迭代、且不编造内容 时，它就不再只是一个"问答工具"，而可以成为一个能把资料加工成知识资产的 Agent------复盘小站就是这个判断的一次具体验证。

六、结语

从一份厚厚的 PDF，到一整套可复习、可自测、可批改、可导出的复盘结果------复盘小站把这件原本需要几个小时的事，压缩到了一次上传、一次点击。

它面向的是每一个"资料很多、时间很少"的学习者和职场人；而它背后依赖的 Doubao-Seed-Evolving，用工程能力、Agent 式的结果整合，以及对幻觉的克制，把这件事稳稳地撑了起来。

从一份厚厚的 PDF，到一整套可复习、可自测、可批改、可导出的复盘结果------复盘小站把这件原本需要几个小时的事，压缩到了一次上传、一次点击。

它面向的是每一个"资料很多、时间很少"的学习者和职场人；而它背后依赖的 Doubao-Seed-Evolving，用工程能力、Agent 式的结果整合，以及对幻觉的克制，把这件事稳稳地撑了起来。

上传笔记，让 AI 替你通读；把时间留给真正重要的事------理解与思考。