软件工程实践第二次作业

程黄姗 2026-09-24 23:53:16
这个作业属于哪个课程https://bbs.csdn.net/forums/FZU_university_2026
学号-姓名102400101 程黄姗
这个作业要求在哪里https://bbs.csdn.net/topics/620526370
这个作业的目标AI辅助完成NABCD需求分析、原型设计，发布原型并将子任务记录为PSP表格，与AI结对协作开发，部署到华为云CodeArts
其他参考文献《构建之法》，DBLP API文档，ECharts官方文档，OpenAlex 官网

目录

1. git仓库链接、代码规范链接和AI工具说明

CodeArts仓库地址：https://devcloud.cn-north-4.huaweicloud.com/codehub/project/2853817730184215857a53d0f49778ef/codehub/3086045/home?ref=master
codestyle.md代码规范链接：https://devcloud.cn-north-4.huaweicloud.com/codehub/project/2853817730184215857a53d0f49778ef/codehub/3086045/home?ref=master&filePath=codestyle.md&isFile=true
AI编程助手说明：本次结对作业选择的AI伙伴为 DeepSeek（主要使用其Web端及API，版本为DeepSeek-V3）。主要用途包括：需求头脑风暴、原型界面架构设计、核心爬虫与可视化代码生成、代码Bug排查与性能优化。

2. PSP表格

PSP Personal Software Process Stages阶段预估耗时（分钟）实际耗时（分钟）
Planning计划2532
Estimate工作量预估3038
Development开发
Analysis需求分析（含学习新技术）100145
Design Spec生成设计文档6086
Design Review设计复审4033
Coding Standard代码规范编写3022
Design具体设计（架构、表结构）80112
Coding具体编码实现300410
Code Review代码复审6046
Test自测，修复bug、提交修改120175
Reporting报告
Test Report测试报告4031
Size Measurement计算工作量统计2014
Postmortem & Process Improvement Plan事后总结，改进计划6082
合计8651096

偏差原因分析：

1.预估阶段低估了DBLP接口调用的限流问题，调试爬取模块花费额外时间；
2.ECharts图谱、动态动画调试比预想麻烦，需要反复调整配置项；
3.AI给出代码存在逻辑漏洞，需要人工阅读理解、排查幻觉问题，增加代码复审和测试时间；
4.原型页面交互细节打磨，页面样式微调耗时超出预估。

3. NABCD需求分析

3.1 N（Need）- 用户需求

用户小刚希望快速了解CV领域三大顶会CVPR、ICCV、ECCV近年的研究热点。人工翻阅海量论文效率极低。
核心需求：
1.输入论文标题（单个或者批量导入），自动抓取摘要、关键词、原文链接；
2.对论文列表进行增删改查，支持模糊检索；查不到则自动联网抓取；
3.统计已入库论文，提取Top10热门研究方向；
4.关键词图谱可视化，点击关键词查看关联论文；
5.多年份、多个顶会的热词热度动态对比图。

用户：计算机视觉方向入门学习者、学生；场景：调研领域前沿、快速了解顶会热点。

3.2 A (Approach) - 实现方案

本项目采用前后端分离的Web架构，全程依托AI编程助手DeepSeek进行结对开发，具体实现方案及AI协作细节如下：

数据源获取：主要采用 DBLP开放API，获取CVPR、ICCV、ECCV三大顶会的论文元数据（标题、作者、年份等）；针对API缺失的摘要和关键词，通过AI辅助生成的爬虫脚本定向抓取会议官网进行补全。（AI协作：使用DeepSeek编写API调用和限流防封爬虫代码，并完成数据清洗）。

后端实现：采用 Python Flask 框架。负责调用DBLP接口、数据清洗、基于jieba和TF-IDF算法的关键词提取、以及热词热度统计与接口封装。（AI协作：利用DeepSeek生成Flask路由模板和TF-IDF核心算法，人工排查AI逻辑漏洞并优化性能）。

前端实现：采用 Vue 3 + Vite + Element Plus 搭建单页应用，结合 ECharts 实现页面交互、关键词图谱渲染、多年度热度走势动态动图。（AI协作：借助DeepSeek生成ECharts配置项和Vue组件骨架，人工调整UI布局以提升用户体验）。

