2026-04-28 09:40:46
4月22日，期中考试结束了，半个学期就这么过去了。校园很美，翻了翻这半个学期来自己拍的照片，技术很烂，用手机记录下的照片并不清晰，有些照片我现在看过去自己都没看懂要表达什么。我将一些照片筛选出来，与各位分享。
2026-04-18 15:06:25
这个是去年的事情了，之所以现在写是因为没什么东西写了，星火杯比赛的东西写成博客了，要不把这个信息素养大赛的经历也写一下，就当是做个记录了。之所以叫“微记”，是因为前一篇小记实在长，相比之下这一篇就短太多了，此外这一篇也没有什么技术含量，小下面轮到微了。
比赛不像星火杯，没有留下什么材料。参赛视频是给组委会备查用的，不好看，文件也大。至于赛事组委会的文件，每年基本都不一样。
事情的缘起是我去年9月份到我高中学长的西工大去参观参观，在他们的图书馆看到这个信息素养大赛的海报。“要不你报一下？”我微信打开扫码，发现学校的选项竟也有西电，就把名报了上去。
后面参加初赛，自己一个人在图书馆待了两三个小时，都是通过网络来搜集信息的题目，比如“某个大学图书馆的某本书在哪个校区”“某篇论文的第几页第几段第几行第一个单词是什么”“联合国一个组织的调查报告的某个位置是什么单词”“某个检索词能在数据库中搜到多少篇专著”等等等等。有一些诸如搜索引擎搜索词的规则这类可以直接过，像国家统计数据、论文、AI工具使用就只能到对应的网站去查证了。整个初赛参加完的感受就是“死网快转啊”，时不时就要在校园网和我个人热点之间来回切换。后面得到一个分数，初赛就这样结束了。
初赛过去许久，临近省淘汰赛的时间，原本以为学校忘记这件事了，没想到一天图书馆的老师联系我跟两位学长参加淘汰赛。
在网上见到两位学长之后，我们讨论了一下我们的队名要取什么。之前在哔哩哔哩上面刷到过一些有趣的队名，比如“啊对对队”之类的。因为我们没想到要玩什么梗，所以就老老实实地用校名。
淘汰赛分为个人对抗和团队对抗，也就是三个人各自做题和三个人一起做题。比赛之前还比较紧张，打开比赛组委会的知识库看点东西。信息素养这个东西感觉不是那种理解完材料就能突飞猛进的，看这些东西感觉像徒劳无功，赛前抱佛脚属于是。
个人对抗赛没答几题就收卷了，现在看当时的比赛录屏感觉自己的动作好慢，为自己感到着急。有一题“在某个网站检索某个关键词得到的第一本书籍某一页的单词是什么”，这种费时间的题目当初就应该及时跳过。团队对抗赛有些题四个选项是相互独立的，这个时候队长把题目发到微信群里，我们三个一起排除答案。团队对抗赛的时间也紧，我记得当时有几道题卡着模棱两可，一看就很费时间，我们直接跳过了，毕竟这个淘汰赛会按照答题时间排名。
省淘汰赛之后就是省赛，需要我们提交一个关于AI和信息素养的案例。当时准备作品的时间和期中考试撞在一起了，我们的队长想出了一个“线性代数的秩：从检索到证据的闭环学习”案例，我们在这个案例的基础上做PPT和说明文档的美化和润色。队长不知道在哪个平台弄的，在案例介绍视频里加了一个数字人。
队长将材料交上去后，得了奖。我的“关于我”就多了这样一行。
我们省赛的微信群到现在还没有解散，两位学长非常的厉害，我星火杯的时候还向两位学长寻求经验。
附录
以下为本次大赛过程的材料。有需要的同学可自行下载，仅供个人学习参考。请勿二次传播、转载或用于任何商业/竞赛直接提交用途。
https://www.alipan.com/s/tMEHoB7vhEd 提取码：gk40
https://pan.baidu.com/s/1Te9tw4DxZKYzz3AHi1zKlQ 提取码：39qk
2026-03-29 20:59:49
本篇文章使用时间顺序整理和撰写，大致就是比赛的流程。我们在几次答辩后根据新情况对代码进行优化，于是就有每次答辩之后紧跟着的改进和优化。我们项目的大致信息如下：
| 项目名称 | XDWe：驱动教学相长的AI智能学习助手 XDAgent：一个AI驱动的师生交流互动平台 |
| 所属赛道 | 大学生创业计划竞赛赛道-新一代信息技术赛道（主体赛） 大模型智能体开发挑战专项赛-“教-学-管-评”智能体（专项赛） |
