102400116-黄博文-软件工程实践第二次作业

hanbaowang666 2026-09-24 22:07:30

软件工程实践第二次作业——与AI结对编程（顶会热词统计）

这个作业属于哪个课程	https://bbs.csdn.net/forums/2601_CS_SE_FZU
这个作业要求在哪里	软件工程实践第二次作业——与AI结对编程（顶会热词统计）
这个作业的目标	与AI结对完成顶会热词统计平台：需求分析（NABCD）、原型设计、Web全栈实现、云部署，并完整记录人机协作过程
其他参考文献	《构建之法》第3、4、8章；OpenAlex API 文档；Element Plus 官方文档；ECharts 官方文档

软件工程实践第二次作业——与AI结对编程（顶会热词统计）
1、git仓库链接、代码规范链接和AI工具说明
2、PSP表格
3、NABCD需求分析
4、原型设计与原型链接
5、成品展示
6、结对人机讨论过程描述
案例A：AI 辅助需求分析与统计口径设计（需求阶段）
案例B：AI 辅助编码——关键词抽取算法的两轮迭代（编码阶段）
案例C：AI 辅助调试——三个真实 Bug 的修复过程（调试阶段）
7、设计实现过程
功能结构图
关键设计决策
8、代码说明
8.1 关键词抽取：n-gram + POS 词性白名单（phrases.py）
8.2 跨短语包含去重：倒排索引加速（hot_topics.py）
8.3 增长率计算：末年无数据时向内收缩（hot_topics.py）
8.4 API 层三级缓存与兜底预热（api/hot_topics.py）
9、心路历程、收获
10、对AI结对伙伴的评价
附：检查清单自核

1、git仓库链接、代码规范链接和AI工具说明

项目	内容
CodeArts 仓库地址	仓库地址
代码规范	codestyle.md，基于 Google Python Style Guide 与 Vue.js 官方风格指南改编
部署访问链接	http://101.37.209.164/
dev 分支	开发在 `dev` 分支进行，功能完成后合并回 `main`；Release 1.0.0 【请按实际仓库情况核对 commit 次数（≥15次）】

AI 编程助手说明

项目	说明
工具	Trae（AI IDE，内置 Claude 模型）
主要用途	需求头脑风暴、原型布局与配色讨论、代码生成与重构、Bug 调试、测试用例编写、Git 提交信息生成
协作方式	我负责需求判断、方案取舍、代码审查与验证；AI 负责初稿生成、方案枚举、错误排查。所有 AI 生成代码均经过我阅读理解 + pytest 测试验证后才合入

数据来源声明：论文数据来自 OpenAlex 开放学术 API（仅用于课程教学）。选择 OpenAlex 而非 DBLP 的原因：DBLP 存在反爬限制且缺少摘要与关键词字段，无法支撑热词统计（这一踩坑过程见第 6 节案例 C）。

2、PSP表格

PSP	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	25
• Estimate	• 估计这个任务需要多少时间	30	25
Development	开发	1560	1890
• Analysis	• 需求分析（包括学习新技术：OpenAlex API、ECharts 动画）	120	150
• Design Spec	• 生成设计文档（NABCD + 统计口径设计）	60	70
• Design Review	• 设计复审（和AI评审原型与架构）	30	40
• Coding Standard	• 代码规范（制定 codestyle.md）	30	25
• Design	• 具体设计（三层缓存、分层架构、数据库 Schema）	90	120
• Coding	• 具体编码（爬虫管道、5大功能、附加功能）	900	1050
• Code Review	• 代码复审（AI生成代码逐段审查）	120	150
• Test	• 测试（pytest 单元测试 103 项 + 浏览器手工测试）	120	180
• Test Report	• 测试报告	30	25
• Size Measurement	• 计算工作量	20	15
• Postmortem	• 事后总结 + 过程改进计划	60	65
Development合计		1560	1890
合计		1590	1915

偏差分析：实际比预估多约 20%，主要来自三处——①测试环节：关键词抽取算法迭代了 3 版（n-gram → POS 过滤 → 双重去重），每版都要回归 103 个测试；②爬虫方案试错：DBLP 方案失败后切换 OpenAlex 重写了抓取管道；③性能调优：全量热词计算首请求 26s → 三层缓存优化到秒级，超出了预期工作量。