数据持久化：采用轻量级关系型数据库 SQLite。将清洗后的论文数据、分词结果和统计结果持久化存储，方便进行增删改查（CRUD）和本地部署。（AI协作：AI生成数据库表结构设计，人工完成ORM映射）。

项目部署：代码托管至 华为云CodeArts（使用dev分支开发，main分支发布），最终部署上线至 华为云ECS云服务器，配置Nginx反向代理解决跨域问题，并发布Release v1.0.0包。（AI协作：部署报错时，通过向AI输入报错日志快速定位Nginx配置或跨域问题）。

原型设计：使用墨刀工具。先与AI讨论页面信息架构、布局和配色方案，由AI生成初稿建议，随后经人工审核与调整完成交互逻辑设计（涵盖首页、列表管理、走势分析等核心页面）。

3.3 B（Benefit）- 给用户带来的好处

用户不用手动检索每一篇论文，一键批量导入论文列表，自动提取摘要关键词；可视化图表直观看到热门方向，动态图观察热词随年份的变迁。大幅降低入门调研成本。用户只需要提供论文标题，系统自动完成信息抓取与统计。

3.4 C（Competitors）- 竞品分析

竞品1：DBLP官网。优点：权威原始数据；缺点：无批量导入、无关键词统计、没有可视化图表，只能单篇查询，缺少热点汇总。
竞品2：PaperWithCode。优点：论文汇总，附带代码；缺点：无法批量导入自定义论文列表，不能自由统计自己选中论文的Top10方向，没有关键词图谱。
本平台：
优势：自定义论文集合分析。用户可以自由导入自己筛选出来的论文，只统计用户选中的这批论文，不是全局统计，支持本地论文库管理。这是和现有网站最大差异。
劣势：依赖DBLP开放API，受接口限流，部分论文信息可能缺失；文本关键词抽取有误差。

3.5 D（Delivery）- 交付计划

阶段一：需求分析，NABCD文档，墨刀原型，PSP预估工时。
阶段二：编码开发，按模块开发，Git提交记录，单元自测；完成部署到华为云ECS；
交付产物：可访问Web网站、CodeArts代码仓库、博客文档、原型链接。

4. 原型设计与原型链接

4.1 原型开发工具与AI协作方式

开发工具：本次原型设计采用 墨刀。选择该工具是因为其组件库丰富、支持快速拖拽，且能生成便于分享的网页链接。
AI协作方式：在原型设计阶段，我将DeepSeek作为“产品经理助理”。首先向AI输入需求背景，让其推荐配色方案和页面信息架构；随后在墨刀中搭建基础框架，将截图发给DeepSeek进行“UX走查”，AI指出了页面层级过深、按钮不够醒目等问题，我结合其建议进行了人工优化调整。

4.2 页面原型与交互逻辑

页面结构：包含首页（热门方向总览 + 关键词图谱）、论文列表管理页（增删改查）、论文爬取/导入页、热度走势对比页（动图）、详情页以及关于我们页面。
交互逻辑：
首页点击“查看更多”可跳转至论文列表页。
列表页支持精确查询和模糊查询，点击“详情”可查看论文摘要与原文链接。
若查询论文不存在，系统弹出Toast提示“未找到该论文，是否立即从DBLP/官网爬取？”，点击确认后触发后端爬虫并返回结果。
点击关键词图谱中的任一词汇，可弹出悬浮窗展示包含该关键词的相关论文列表，实现数据的联动。

4.3 原型网页发布链接

原型分享链接：https://modao.cc/proto/VBaubLlptluw12zQJ89Pf3/sharing?view_mode=read_only&screen=rbpVW7M13UitUdkam #102400101-分享

5. 成品展示

5.1 首页总览页面

img

说明：首页采用深色学术科技风，集中展示了核心数据指标。左侧为“Top 10 热门研究方向”的排行榜卡片，右侧为ECharts力导向图渲染的“关键词关联图谱”。支持拖拽缩放，节点大小代表词频，不同颜色代表不同类别。