| 所获奖项 | 2026年星火杯网络安全与密码学部选拔赛一等奖 |
目前专项赛还在进行，本文会持续更新，记录我们参加星火杯的完整的过程。
前段时间，学院发了关于星火杯的报名文件。上个学期就听说过星火杯，但没想到这学期刚开学就要提交作品，没有做什么事先准备。
3月8日晚点名结束后，我与一位同学在图书馆用“腾讯元器”做了一个 AI 问答服务，零代码平台开发这个并不难，但一个小时弄出作品还是给这位同学比较大的震撼。星火杯有支持提交零代码平台开发的智能体的赛道，我打算就这样交上去。
当天晚上，那位同学找我，我们和另外一位同学沟通一些想法，初步确定往“教-学-管-评”智能体方向去做，设计一个平台来服务教育教学。
智能体知识库本身其实就是一个 RAG 系统，我将此前做 RAG 的代码基本照搬过来，大致用 flask + langchain 做了一个后端出来。姚焱夫同学负责前端，此前他并没有接触过前端的开发，现用现学，很快就了解了前端项目的文件结构、代码逻辑，非常厉害。孟子钦同学将我们聚到一起，对一些想法进行了完善。
通过我们的观察，大学的课堂教学过程中存在一些问题，例如：
针对这些问题，我们用我们的项目给出解决方案：
这是关于系统问答与知识库功能的流程动图：学生向学习助手提出问题，学习助手在知识库中检索相关资料附在问题后交给大模型，大模型回答学生；教师可以在管理后台看到学生提出的问题并给出权威答案，权威答案沉淀到知识库中，下一次有学生提出类似的问题，大模型将被要求根据权威答案生成回答。
这是关于系统架构的动图：前端用 Vue 进行开发，后端由 Python Flask 提供服务，使用 Qwen 开源模型。
以上两张动图都是用 manim 制作的，截取自我们的项目介绍视频。PPT 的模板来自人智院的刘卓东学长。由于视频文件比较大，内容就是这两个动图加上功能的演示，所以介绍视频的链接附在本文的附录。
结合我与 Gemini、ChatGPT的对话记录，总结在开发过程中遇到的问题。
环境依赖问题
这个问题我愿意给到“夯爆了”，配环境的时候基本都会出现各种各样的依赖问题，要么是 Python 版本太低或者太高了，要么是langchain_community的版本跟其他依赖不匹配……langchain两个大版本的接口有很大的差异。每次遇到这种问题问 ai 折腾一两个小时估计都折腾不好，用一下搜索引擎很快就解决了。
在与 ChatGPT 沟通的过程中，遇到开发中最麻烦的两个模块create_retrieval_chain和create_stuff_documents_chain。根据我们 ChatGPT 同学之前的回答，它应该是知道由langchain_classic这个包的，但不知道为什么它在这及之后就忘记这两个模块被移到langchain_classic里面去了。我也是头脑不清醒，跟着它折腾半天，最后不得不找谷歌看看。（其实谷歌应该是第一选项才对，但是我懒，喜欢让 ai 直接给答案）
我在谷歌上搜索了一下这个导入语句，马上就找到了 python – Using create_retrieval_chain due to RetrievalQA deprecation – Stack Overflow 这个帖子，将langchain改成langchain_classic，问题就这样解决了。
在与 Gemini 谈话的过程中，估计是训练数据过时了或者没有搜索到合适的资料，它反复提醒我：“导包错误：LangChain 较新版本中，记忆和链模块应从langchain.memory和langchain.chains导入，而不是langchain_classic。”还好我自己知道，没在同一个地方摔倒第二次。
在开发的过程中也遇到过依赖地狱，不过折腾几次全部使用新版本就解决了。
Prompt拼接问题
这个问题也挺搞心态，没找到什么比较好的解决方案，后面用曲线救国的方式解决了。属于是治本不行就治标吧。
if '<|im_end|>' in token or '<|im_start|>' in token:
token = token.replace('<|im_end|>', '').replace('<|im_start|>', '')
if not token.strip():
continue我在后端开发好之后让 ai 写了一份接口文档，供负责前端的姚同学阅读。原本以为 git 和前后端协作这方面会出现一些问题，结果并没有我想的那样困难。在帮忙装后端环境的时候出现了一个问题，关于 cuda 的问题：
我在装 pytorch 的时候，Gemini 给的命令pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cu128能用，而cu129的预编译包却找不到。没办法，只好让同学降级，后面我在代码里也适配了没有 cuda 的环境。
答辩之前，代码之外，团队协作的过程中出现一些小插曲，经过沟通顺利解决。团队的负责人需要跟进比赛的时间点，熟悉项目并协调准备好材料，带领团队推进。
准备答辩时将材料交给皓子学长过目，大佬给了一些诸如突出显示关键词之类的建议。
3 月 26 日晚上，我参加了网安密码学部的院级答辩。将答辩的录音转文字进行分析，结合答辩时的一些主观感受，发现答辩中暴露的一些问题：
差不多要 29 日学院里统计分数后才会出结果，这段时间可以对提出的不完善的功能进行一下优化。如果被推荐到学校里，完善完善，校赛再战。
与浦彦松学长交流了一下答辩的事情，学长给了一些建议：
让 ai 完善了一下留言邮件提醒的逻辑，学生提交留言提醒之后会先在最近 24 小时的留言里匹配相似度，如果发现有相似度高于 0.85 的留言，则不会给老师发送邮件通知。
在我们完善代码的时候微信发来消息，我们的项目没有被推荐到校赛，这次主体赛我们到这里就结束了。我们队伍里面讨论了一下，决定将这个项目做完。“无论还有没有机会，无论结没结束，咱们都尽量把这个项目完成。不管成没成功，都是自己做的一个项目。”
我们梳理了尚未完成的工作，大致分成三个部分：
假如LLM无限上下文了，RAG还有意义吗？ 这篇回答给我提供了一个可能的优化方向，即“主动RAG，让模型自己决定查什么”。
原先的问答代码是这样的，用户提问→系统检索→模型生成，整个生成过程只检索一次知识库，属于是一个比较普通的 RAG 流程。以下是关于这一流程的生动的图片，图片中红色的内容为投毒内容，暂时不考虑这一点。
我让 Gemini 根据主动检索的概念对代码进行修改，修改后的 ai 可以自己决定要不要检索知识库，如果是寒暄之类的提问可以直接回答，跳过检索步骤。可以进一步对代码进行优化，让 AI 自己决定检索词。
关于抗投毒，TrustRAG: Enhancing Robustness and Trustworthiness in RAG(arXiv:2501.00879) 提供了一种可行的方法，主要通过 k-均值聚类和大模型自评估来过滤恶意投毒文档。因为懒，目前文档数量比较少，没有什么过滤的必要。
项目 README 的实现效果需要实际应用之后才能拿到数据，不方便摆太多的数字。
3 月 29 日晚上，在推完主动检索的修改之后，将新生成的向量知识库上传到 GitHub，发了一个版本。目前的开发任务差不多就完成了。
3 月 29 日中午，就在我们知道我们这个项目没有被推荐到学校过后不久，学部把选拔赛的获奖名单发出来了，我们项目获得选拔赛的一等奖。到此，主体赛算是“有始有终”。
至此，可以跟主体赛说拜拜了。
清明节时，我与姚焱夫同学在原有的基础上准备专项赛初赛答辩的PPT。专项赛答辩的时间比主体赛还短，只有3分钟时间，问辩时间也只有2分钟，这对我们来说是一个挑战。吸取之前主体赛答辩背景讲太多的教训，我们将四个方面的背景整合到一页。我们参加的是“教-学-管-评”智能体开发挑战专项赛，将这四个方面一起展示感觉更有冲击力。同时，我们避免出现大段的文字，只留关键词，然后用我自己的审美稍微排版了一下，感觉还行？PPT后面的创新之处也使用这样的排版。
4 月 9 日晚上，我与姚焱夫同学准备次日早上的专项赛初赛答辩。我们又一次咨询了皓子学长。大佬给了我们很多建议，比如“可以吹自己已经部署使用了一段时间，请了多少个老师同学试用，评分均分多少分”“未来展望，直接落地得了，引入多模态大模型，这种用绘图技术结合下多好”等等。我们对创新之处作了一些修改。