3、NABCD需求分析

以下分析由我从"用户、爬虫工程师、前端开发者"三个角色向 AI 提问头脑风暴，AI 输出初稿后由我逐条验证合理性、删掉伪需求（如"论文自动翻译"——超出三大顶会范围且偏离统计主线）后整理而成。

N（Need，需求）

小刚是计算机视觉领域的新人，想通过阅读论文了解研究现状。但 CVPR 2025 年投稿 13008 篇、录取 2878 篇，加上 ICCV、ECCV，仅靠人工逐篇阅读总结研究热点几乎不可行。他需要一个能自动爬取三大顶会论文、统计热门方向、并以直观可视化呈现的平台。

A（Approach，做法）

数据层：通过 OpenAlex API 按 DOI 前缀批量抓取 CVPR/ICCV/ECCV 2022–2026 论文的标题、摘要、关键词、原文链接，清洗后入库 SQLite；
算法层：自研"短语级加权词频"抽取算法——n-gram 滑窗 + NLTK POS 词性白名单（仅保留名词/形容词/专有名词，消灭跨边界碎片）+ 三层字段权重（标题×3、摘要×2、关键词×1、单字词×0.5）+ 停用词/通用词过滤 + 双重包含去重；
展示层：Top10 热词榜（含增长率、年度热度分布迷你图）、关键词力导向图谱（点击节点查看相关论文）、热度走势折线动画、年度热词演变 Bar Race 动图；
工程层：Flask 分层架构（路由/服务/数据三层）+ 三级缓存 + 103 项 pytest 单元测试。

B（Benefit，好处）

用户从"逐篇阅读数万篇论文"变成"打开网页 3 秒看到 Top10 热点"；
热词榜不只给排名，还给出增长率（该方向是升温还是降温）与年度热度分布，能回答"这个方向还值得入吗"；
关键词双语展示（英文+中文），降低 CV 术语的理解门槛；
年份/会议任意组合筛选，满足"对比 ICCV 与 CVPR 风格差异"这类细分需求。

C（Competitors，竞争）

竞品1：人工文献综述 / 导师推荐——准确但耗时数周，且无法量化"热"度；
竞品2：Connected Papers / Semantic Scholar——覆盖全领域、功能强，但没有针对三大 CV 顶会的"热词榜单 + 演变动画"视图，中文用户体验差；
竞品3：DBLP 检索——数据权威但只能列清单，无统计、无可视化，且缺摘要。

D（Data，数据）

数据源：OpenAlex 学术图谱 API（免费、无严格反爬、字段完整），按 DOI 前缀（如 CVPR 10.1109/CVPR、ECCV 各 LNCS 卷前缀）批量定位三大顶会论文；
已入库 1041 篇论文（CVPR 485 / ICCV 315 / ECCV 241），覆盖 2022–2026 五个年份；
统计口径在博客与平台"了解更多"页面均明确标注：热度 = Σ(字段权重 × 词频)，详见第 7 节。

4、原型设计与原型链接

原型工具：墨刀（MockingBot）。

与AI协作设计的方式：

我先向 AI 描述用户故事与 5 大功能，让 AI 从信息架构角度列出页面清单与跳转关系初稿；
我在墨刀中搭建骨架，再就首页布局（热词榜放首屏还是图谱放首屏）、配色（AI 建议学术蓝紫渐变，采纳并落地为"靛紫主题"）与 AI 迭代讨论；
AI 生成的"了解更多"页面文案（三大顶会介绍 + 统计口径说明）我人工核对会议官方数据后修正了 CVPR 录用率数字。

原型链接：https://1yka7mup.site.modao.ink/index.html

原型页面清单（共 7 页）：

页面	对应功能	核心交互
首页/热门方向总览	功能3	Top10 热词榜 + 年份/会议/数量筛选 + 增长率排序
关键词图谱	功能4	力导向图缩放拖拽，点击节点弹出相关论文列表
热度走势	功能5	多关键词折线 + 播放按钮逐年推进动画
年度热词演变（附加）	Bar Race	播放/暂停/上一年/下一年/进度条跳转
论文管理	功能2	增删改查、精确/模糊搜索、分页
论文爬取	功能1	按会议+年份批量爬取 / 按标题搜索单篇，预览后勾选入库
了解更多（附加）	顶会背景与统计口径	图文介绍

