【标签】 学习工作
**【标题】**学习工作 + ResearchFlow · 研途 —— 让每一天的科研都不再"白做"
【正文】
0. 先和大家打个招呼吧 
-
你是谁： 大家好，我是一名在读研究生。
-
你是怎么用 TRAE 把 Demo 做出来的： 我的日常科研工作包括阅读论文、编写代码、运行仿真、开展实验和处理数据等等。看起来每天都很忙，但到了组会前，我常常要重新回忆“这一周到底推进了什么”，还要临时梳理不同工作之间的联系。这个反复出现的困扰，最终变成了 ResearchFlow 研途的起点。
-
最初，我只有一个朴素的“周报汇总器”想法。我先把真实使用场景、期望功能和自己的技术基础告诉TRAE，请它帮助完成可行性分析与阶段拆解；随后在 TRAE 辅助下，用 Python 和 Streamlit 从最小可用页面开始，一轮轮加入日志结构化、周报月报、PPT 生成、历史检索和隐私保护。AI coding 帮我跨过了网页交互、数据库设计和可编辑 PPT 生成等原本不熟悉的环节，而我负责不断用真实科研场景验收：输出有没有编造、周报是不是流水账、计划能否执行、API 密钥是否安全、页面是否真的方便每天使用。
-
这次创作让我感受最深的是：AI 不只是“替我写代码”，更像一个可以快速试错的协作伙伴。真正决定产品方向的，仍然是使用者对问题的理解，以及每一次不满意之后提出的具体改进。
1. Demo 简介
-
是什么：ResearchFlow 研途是一款面向科研工作者的科研日志与汇报工作台（包含网站及本地部署形式）。
-
面向谁：核心用户是需要持续推进多条研究任务、定期参加组会，并最终面对论文写作与成果回溯的硕士生、博士生和青年科研人员。
-
主要功能：列出 2–3 个核心功能，建议配产品截图或界面展示，让评审一眼看懂。
-
1. 每日科研记录与双路径分析
用户可以输入当天的原始科研小结，并上传关键实验图、仿真结果图或数据截图。系统提供两种分析方式：
-
本地分析：无需 API、无需联网，基于可解释的规则完成工作分类、研究主线匹配、关键进展提取、问题识别和记录质量检查；
-
AI 分析：由用户自行配置 API，在严格基于原始日志、不编造实验结果的前提下，获得更灵活的总结和建议。
研究主线与分类体系可以在设置中自定义，修改后会即时作用于本地分析，而不是被写死在代码里。
-
-
2. 周报、月报与可编辑组会 PPT生成
系统不按“周一做了什么、周二做了什么”机械堆叠，而是围绕研究主线整理一段时间内的关键进展、证据材料、未解决问题和下一阶段计划。日报、周报和月报均可导出为 Markdown；周报还能进一步生成
.pptx文件，方便用户在 PowerPoint 中继续补图、修改措辞和调整汇报逻辑。本地代码和大模型都可以驱动周报与 PPT 生成。PPT 的目标不是替研究者做结论，而是先完成约 70% 的结构化初稿，把宝贵时间留给结果判断和学术表达。 -
3. 长期科研记忆与安全边界
日志可以按日期、关键词、分类和研究主线检索、编辑与删除，并支持 JSON 备份。每个浏览器工作区使用独立随机标识，降低公开体验站中不同访客数据混用的风险；API 密钥只保存在当前会话内，不写入代码仓库、配置文件或数据库，用户可以随时清除。
2. Demo 创作思路
-
灵感来源：不是“没做事”，而是科研记录发生了断裂
研究生日常科研往往分散在论文批注、代码目录、实验图片、聊天记录和个人记忆中。单独看，每天都完成了不少工作；到了组会或阶段总结时，这些碎片却很难自然变成一条清晰的研究叙事。几个月后再写论文，还会遇到实验时间线、参数变化和结论演进难以回溯的问题。
-
想解决的问题：我想解决的并不只是“自动写一份周报”，而是四个连续问题：
- 记录：让每日输入足够轻量，能够长期坚持；
- 结构化：把自然语言拆解为文献、代码、仿真、实验、数据、写作、问题与计划；
- 总结与规划：按研究主线生成日报、周报、月报和下一阶段行动；
- 归档与追踪：让今天的一条记录在未来组会、论文写作和毕业复盘时仍然找得到、看得懂、用得上。
-
关键要点：