次日早上，姚同学前去答辩。姚同学不愧是大佬，结构清晰，回答自信。
4 月 9 日，我们看了一下我们的那些展望。姚同学想着用 opencode 把多模态实现了，结果 Deepseek 把代码实现之后，发现它把后端登录、注册的路由给删了。我让同学好好骂一骂 ai。
这次专项赛立了这些 flag，如果进校赛的话要在比赛之前做好。
关于多模态部分，我和姚焱夫同学弄了几次没弄好，opencv和ocr好像都差点意思，大模型已读乱回。
我们打算使用Qwen/Qwen2-VL-2B-Instruct来实现多模态功能，但在回答含文字的内容时效果还是不怎么好。根据 如何使用Qwen3.6模型实现视觉理解 这篇文档的介绍，我打算使用Qwen/Qwen3-VL-2B-Instruct试试，速度快，又具备文档解析、复杂题目解答的能力。我先对原本的后端代码进行一些拆分，给500行的代码瘦瘦身。
在独立出数据模型时出现了问题。后端使用SQLAlchemy创建数据模型，我将数据模型独立到一个models.py文件中，如下：
import os
from dotenv import load_dotenv
load_dotenv()
from datetime import datetime
import flask
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin
app = flask.Flask(__name__)
app.config.update(
SQLALCHEMY_DATABASE_URI=os.getenv('DATABASE_URL'),
SQLALCHEMY_TRACK_MODIFICATIONS=False,
)
db = SQLAlchemy(app)
class User(UserMixin, db.Model):
id = db.Column(db.Integer, primary_key=True)
username = db.Column(db.String(20), unique=True, nullable=False)
...
class Question(db.Model):
id = db.Column(db.Integer, primary_key=True)
content = db.Column(db.String(1000), nullable=False)
...
class Message(db.Model):
id = db.Column(db.Integer, primary_key=True)
content = db.Column(db.String(1000), nullable=False)
...然后在main.py中将原本的数据模型替换为from modules.models import User, Question, Message，发现失败。后面将上面代码中的db改成从main.py导入，出现循环导入的错误。Gemini推荐使用工厂模式来解决这个问题。但我懒，把数据模型又给搬回去了，没用这个。
from transformers import AutoProcessor, AutoModelForVision2Seq
model_name = "Qwen/Qwen3-VL-2B-Instruct"
self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.llm = AutoModelForVision2Seq.from_pretrained(
model_name,
torch_dtype=self.dtype,
device_map="auto" if self.device == "cuda" else None,
trust_remote_code=True