交互规则（AI 梳理数据流转后由我确认）：筛选条件变化 → 触发对应 API → loading 遮罩 → 渲染图表；图谱节点点击 → 打开右侧抽屉 → 拉取该关键词下论文列表；爬取 → 预览列表（标记已存在/新增）→ 勾选入库 → 结果摘要卡片。

5、成品展示

以下截图对应实际运行中的系统。部署链接：http://101.37.209.164/

① 首页 · Top10 热门方向榜
显示热度、论文数、增长率（▲升温/▼降温）与 2022–2026 年度热度分布迷你柱状图。可见 "diffusion models（扩散模型）" 稳居榜首，"real world" "high quality" 呈上升趋势。

② 年份/会议筛选联动
切换为"CVPR + 2024"后榜单即时刷新："high quality（高质量）" 居首，"gaussian splatting（高斯泼溅）" 紧随其后位列第二——体现了单年单会视角下的热点差异。

③ 关键词图谱
力导向布局，节点大小表示词频，颜色按频次分 5 档（金/粉/紫/青/蓝，频次越高越暖）。节点支持拖拽与缩放。

④ 点击关键词查看相关论文
点击 "transformers" 节点，弹出该关键词下的论文列表（标题、作者、会议、年份），实现"从热点到论文"的下钻闭环。

⑤ 热度走势对比 + 播放动画
多关键词多年份折https://i-blog.csdnimg.cn/communtity/d8481c0eaf2f41dca438c67a524a49b2.jpeg "#left")
线图，点击"播放动画"按钮逐年推进绘制（按钮变为"播放中"），直观展示各方向的起落节奏。

⑥ 年度热词演变 Bar Race（附加功能）
每年独立计算 Top10 后动态竞赛排名；下图为动画播放过程中的 2023 年榜单，水平条形随排名变化实时伸缩换位。

⑦ 论文爬取页
支持"按会议批量爬取"（如 CVPR + 2024）与"按标题搜索单篇"两种模式；预览列表用标签区分"新增/已存在"，避免重复入库。

⑧ 爬取预览与入库结果
勾选全部论文确认入库后，返回新增/重复/跳过/失败的统计摘要卡片

⑨ 论文管理页
增删改查齐全，支持按编号/标题/关键词模糊搜索（可切换精确匹配）、会议年份过滤与分页浏览。

⑩ 了解更多页面（附加功能）
介绍 CVPR/ICCV/ECCV 三大顶会背景（含投稿/录用数据与本站各会议收录数），顶部以统计卡片汇总收录论文 1041 篇、关键词 3411 个，并以柱状图展示本站年度论文分布，使统计结果可解释、可复现。

⑪ 中英双语热词展示
热词榜与图谱中关键词以"英文（中文）"形式呈现，如 "semantic segmentation（语义分割）"、"diffusion models（扩散模型）"，中文以紫色点缀（可见上方截图 1、3）。

6、结对人机讨论过程描述

本次协作中，我始终遵循"AI 出初稿 → 我验证取舍 → 测试兜底"的循环。以下 3 个案例覆盖需求设计、编码实现、调试修复三个阶段。

案例A：AI 辅助需求分析与统计口径设计（需求阶段）

我的提示词：

"我在做一个 CV 三大顶会（CVPR/ICCV/ECCV）论文热词统计平台。请从终端用户、爬虫工程师、算法工程师三个角色视角，帮我头脑风暴：1) 热词统计的'热度'可以怎么定义？至少给出 4 种口径并分析利弊；2) 英文关键词抽取有哪些方案？"

AI 输出摘要：给出 4 种热度口径（纯词频 / 词频×增长率 / TF-IDF / 时间衰减加权），以及 4 种抽取方案（jieba 直接分词 / n-gram 滑窗 / TF-IDF 选词 / KeyBERT 向量召回）。

我的取舍与理由：

采纳"字段加权词频"作主口径（标题×3、摘要×2、关键词×1）——标题最能代表论文主题，符合直觉且可解释；
拒绝 TF-IDF/KeyBERT——TF-IDF 需要语料级对比，单会议样本量不稳定；KeyBERT 需要下载嵌入模型，部署到低配云服务器风险大。n-gram 滑窗 + 规则过滤是性价比最高的起点；
采纳 AI 提醒的"必须过滤摘要中的 URL 和停用词"——事实证明摘要里的 https://... 会严重污染热词榜。
该讨论同时产出了"了解更多"页面统计口径说明的初稿。