5.2 论文信息爬取功能

img

img

说明：用户可输入单个论文题目进行精准爬取，也支持上传TXT/CSV文件进行批量导入。点击“开始爬取”后，前端进度条动态展示爬取状态，日志区域实时输出“正在请求DBLP API”、“正在提取关键词”等状态，模拟并反映真实的后台处理流程。

5.3 论文列表管理功能

img

说明：展示对已爬取论文的增删改查操作。表格适配了深色主题，支持按标题/作者/关键词进行前端模糊查询过滤。当搜索无结果时，会弹出“未找到该论文，是否立即从DBLP爬取？”的交互弹窗。操作列包含查看详情、编辑和删除按钮。

5.4 Top10热门研究方向分析

img


说明：基于TF-IDF算法和jieba分词对已爬取的论文数据进行关键词提取，统计词频并排序，提取出当前CV领域的Top 10热门研究方向，以排行榜形式展示，前三名有高亮颜色标识。

5.5 关键词图谱可视化

img

说明：基于ECharts实现的知识图谱。节点（Nodes）由所有出现过的关键词组成，节点大小代表词频总和；连线（Links）代表这些关键词出现在同一篇论文中的共现关系。鼠标悬浮可高亮关联节点。

5.6 热度走势对比动图展示

img

img

img


说明：展示了CVPR、ICCV、ECCV三大顶会在2022-2025年间热词热度的动态对比。基于ECharts的timeline组件实现，开启autoPlay后自动播放，底部控制器可进行播放/暂停和年份切换，直观展示了“大模型”、“多模态”、“目标检测”等词汇的热度演变。

5.7 华为云ECS部署验证

img

说明：项目最终部署至华为云ECS（Huawei Cloud EulerOS）。采用Nginx托管Vue打包后的静态资源，并通过反向代理将/api请求转发至后端Gunicorn服务。公网访问链接：http://119.3.231.2/

6. 结对（人机）讨论过程描述

6.1 案例A：AI辅助需求分析与原型设计（HTML转墨刀）

Prompt提示词：“请帮我生成一个计算机视觉顶会论文分析平台的原型HTML页面，包含首页、论文库、论文采集、趋势分析、详情页，深色学术科技风……”
AI输出摘要：DeepSeek生成了5个包含内联CSS和ECharts占位图的高保真HTML文件。
我的修改与理由：AI生成的HTML虽然在浏览器可以跳转，但导入墨刀后，由于工具机制，所有超链接失效，且部分元素游离在画板之外无法设置交互（报错“页面外元素不支持创建和设置交互”）。我人工介入后，将游离元素拖入画板，将导航栏抽离为“全局组件”，手动补全了页面跳转、搜索无结果弹窗、进度条载入动画等交互逻辑。这让我深刻认识到：AI负责生成视觉骨架和业务逻辑草稿，而最终的用户体验和跨工具的适配，必须依靠开发者人工把关。

6.2 案例B：AI辅助编码实现数据可视化模块

Prompt提示词：“请用Vue3 + Element Plus + ECharts写一个首页，左侧渲染Top10榜单，右侧渲染力导向图……”
AI输出摘要：DeepSeek给出了基于Axios异步请求和ECharts graph配置的完整组件代码。
我的修改与理由：AI生成的ECharts默认是浅色主题，与我们的深色学术风严重冲突。我人工查阅了Element Plus和ECharts官方文档，利用 :deep() 深度选择器覆盖了表格背景色、悬停色等CSS变量，并在ECharts初始化时传入了 'dark' 主题，辅以自定义的节点颜色和发光效果，完美适配了暗色模式。同时补充了 window.addEventListener('resize', ...) 逻辑，解决了图表在窗口缩放时的变形问题。