)在导入过程中发现我的transformers库没有AutoModelForVision2Seq，搜索之后发现 ImportError: cannot import name ‘AutoModelForVision2Seq’ from ‘transformers’ · Issue #8200 · modelscope/ms-swift 这位与我遇到了同样的问题，也是在用这个模型时发现无法导入。将transformers调整为4.57.6就解决了。
使用了Qwen3之后，模型就能够读懂图片了。
以上是我用Mermaid画的一个大致的流程，经过确认这也是姚焱夫同学想要的效果：我们设定一些网址，脚本爬取这些网址的网页内容，经过大模型以及一些人工设定的规则清洗后变成干净的markdown文档，存在知识库文件夹中。
RAG知识库搭建-文档预处理-数据清洗：基于异步的AI文本批处理系统实践-腾讯云开发者社区 这篇文章提供了一个可以借鉴的system prompt。基于此，我们设定知识库负责清洗的llm的system prompt。
Hi，这里是XDwe团队姚焱夫。作为我第一个真正意义上的项目，我感觉这次体验很棒。
作为非cs专业学生，其实我对编程方面并不算特别熟悉，不管是编程基础还是工作流程熟练度都没办法和宗林相比。小到Git，终端的使用和开发环境的搭建，大到前端开发，vibe coding的使用，还有项目的协作，我学习到的东西真的很多很多。以前作为兴趣浅尝辄止的东西，在这次实践过程中真的深入了很多。虽然学的是电子信息，但其实我一直是对计科、人智和具身这些方面更感兴趣，所以当其他人都在学习单片机，如火如荼准备电赛的时候，我毅然决然地放弃了之前参加电赛的想法，转而学习自己感兴趣的内容。不仅把竞赛方向换到了更喜欢的Robomaster，也有了参加科研的想法。
这次比赛便是我学习cs的一个初尝。放弃了电院和物理院的比赛，我转而和网信院的同学组队，开发了这个ai问答平台。我能明显的感受到，在这个项目过程中，我是深度沉浸，高度投入的。最开始的时候恨不得把每天的时间都投到项目里面。当然，这期间我的开发能力也得到了飞快的增长，我开始越来越像一个真正的开发者。
想法的构建和具体的实施，都是我们团队经过商讨之后共同完成的，这种协作的工作方式不仅能最大化每个人的能力，大大提高项目的实现效率，而且对以后的工作裨益无穷。我一直相信卓越不是一蹴而就，所以我一开始就告诉自己，不要太看重成绩，注重学习的过程。虽然主体赛道没能进入校赛，但是我们优化过的项目在专项赛道貌似得到了很高的评价。事实证明，如果你认真去做了，就算结果不一定如你所愿，但也一定不会差到哪儿去。
技术之外，我还学到了很多。比如之前一直不怎么重视ppt的重要性……但事实是，ppt就是评委了解项目的唯一渠道，不仅要要重视它，甚至还得弄得夸张点……再比如这次的专项赛答辩。因为我其实是一个非常outgoing的人，所以我一直相信自己肯定能做到，也没给自己太大压力。答辩前一天认真准备了一下，第二天轻装上阵，做了一次还算不错的答辩。
所以，你真的不能吗？你真的不行吗？
未必。
无论是电信科转战cs的决定，还是项目的每一个实现，都在告诉我
You can just build things.
给自己一点压力，给自己一点信心，然后JUST DO IT.
感谢：特别感谢宗林在技术方面对我的帮助~宗林是一个技术栈十分全面的大佬，工作认真负责，是一个特别优秀的队友。
特别感谢子钦对项目在构思，改进和设计方面的贡献~虽然子钦在项目中期因为身体原因产生过退出的想法，但是后来还是坚持下来了，这让我很感动。正如我所秉持的观念，Every one matters.一个人都不能少。
特别感谢我自己，你从不缺乏勇气和自信，Keep going！
致谢
感谢负责进行前端开发工作的姚焱夫同学、负责协调与 UI 图标设计工作的孟子钦同学、给我们提供宝贵建议的皓子大佬和浦彦松学长与提供 PPT 的刘卓东学长。与此同时，我在大创课题组所做的工作在本次比赛开发 AI 应用过程中给我提供帮助，感谢苗教授和负责指导我们的张博士师兄。
附录
2026-03-26 11:58:22