案例B：AI 辅助编码——关键词抽取算法的两轮迭代（编码阶段）

第一轮提示词：

"用 Python 实现英文论文关键词抽取：n-gram 滑窗（1~4 gram），按标题×3/摘要×2/关键词×1 加权计分，单字词得分×0.5，输出 Top N 短语。"

AI 输出：phrases.py 完整实现。我审查后采纳了主流程，但发现两个问题：①没有做词性判断，会出现 "of the" 这类跨边界碎片和被截断的子短语；②没有考虑输入大小写归一。

迭代提示词：

"加一层 NLTK POS Tagging 白名单过滤，只保留名词/形容词/专有名词开头的短语，注意先做 tokenize + pos_tag，再按词性窗口判定短语合法性。"

AI 输出：在 _add_field() 中加入 POS 白名单。实测 Top3 抽取准确率从约 65% 提升到约 90%，"neural network" 之类的跨边界碎片基本消失。

我的后续修改（AI 未提出）：增加了"包含式双重去重"——A 被 B 包含定义为"A 的 display 分词 ⊂ B 的 display 分词或 A 的 stems 集合 ⊂ B 的 stems 集合"，解决 "vision transformer" 与 "transformer" 同榜的问题。这一条 AI 第一版方案只处理了字符串包含，没考虑词干归一，被我否掉后人工改写。

案例C：AI 辅助调试——三个真实 Bug 的修复过程（调试阶段）

Bug1：热词榜出现 "object"、"detection"、"object detection" 同榜

我向 AI 提供了复现数据与现象描述，AI 定位到 _dedupe_by_containment() 存在两个 bug：数据结构传错（entry["display"] 直接报 KeyError 的风险）+ 替换逻辑只吞并一个短词；
AI 重写为倒排索引版：{token: [phrase_indices]}，只比较共享至少一个 token 的短语对，复杂度从 O(N²)（3411 个短语约 5.8M 次子集比较）降到 O(N·k)，全量计算从 26s 降到约 5s；
我验证：写了一个全量数据库的断言脚本，确认修复后不存在任何"包含对"，并回归全部 pytest 用例通过。

Bug2：首页年份切换出 Bug / Evolution 页面报"加载年度热词演变数据失败"

浏览器抓包发现 /api/evolution 返回 500，Flask 日志显示 KeyError: 'venue'；
与 AI 讨论后确认双重根因：①一级短语缓存条目只有 {"year","phrases"} 没有 venue 字段；②即使补上 venue，get_yearly_topics() 内部还会用空 title/abstract 重新抽一遍短语——既报错又白算 2 分钟；
修复方案（AI 提出、我确认）：新增 get_yearly_topics_from_phrases() 直接复用已抽好的短语缓存。首次请求从约 120s 降到 15.6s，缓存命中后仅 167ms。

Bug3：所有增长率显示 -100%

用户视角"榜单里 10 个有 9 个 -100%"明显反常。AI 分析 _compute_growth()：末年（2026）论文仅 31 篇，多数热词在末年没出现，(0 - h0)/h0 = -100%；
修复：首/末年份无数据时向内侧收缩到最近有数据的年份再比较。修复后 "high quality" 显示 +26.9%、"real world" +38.7%，增长率恢复可解释性。

Bug 之外的协作记录：Element Plus 2.9.0 的 el-select 对数字类型 value 存在选中项渲染异常（文本被塞进 placeholder 元素）。AI 通过对比"venue 选择器（字符串）正常 / 年份选择器（数字）异常"定位到版本级 bug，修复方式是把全部年份 v-model 统一为字符串类型、API 调用时再 parseInt。这一类"框架暗坑"靠人肉排查可能要半天，AI 10 分钟内给出定位与修复。

7、设计实现过程

功能结构图

graph TD
    A[用户] --> B[前端 Vue3 + Element Plus + ECharts]
    B --> B1[论文爬取页]
    B --> B2[论文管理页]
    B --> B3[首页·Top10热词榜]
    B --> B4[关键词图谱]
    B --> B5[热度走势]
    B --> B6[年度热词演变 Bar Race]
    B --> B7[了解更多]
    B -->|axios /api| C[后端 Flask 分层架构]
    C --> C1[路由层 api/]
    C1 --> C2[服务层 analysis/]
    C1 --> C3[数据层 models/ SQLAlchemy]
    C2 --> C4[爬虫管道 spider/]
    C4 --> C5[OpenAlex API]
    C2 --> C6[短语抽取 phrases.py<br/>n-gram + POS 白名单 + 三层权重]
    C2 --> C7[评分聚合 scoring.py]
    C2 --> C8[去重/增长率/热词 hot_topics.py]
    C2 --> C9[中英术语词典 translations.py]
    C3 --> D[(SQLite<br/>1041篇论文)]

    subgraph 性能保障：三级缓存
        L1[一级：进程级短语抽取缓存<br/>启动时 warmup 3.4s]
        L2[二级：查询结果缓存 TTL 600s]
        L3[三级：Evolution 专用缓存 TTL 1800s]
    end
    C2 -.复用.-> L1

