1. Demo 简介
是什么： 一个浏览器里打开就能用的 Web 工作台。上传一张红外光谱文件，几分钟就能拿到一份带"红黄绿"三色证据裁决的成分判断报告。
面向谁： 材料研发、分析测试、高校科研实验室里，那些需要运用红外光谱定性,却又被"测试5分钟，解谱5小时"折磨的技术人员。
主要功能：
-
真实谱库检索 — 所有候选结果都来自 FTIR.fun 真实谱库（13 万+ 参考谱图，由自有数据、用户共享、公开技术资料积累而成），不是让大模型凭空猜的。
-
三色证据裁决 — 在谱库检索的基础上，进一步对结果做可信度判定：
GREEN：Top-1 结果可信，可以直接采纳为样品主成分
YELLOW：还确信不了具体是哪个物质，但已经能收敛到一个可靠的材料方向（比如"酯类"），作为下一步分析的起点
RED：证据发散，继续在这个结果上分析没有意义，应该对样品做前处理后重新测试，或者补充先验信息
-
下一步引导 — 遇到 YELLOW 的情况，系统会结合样品信息和特征峰，给出具体的下一步分析方案（比如建议做 GC-MS 还是 DSC），带着技术人员一步步走向主成分结论。哪怕经验不足，也能按部就班地处理。
2. Demo 创作思路
灵感来源
红外光谱分析技术在国民经济各领域应用极广，对于医药/刑侦/研发等不可或缺。本人在第三方检测机构从事材料分析和配方分析近20年。工作中始终被一个痛点困扰：FTIR谱库软件只管"查"，不管"判"。谱库检索解决了"查不到候选"的问题，但真实工作里最难的从来不是查候选，而是查到候选之后该怎么判断。谱证工坊就是在现有商业谱库服务模式的基础上，再往"辅助判断"迈出的一步。
想解决的问题
现有谱库软件只给样品相对于参比谱图的相似度排名，既不给解释，也不做判断。技术人员只能凭经验翻资料、认特征峰、结合先验知识去下结论。这里有三个最突出的痛点：
- 效率低 — 测试 5 分钟，分析却要几个小时
- 太吃经验 — 对人员经验要求高，制约了行业整体水平的提升
- 可重复性差 — 不同的人可能给出不同的判断，对于严肃的检测实验室来说，这有时候是致命的
这些问题在行业里摆了 20 年，始终没有任何一款商业软件系统地解决过。
下图是同一张谱图，在传统软件和谱证工坊里的结果对比：
为什么做这个方向
传统红外分析人员在做谱图解析时无非依据几个步骤:从相似度较高的结果物质分析规律，看特征峰判断类别，根据类别查找文献寻找支持或者否决的线索。这些都适合用程序替代。我的基本思想是：要把"相似度排名"变成"能不能用"的结论，必须以谱库和知识库(无论是大模型自带还是本地额外建立)为基础，确定性规则为边界，大模型的合理输入/提示词工程/总结推理能力是上限。
谱证工坊的裁决基于四个可计算的指标：
| 指标 | 含义 | YELLOW 样例值 |
|---|---|---|
| 实体份额 | Top-1 能不能锁定为唯一答案 | 6.8%（15 个候选分数挤在 0.77~0.82，谁也拉不开） |
| 方向置信度 | 候选是不是指向同一个化学家族 | 66.6%（15 个里有 10 个都是酯类） |
| Top-1 得分 | 最佳匹配的绝对相似度 | 0.818 |
| Top-1/2 分差 | 第一名领先多少 | 0.005（差距极小，锁不定单一物质） |
上面这个例子：实体份额只有 6.8%（锁不到某一个物质），但方向置信度有 66.6%（多数候选都是酯类）→ 于是判 YELLOW，给出"脂肪酸酯方向已经收敛，建议用 GC-MS 确认具体酯种"的下一步建议。
这套系统最关键的地方在于：把原本高度依赖个人经验、耗时长、重复性差的分析工作，用 LLM 提炼成一套高效、可量化、可溯源的操作指南——分步进行、层层推进，不断向分析真值趋近。
想法落地的效果
2018 年我开始自学 Python，到了 2024 年，借着 AI 大规模应用的势头，终于把这个想法落地成了产品——FTIR.fun 谱库平台。本参赛作品正是从该平台提炼而得。
FTIR.fun 目前已经有来自 50 多个国家的200多名注册用户，并且已经有了按使用量和订阅制付费的记录：
3. Demo 体验地址
在线体验： 谱证工坊 SpectraEvidence Lab