人在接收到不同的想法时会本能地进行抵抗，说教感强的语言貌似会导致争执与僵化，太擅长辩论的人有着不善倾听的悲哀。
前段时间，土木坛子发了一篇文章 少和人类多和AI交流，文中提到“与身边的人聊天实在是没有什么有质量的回报”。我虽然也喜欢 AI 给我带来对我来说新鲜的理念和方法，但在这我并不想谈论这个。
我与他人交谈大致有三种状态：一是找别人的漏洞，非要吵赢他才肯罢休；二是将自己的经历分享给别人，常常避免不了一些说教；三是将自己置于与对方平等的位置，一起讨论一个功能应该怎么做。
人，或者是我，在自己的观点受到反驳的时候会自动进入防卫模式，在评论别人的观点时又会进入进攻模式。若双方都在进攻模式，交流就不再是交流，沟通不再是沟通，而是争论、口角，甚至更激烈的碰撞。
大家都是平等的，独立的，没有谁需要被别人教。说教天然将自己置于比别人高的位置，请教有时又将自己置于比别人低的位置。颐指气使没人喜欢，自我贬低就没人尊重。说教的语言会让本应平等的对话陷入僵局。“我凭什么要你教？”“我都说了，你为什么不做？”
交谈之时会抛出一条橄榄枝，若他人真心待我，便侃侃而谈，若他人冷眼相对，便不再理睬。没读懂别人的意思，认为是别人没读懂，发些不尊重对方智力的话，算是结束对话的一种干脆但不愉快的方式。别人与你交谈，建立在他相信你智力正常的前提下。若发此言，算是他看瞎了眼。
交流有时是有目的的，为了达成目的可以适当使用一些手段。若是不容讨论或无法沟通，通知命令的语气就很合适。交流有时没办法让双方都愉快，你也没有让另一方愉快结束谈话的义务，尤其是对方让你不愉快时。但如果双方都想让问题得到更好的解决，平等的沟通对他们来说就是愉快的。
在《士兵突击》里有这样一句台词，“你我都长于辩论，但都不擅长倾听。”沟通不是辩论擂台，说赢对方不是什么荣耀。辩论常常不是为了达成观点的共识，而是在各自的领域筑起高墙。在争执和普通的辩论中，双方发言的目的是输赢和击败，而不是达成共识和解决问题。
“也对。”“可以试试。”“这样会不会更好？”
辩论的输赢之外，辩题正反两面的风景在展现它的意义。争论的输赢之外，妥协背后是争取共识解决问题的追求与智慧。
你，我，听得见吗？
2026-02-26 18:17:05
《都市天际线2》这款游戏我玩了大概半年，游戏平台上显示我玩了五百多个小时，玩通了两次（指的是达到最终的里程碑）。这款游戏的体验比较好，我在里面喜欢静静看着十字路口的车流发呆。
玩游戏经常会遇到棘手的交通堵塞问题，且最近一次工业区还因为交通条件不好出现了大面积进货成本过高的情况。
之前我是这样缓解拥堵问题的：拓宽普通道路、区与区之间用简单的八车道道路或高速公路连接。导致了一些问题：内陆地区没有高速公路，交通条件差，到其他区域的运输时间长；高速公路出入口容易拥堵，从主干道堵到高速上等。
除了工业区大面积提示原料成本过高之外，因为一处人行天桥设计不到位，几个东西“互锁”起来删也删不掉，所以打算重新开一个存档解决交通堵塞的问题。
存档初期建立两个居民区和一个工业办公区，区与区之间用高速公路连接，区内部用双向四车道道路，居民上下高速通过区内部的高速主干道和立交桥。
高速公路匝道出入口可以使用 Taffic 插件设置让行规则与规划车道，经过一番设计，高速公路的承载能力有所提高。
区内路网像前文那样设计会出现一个问题：高速车道会延伸出四条高速主干道插入小区，如果高速主干道位于小区的中间，那这几条主干道需要同时承担车辆进出高速和小区内部两部分沟通的功能，会发生拥堵。
根据参考资料[1]，要避免拥堵，需要设计以快速路为骨架、主干道为辅助、高密度支路为主体的分级交通网络。这样可以做到交通流逐级往下分配缓解拥堵。同时设计地铁连接主要功能区。
关于地铁的设计：每个辖区设一个地铁站，通过地铁线路连接居民区和工业办公区，区内部设置住宅到地铁站的辖区公交环线，方便居民通过公交转乘地铁通勤。
连接网状居民区的路口需要有人行天桥，否则游戏红绿灯的神奇机制会让路口堵塞。
“高速-高架立交-主干道-八车道次干道-四车道小区网格”路网的效果不错。在有两处较高密度住宅区连接的次干道，车流流动顺畅。
参考资料：
都市天际线2：通过优化设计路网解决拥堵最先出现在林林杂语。