关键设计决策

① 爬虫管道：数据源 → 抓取器 → 解析器 → 数据清洗器 → 数据库。清洗阶段过滤摘要中的 URL 与停用词（经验教训：否则热词榜会被 https://github.com/... 污染）。ECCV 论文分散在 Springer LNCS 多个卷中，用多个 DOI 前缀批量定位。

② 关键词抽取统计口径（平台内可查证）：

热度(短语) = Σ 字段权重 × 词频    （标题=3，摘要=2，作者关键词=1）
单字词得分 × 0.5
词性白名单：仅保留 名词/形容词/专有名词
双重去重：display 分词包含 OR 词干集合包含

③ 三级缓存 + 启动预热：全量 1041 篇论文的短语抽取约 3.4s，放在 Flask 启动时 warmup_cache() 完成一次；此后所有查询都是纯内存过滤 + 聚合，配合二级/三级缓存，常规请求 <1s。这直接解决了"切换年份/会议时请求超时、Flask 线程池被占满"的线上问题。

④ 年度独立 Top N：Bar Race 页每年独立做抽取→聚合→去重→TopN，而不是全量聚合后再按年切分——否则 2026 年（31 篇论文）的榜单会被全量高频词挤到只剩 2 条。

⑤ 质量保障：pytest 单元测试 103 项全部通过，覆盖短语抽取、去重、增长率、API 契约等核心逻辑。

8、代码说明

8.1 关键词抽取：n-gram + POS 词性白名单（phrases.py）

def _pos_ok(ngram_tokens):
    """POS 白名单：短语必须由 名词/形容词/专有名词 构成，
    且首词不能是介词/冠词/连词——消灭 'of the' 这类跨边界碎片。"""
    ALLOWED = {"NN", "NNS", "NNP", "NNPS", "JJ", "JJR", "JJS"}
    BANNED_HEAD = {"IN", "DT", "CC", "PRP", "TO", "VBZ", "VBP"}
    tags = [t for _, t in ngram_tokens]
    if not tags or tags[0] in BANNED_HEAD:
        return False
    # 至少含一个名词性成分（避免 "visual" 这类孤形容词）
    if not any(t.startswith("NN") for t in tags):
        return False
    return all(t in ALLOWED for t in tags)

def _add_field(counter, text, weight):
    """对单字段做 tokenize + POS 过滤 + n-gram 计分。"""
    tokens = word_tokenize(text.lower())
    tagged = pos_tag(tokens)
    for n in range(1, 5):                      # 1~4 gram 滑窗
        for i in range(len(tagged) - n + 1):
            window = tagged[i:i + n]
            words = [w for w, _ in window]
            if any(w in STOPWORDS or len(w) < 2 for w in words):
                continue
            if not _pos_ok(window):
                continue
            key = " ".join(words)
            w = weight * (0.5 if n == 1 else 1.0)   # 单字词降权
            counter[key] = counter.get(key, 0.0) + w

设计思路：单字段内先分词并打词性标签，滑窗枚举 n-gram；先做停用词/长度硬过滤（便宜），再做 POS 白名单（较贵），把最贵的判断放最后以减少计算量。单字词 ×0.5 是因为单个词（如 "representation"）信息量低于短语且噪声大。