6.3 案例C：AI辅助调试与修复Bug（环境与部署）

Prompt提示词：“Flask报错 ImportError: cannot import name 'Paper' from 'models'，如何解决？” / “终端提示 sudo: nano: command not found，怎么办？”
AI输出摘要：AI准确指出了循环导入（Circular Import）问题，建议抽离 extensions.py 存放 db 实例；在部署环节，AI指出华为云EulerOS系统未预装nano编辑器。
我的修改与理由：在本地开发中，我采纳了抽离 extensions.py 的方案，成功解决了Flask的循环导入崩溃。在云部署时，由于服务器网络限制，我放弃了 pip 默认源，切换为清华镜像源 -i https://pypi.tuna.tsinghua.edu.cn/simple，将依赖安装速度从 6.3 kB/s 提升至 10.2 MB/s，极大节省了部署时间。AI提供解决方案，但我作为开发者需要根据实际网络环境和系统限制进行灵活调整。

多次Prompt迭代记录：

  • 初始Prompt：“帮我写个爬虫。” -> 输出太宽泛，没有针对DBLP的特定逻辑。拒绝。
  • 迭代Prompt：“请用Python写一段代码，调用DBLP API查询‘CVPR 2023’的论文，提取标题、作者、年份和链接，并保存为JSON格式，注意处理网络超时。” -> 成功获取可用代码。采纳。
  • 进一步Prompt：“如何在爬取时防止被DBLP封IP？” -> AI建议添加 time.sleep(2) 并设置随机User-Agent。采纳。

7. 设计实现过程

7.1 系统总体架构

系统采用前后端分离架构。
前端：Vue 3 + Vite + Element Plus + ECharts，负责页面渲染、数据交互、图表动效展示。
后端：Python Flask + SQLAlchemy，负责提供RESTful API、调用DBLP接口、文本处理（jieba、TF-IDF）、以及数据库聚合统计。
数据库：SQLite，轻量级且方便部署，用于持久化存储论文（Paper）、关键词（Keyword）和趋势（Trend）数据。
部署架构：华为云ECS（EulerOS）+ Nginx（反向代理与静态资源托管）+ Gunicorn（WSGI服务器）。

7.2 数据库设计

  • Paper表：id (主键), title, authors, year, conference, abstract, link, keywords。
  • Keyword表：id, word, paper_id (外键), frequency。
  • Trend表：id, year, conference, keyword, frequency。

7.3 模块拆分与开发流程

将项目划分为：数据爬取模块、数据清洗与分词模块、论文管理接口、可视化图表模块。
开发流程：在CodeArts中创建仓库，建立 dev 分支进行日常开发，main 分支用于稳定发布。每完成一个独立功能（如爬虫跑通、列表页接口完成）便commit一次。最终完成所有功能后，将 dev 合并到 main，并发布 Release v1.0.0 包。

7.4 数据来源、爬取与文本处理方法

  • 数据来源：DBLP公开API，以及会议官网的公开数据。（注：仅用于课程教学）。
  • 爬取策略：使用 requests 库发送HTTP请求，加入了 User-Agent 伪装和 time.sleep(2) 频率限制，并处理了JSON解析异常和网络超时异常。
  • 文本处理：使用 jieba 进行分词，过滤中英文停用词。使用TF-IDF算法（jieba.analyse.extract_tags）提取前5个关键词。
  • 热度统计口径：词频 × 年份增长率。

8. 代码说明

核心代码一：后端数据库聚合查询与图谱共现逻辑（app.py）

app.py

from flask import Flask, request, jsonify
from flask_cors import CORS
from config import Config
from extensions import db
from sqlalchemy import func

app = Flask(name)
app.config.from_object(Config)
app.config['JSON_AS_ASCII'] = False # 让返回的JSON直接显示中文，方便调试
db.init_app(app)
CORS(app, resources={r"/": {"origins": ""}})

from models import Paper, Keyword, Trend
from crawler import crawl_single_paper, crawl_batch_papers

================= 基础爬取与列表接口 =================

@app.route('/api/crawl/single', methods=['GET', 'POST'])
def api_crawl_single():
title = request.args.get('title') or (request.json and request.json.get('title'))
if not title:
return jsonify({"code": 400, "message": "缺少论文标题参数"}), 400
success = crawl_single_paper(title)
if success:
return jsonify({"code": 200, "message": "爬取成功并已入库"})
else:
return jsonify({"code": 500, "message": "爬取失败或已存在，请检查终端日志"})