- **第一，本地能力必须独立可用。**科研记录可能包含尚未公开的实验细节，也不是每位用户都愿意或能够配置付费 API。因此，本地分析和本地 PPT 生成不是 AI 失败后的“降级提示”，而是一条完整、透明、可执行的正式路径。
- **第二，AI 只能整理证据，不能编造进展。**系统提示词和本地逻辑都遵循“只依据用户输入”的原则。日志中没有问题或次日安排时，系统会明确提示信息不足，而不是生成看似完整却无法验证的科研内容。
- **第三，周报围绕研究主线，而不是日期流水。**用户可以自定义自己的研究方向和长期任务线，系统再据此组织材料，让一周的工作形成“为什么做—做了什么—得到什么—还缺什么”的连续逻辑。
- **第四，自动化输出必须可编辑。**科研汇报中的结论强度、图表选择和风险表述仍需研究者负责。因此，ResearchFlow 输出的是 Markdown 与标准 PowerPoint 文件，而不是不可修改的静态结果。
3. Demo 体验地址
在线体验**：** https://researchflowmini.streamlit.app/
项目仓库**：** https://github.com/coder2423/ResearchFlow
-
温馨提示：推荐使用“快速入门”完成首次体验：
- 在个性化设置中选择本地分析或 AI 分析；
- 一键导入六天示例科研记录；
- 选择其中一天并确认分析，观察系统如何从较模糊的原始记录中提炼信息；
- 如已配置 API，可切换引擎对比本地与 AI 的输出差异；
- 生成整周周报和可编辑组会 PPT，体验从原始日志到汇报材料的完整闭环。
- 不配置 API 也可以走完整的本地体验路径。在线体验站用于功能演示，Streamlit Community Cloud 的本地文件并非永久云存储，请勿上传涉密、敏感或唯一副本数据，并及时导出 JSON 备份。
4. TRAE 实践过程
1048302856453276:ffecc3b1df75ba7fd8faeb5a20035f8c_6a33e790ecdc0eec6d4d4a91.6a393ae8fd02ff9b9c3b1adb.6a393ae8fd02ff9b9c3b1ad9:TRAE Work CN.0.1.34.no_sid.no_ppe.T(2026/6/22 21:38:48)
1048302856453276:ed6a2b640b92d7a4046c6f3a2bf86f31_6a33e790ecdc0eec6d4d4a91.6a394347fd02ff9b9c3b1b53.6a394347fd02ff9b9c3b1b51:TRAE Work CN.0.1.34.no_sid.no_ppe.T(2026/6/22 22:14:31)
1048302856453276:d4d206444f7e53ba433281681b8964ad_6a33e790ecdc0eec6d4d4a91.6a3bd224fa03221310663bf3.6a3bd224fa03221310663bf1:TRAE Work CN.0.1.34.no_sid.no_ppe.T(2026/6/24 20:48:36)
1048302856453276:a259232fad99e1f81e1ad04c0306b681_6a33e790ecdc0eec6d4d4a91.6a3bd907fa03221310663c28.6a3bd907fa03221310663c26:TRAE Work CN.0.1.34.no_sid.no_ppe.T(2026/6/24 21:17:59)
1048302856453276:331429b6b65fdcf7fa013c77d17890db_6a33e790ecdc0eec6d4d4a91.6a54f863ce9c36b5cd06bd66.6a54f863ce9c36b5cd06bd64:TRAE Work CN.0.1.34.no_sid.no_ppe.T(2026/7/13 22:38:27)
5. 对应的报名审核通过的帖子链接