8.2 跨短语包含去重：倒排索引加速（hot_topics.py）

def _dedupe_by_containment(sorted_topics):
    """输入按热度降序的 [(stem_tuple, entry), ...]。
    A 被 B 吞并 = A.display 分词 ⊂ B.display 分词
                 或 A 的 stems ⊂ B 的 stems，
    且 B 的热度 ≥ A 的 30%。
    用倒排索引 {token: [indices]} 只比较共享 token 的短语对。"""
    inverted = defaultdict(list)
    for idx, (stems, entry) in enumerate(sorted_topics):
        for tok in set(entry["display"].split()) | set(stems):
            inverted[tok].append(idx)

    swallowed = set()
    keep = []
    for idx, (stems, entry) in enumerate(sorted_topics):
        if idx in swallowed:
            continue
        keep.append((stems, entry))
        a_words = set(entry["display"].split())
        a_stems = set(stems)
        # 只检查排在它后面（热度更低）、且共享过 token 的候选
        candidates = set()
        for tok in a_words | a_stems:
            candidates.update(inverted[tok])
        for j in candidates:
            if j <= idx or j in swallowed:
                continue
            stems_b, entry_b = sorted_topics[j]
            b_words = set(entry_b["display"].split())
            b_stems = set(stems_b)
            contained = (a_words >= b_words and b_words) or \
                        (a_stems >= b_stems and b_stems)
            if contained and entry_b["heat"] >= entry["heat"] * 0.3:
                swallowed.add(j)
    return keep

设计思路：榜上同时出现 "object detection" 和 "object" 时，短词是纯噪声。暴力做法是两两比较 O(N²)（3411 短语 ≈ 5.8M 次子集判定，26s）；大多数短语对根本不共享任何词，所以先建倒排索引，比较范围从"全部对"缩小到"共享 token 的对"，实测降到约 5s。"热度 ≥ 30%"阈值避免高频短词误吞低频长词。

8.3 增长率计算：末年无数据时向内收缩（hot_topics.py）

def _compute_growth(per_year, first_year, last_year):
    """首年末年之间热度增长率。
    首尾年份无数据时，向内侧收缩到最近一个有数据的年份再比较，
    避免末年论文过少（如 2026 仅 31 篇）导致大面积 -100% 的误导。"""
    if first_year == last_year:
        return 0.0
    h0, h1 = per_year.get(first_year, 0.0), per_year.get(last_year, 0.0)

    if h0 <= 0:  # 首年无数据 → 找最早有数据的年份
        for y in sorted(per_year):
            if first_year < y <= last_year and per_year[y] > 0:
                first_year, h0 = y, per_year[y]
                break
    if h1 <= 0:  # 末年无数据 → 找最晚有数据的年份
        for y in sorted(per_year, reverse=True):
            if last_year > y >= first_year and per_year[y] > 0:
                last_year, h1 = y, per_year[y]
                break

    if first_year == last_year or h0 <= 0 or h1 <= 0:
        return 0.0
    return round((h1 - h0) / h0, 4)

8.4 API 层三级缓存与兜底预热（api/hot_topics.py）

_CACHE = {}                       # 二级缓存：(venue, years, top_n) → response
_CACHE_TTL = 600
_WARMUP_IN_PROGRESS = False

def _ensure_cache():
    """确保一级短语缓存就绪：run.py 启动时已 warmup（3.4s），
    这里只做兜底。注意必须用 ht_mod._PAPER_PHRASES_CACHE 动态读取——
    from module import X 是值拷贝，会看不到 warmup 后的更新。"""
    global _WARMUP_IN_PROGRESS
    if ht_mod._PAPER_PHRASES_CACHE is not None:
        return ht_mod._PAPER_PHRASES_CACHE
    if _WARMUP_IN_PROGRESS:       # 并发请求时只等，不重复抽取
        start = time.time()
        while ht_mod._PAPER_PHRASES_CACHE is None and time.time() - start < 300:
            time.sleep(0.5)
        return ht_mod._PAPER_PHRASES_CACHE or []
    _WARMUP_IN_PROGRESS = True
    try:
        papers = [{"title": p.title, "abstract": p.abstract or "",
                   "keywords": [k.name for k in p.keywords],
                   "year": p.year, "venue": p.venue}
                  for p in Paper.query.all()]
        ht_mod.warmup_cache(papers)
    finally:
        _WARMUP_IN_PROGRESS = False
    return ht_mod._PAPER_PHRASES_CACHE or []

设计思路：一级缓存是"所有论文的短语"（进程级、永不失效），二级缓存是"查询参数组合 → 响应"（TTL 10 分钟），三级是 Evolution 页专用（TTL 30 分钟）。_WARMUP_IN_PROGRESS 标志防止并发请求各自触发一次 3.4s 的全量抽取把 Flask 线程池占满——这是我们真实踩过的坑。