@app.route('/api/papers', methods=['GET'])
def get_papers():
papers = Paper.query.all()
result = []
for p in papers:
result.append({
"id": p.id, "title": p.title, "authors": p.authors,
"year": p.year, "conference": p.conference,
"abstract": p.abstract, "link": p.link, "keywords": p.keywords
})
return jsonify({"code": 200, "data": result})

================= 数据分析接口 (功能 3, 4, 5) =================

@app.route('/api/analysis/top_keywords', methods=['GET'])
def get_top_keywords():
try:
results = db.session.query(
Keyword.word,
func.sum(Keyword.frequency).label('total_freq')
).group_by(Keyword.word).order_by(db.desc('total_freq')).limit(10).all()

    data = [{"name": row[0], "value": row[1]} for row in results]
    return jsonify({"code": 200, "data": data})
except Exception as e:
    print(f"[API错误] Top关键词统计失败: {e}")
    return jsonify({"code": 500, "message": str(e)}), 500

@app.route('/api/analysis/graph', methods=['GET'])
def get_keyword_graph():
try:
nodes_query = db.session.query(
Keyword.word,
func.sum(Keyword.frequency).label('total_freq')
).group_by(Keyword.word).all()

    nodes = [{"name": row[0], "value": row[1]} for row in nodes_query]
    
    papers = Paper.query.all()
    links_set = set()
    
    for p in papers:
        kws = [k.word for k in Keyword.query.filter_by(paper_id=p.id).all()]
        for i in range(len(kws)):
            for j in range(i + 1, len(kws)):
                pair = tuple(sorted((kws[i], kws[j])))
                links_set.add(pair)
                
    links = [{"source": s, "target": t} for s, t in links_set]
    
    return jsonify({"code": 200, "data": {"nodes": nodes, "links": links}})
except Exception as e:
    print(f"[API错误] 图谱数据生成失败: {e}")
    return jsonify({"code": 500, "message": str(e)}), 500

@app.route('/api/analysis/trend', methods=['GET'])
def get_trend():
try:
years_param = request.args.get('year', '2022,2023,2024,2025')
confs_param = request.args.get('conference', 'CVPR,ICCV,ECCV')

    years = [int(y) for y in years_param.split(',')]
    confs = [c.strip().upper() for c in confs_param.split(',')]
    
    timeline_data = []
    
    for year in years:
        for conf in confs:
            results = db.session.query(
                Keyword.word, 
                func.sum(Keyword.frequency).label('total_freq')
            ).join(Paper, Keyword.paper_id == Paper.id)\
             .filter(Paper.year == year, Paper.conference == conf)\
             .group_by(Keyword.word)\
             .order_by(db.desc('total_freq')).limit(10).all()
             
            data = [{"name": row[0], "value": row[1]} for row in results]
            
            timeline_data.append({
                "year": year,
                "conference": conf,
                "data": data
            })
            
    return jsonify({"code": 200, "data": timeline_data})
except Exception as e:
    print(f"[API错误] 走势数据生成失败: {e}")
    return jsonify({"code": 500, "message": str(e)}), 500

if name == 'main':
with app.app_context():
db.create_all()
print("数据库表初始化完成！")
# 监听 0.0.0.0 以允许外部访问（Gunicorn 启动时不会被这段覆盖，不影响部署）
app.run(host='0.0.0.0', port=5000, debug=True)

【解释思路】

这段代码的核心设计思想是“数据降维”与“计算前置”。
SQL 聚合代替内存计算：在统计 Top 10 热词时，我没有把全部数据拉到 Python 内存里遍历，而是直接利用 SQLAlchemy 的 func.sum 和 group_by，让 SQLite 数据库引擎在底层完成分组求和，再配合 order_by 和 limit，极大减轻了后端服务器内存压力，接口响应速度提升了数倍。
共现关系（图谱连线）的优化：ECharts 力导向图需要节点间的连线数据。如果去数据库里做自连接查询（N+1 问题），效率极低。我采用了“整体拉取 + 内存运算”的策略：一次性拉取所有论文的关键词映射关系，在 Python 内存中使用 set() 集合对词汇进行两两组合并去重。这确保了在几百篇论文的数据量下，接口依然能秒级返回图谱数据。