30 秒体验路径：
- 点一下样品卡片（推荐选 未知样品 B，油脂类，预期 YELLOW）
- 点 开始分析
- 看 pipeline 动画（4 步逐步走完）
- 看裁决结果（裁决卡 + 4 个指标 + 候选列表 + 下一步建议）
- 追问——随便输个问题，看证据问答怎么回答
也可以再试试 未知样品 A（GREEN）和 未知样品 C（RED），把三种裁决都体验一遍。三个预置样品都是真实的 FTIR 谱图文件，一键就能体验全部核心功能；当然也可以自己上传谱图文件来分析。
4. TRAE 实践过程
整个 Demo 从方案构思、前端交互、后端规则引擎到部署上线，全部在 TRAE 里完成，3 天跑通。以下是四个关键 Session：
Session 1 · TRAE Work Auto — 从行业痛点到结构化方案
我把"FTIR 会测不会判"这个痛点和近 20 年的判断经验讲给 TRAE Work 听，它帮我整理成了一份结构化的创意方案 HTML——用户画像、三色裁决的设计理念、产品边界，这些一直装在我脑子里、却从没系统写出来的东西，第一次落成了文档。
Session ID：CN.397389412961833:c5b3679bcba57d10cfad591a416cbbc2_6a4f0242548bafa6851b8e61.6a4f0243ec980f490245116e.6a4f0242548bafa6851b8e62:TRAE Work CN.1.0.0.2036.a59be564-235f-43af-b60b-d00e2a142005.no_ppe.T(2026/7/9 10:11:22)
Session 2 · TRAE Work Code — 把"怎么让评委 30 秒看懂"变成前端交互
三色裁决的价值，得在第一屏就传达出去。我和 TRAE 一起讨论了"一键样例按钮"的交互方案——让用户不用准备任何数据，就能体验三种裁决场景。TRAE 帮我实现了三栏工作台的布局和语义色系统。
Session ID：CN.397389412961833:66e824f87d1b7054ebbcc7ed3da38c32_6a4f0c50c3fffe6d2f3bdee0.6a4f0c51e4c30933196ce957.6a4f0c50c3fffe6d2f3bdee1:TRAE Work CN.1.0.0.2036.a59be564-235f-43af-b60b-d00e2a142005.no_ppe.T(2026/7/9 10:49:55)
Session 3 · TRAE Work Code — 把分析师的判断直觉编码成确定性规则
三色裁决的核心是 _arbitrate_evidence 这个函数——靠四个指标来做判定。这些阈值都来自我十几年的分析经验：什么时候该信结果、什么时候只能给方向、什么时候必须说"不知道"。TRAE 帮我把这些经验变成了可测试、可重复的 Python 代码。
Session ID：CN.397389412961833:ba029386f8f9ff67f5e79567238029fd_6a4f109b9f143a4dff104389.6a4f109caa6d80fd012cfc0b.6a4f109b9f143a4dff10438a:TRAE Work CN.1.0.0.2036.a59be564-235f-43af-b60b-d00e2a142005.no_ppe.T(2026/7/9 11:08:14)
Session 4 · TRAE 桌面端（DEB）— 整理项目仓库与最终提交物料
在 Linux 上用 DEB 包安装 TRAE 桌面端后，用它整理了项目仓库结构，把开发过程中的文档、截图、Session 记录归档，打包成最终提交物料。
Session ID：CN.397389412961833:cdffa580df6eacd15ae8fa4dc1457fc4_6a5210d1712f1ec0e7cbb605.6a521585712f1ec0e7cbb6b7.6a5215856aeb713bce7094ea:Trae CN.T(2026/7/11 18:05:57)