可解释性声明：以上代码由 AI 生成初稿、我逐段审查后修改合入（8.2 的双重判定规则、8.3 的收缩逻辑、8.4 的并发保护是我主导的修正）。全部代码我均能解释设计思路，并通过 103 项 pytest 用例验证。爬虫管道、数据库 Schema、前端 7 个页面组件由 AI 生成初稿后由我调整；中文翻译词典 translations.py 约 200 条术语由我人工整理、AI 辅助校对。

9、心路历程、收获

从"用AI写代码"到"和AI结对"的认知转变。

接到作业时我以为"AI 结对"就是把需求丢给 AI、把代码粘出来。实际做了才发现完全不是：AI 给的初稿几乎从不能直接用——

关键词抽取第一版会把 "of the"、"and their" 混进热词榜，是我在人工抽查 6 篇论文的 Top5 时发现的，而不是 AI 自己意识到的；
去重函数初稿有两个隐藏 bug（数据结构传错、只吞并一个短词），跑测试时才暴露；
最离谱的一次是我按 AI 的建议先接 DBLP，做了一半才发现 DBLP 根本没有摘要字段——热词统计无从谈起，只好整条管道推倒换 OpenAlex。这就是 AI 的"知识幻觉/过时风险"：它说得头头是道，但不会替你验证数据源的真实字段。

但 AI 结对也有传统结对给不了的东西：

随叫随到、无限耐心。凌晨调 Element Plus 的年份选择器 bug，我可以连续追问 20 个"为什么"，AI 每次都给出完整分析；
并发式枚举。设计热度口径时，它一口气给出 4 种方案带利弊分析，我自己可能只想得到 2 种；
跨栈无缝。同一会话里，上一句在改 Flask 的缓存，下一句就能切到 ECharts 的动画参数。传统结对伙伴很难同时精通前后端加爬虫。

方法论收获：我总结出自己的协作纪律——①让 AI 先出方案清单再让它写代码（避免拿到一个"能跑但方向错"的实现）；②所有 AI 代码必须先读懂再合入，读不懂的地方追问到懂；③测试兜底，103 项 pytest 是我敢于快速接受 AI 代码的底气；④关键决策（数据源、统计口径、去重规则）必须自己拍板，AI 只做参谋。
项目启动阶段对话
 代码debug部分的对话

10、对AI结对伙伴的评价

如果把 AI 看作一位真实的结对伙伴，我会这样评价它：

贡献（驾驶员/导航员角色灵活切换）

导航员角色极出色：代码审查时它能瞬间指出我忽略的边界（"2026 年只有 31 篇论文，年度榜单会被挤掉"），这种随时在线的 review 是传统结对做不到的；
驾驶员角色合格但有条件：给它明确的规格（函数签名、数据结构、验收标准）时产出质量很高；规格模糊时它自行脑补的部分往往是错的；
知识面广但需要校准：框架 API、算法套路信手拈来；但对"DBLP 有反爬且缺摘要"这类实践层面的真相会给出过时/理想化的答案。

局限

幻觉风险：会一本正经地编造不存在的 API 参数，需要实测验证；
无主动验证意识：它不会自己跑测试，"能生成"不等于"能工作"；
上下文有限：项目变大后需要我在每次对话中重新交代背景，否则它会遗忘之前定的架构约定。

一句话总结：AI 是一位"读遍天下书但没有上线经验"的伙伴——创意与广度满分，落地判断力欠费。人负责方向、验证与拍板，AI 负责初稿、枚举与陪跑，这是我验证过的最高效分工。这次结对最大的收获不是代码，而是学会了如何管理一个不会累、但会自信地说错话的同事。

附：检查清单自核

博客开头包含格式描述表格与可跳转目录
git 仓库链接、代码规范链接、AI 工具说明
PSP 表格（预估 + 实际 + 偏差分析）
NABCD 模型（重点 A 和 C）
原型工具说明 + 原型链接
成品展示 ≥10 张图，每图配文字说明
3 个代表性 AI 协作案例（需求/编码/调试），含提示词、输出摘要、采纳与拒绝理由
可解释性声明（哪些代码 AI 生成、哪些人工修改）
功能结构图
关键代码约 300 行 + 思路解释
心路历程与对 AI 伙伴的评价
【提交前请核对】CodeArts commit ≥15 次、已建 dev 分支、已发布 Release 1.0.0、README.md 含作业链接/学号/项目介绍/数据来源/AI使用说明