核心代码二：基于 jieba 和 TF-IDF 的文本特征提取入库（crawler.py）

crawler.py

import requests
import time
import jieba
import jieba.analyse
import csv
import os
from extensions import db
from models import Paper, Keyword

【解释思路】

这段代码解决了“非结构化文本如何转为结构化数据库记录”的核心问题。
特征降维处理：我们爬取到的是长篇摘要或标题，属于非结构化数据。代码通过 jieba.lcut 进行分词，并借助 STOP_WORDS 停用词表过滤掉“的”、“了”等无意义虚词。随后调用 jieba.analyse.extract_tags（TF-IDF算法），提取出最具代表性的 Top 5 关键词。
容错与降级机制：DBLP 公开 API 的一个已知缺陷是不返回摘要（Abstract）。代码中加入了智能降级判断：text_for_keywords = paper_data['abstract'] or paper_data['title']。在摘要缺失时，直接使用论文标题提取关键词，保证入库数据不为空。
事务安全与复用：引入了 db.session.flush() 获取自增主键 ID，确保关联的 Keyword 表外键关联正确。通过 try-except 和 db.session.rollback() 机制，保证哪怕在爬取中途出现网络异常，也不会在数据库中留下脏数据（部分插入的废数据）。

STOP_WORDS = set([
'的', '了', '和', '是', '在', '我', '有', '就', '不', '人', '都', '一', '一个',
'上', '也', '很', '到', '说', '要', '去', '你', '会', '着', '没有', '看', '好',
'自己', '这', '那', '他', '她', '它', '们', '来', '去', '把', '被', '让', '给',
'对', '从', '向', '在', '与', '及', '等', '或', '并', '但', '而', '以', '之',
'为', '于', '中', '外', '内', '前', '后', '左', '右'
])

DBLP_API_URL = "https://dblp.org/search/publ/api%22

def extract_keywords(text, top_k=5):
if not text: return []
words = jieba.lcut(text)
filtered_words = [w for w in words if w.strip() and w not in STOP_WORDS and len(w) > 1]
tfidf_tags = jieba.analyse.extract_tags(text, topK=top_k)

keyword_list = []
for tag in tfidf_tags:
    freq = filtered_words.count(tag) or 1
    keyword_list.append({'word': tag, 'frequency': freq})
return keyword_list

def fetch_dblp_data(title):
params = {'q': title, 'format': 'json', 'h': 1}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'}

try:
    response = requests.get(DBLP_API_URL, params=params, headers=headers, timeout=10)
    response.raise_for_status()
    
    if 'application/json' not in response.headers.get('Content-Type', ''):
        print(f"[解析错误] DBLP 返回了非 JSON 内容，可能被拦截了")
        return None
        
    data = response.json()
    hits = data.get('result', {}).get('hits', {}).get('hit', [])
    if not hits:
        print(f"[警告] DBLP 中未找到论文: {title}")
        return None
        
    info = hits[0].get('info', {})
    authors_data = info.get('authors', {}).get('author', [])
    if isinstance(authors_data, list):
        authors = ", ".join([a.get('text', '') if isinstance(a, dict) else a for a in authors_data])
    else:
        authors = authors_data.get('text', '') if isinstance(authors_data, dict) else str(authors_data)
        
    return {
        'title': info.get('title', title), 'authors': authors,
        'year': int(info.get('year', 0)), 'conference': info.get('venue', 'Unknown'),
        'link': info.get('ee', ''), 'abstract': '' 
    }
except Exception as e:
    print(f"[网络或解析错误] 爬取失败: {e}")
    return None

def save_paper_to_db(paper_data):
try:
if Paper.query.filter_by(title=paper_data['title']).first():
print(f"[跳过] 论文已存在")
return False

    text_for_keywords = paper_data['abstract'] or paper_data['title']
    keywords_data = extract_keywords(text_for_keywords, top_k=5)
    kw_str = ", ".join([k['word'] for k in keywords_data])
    
    new_paper = Paper(
        title=paper_data['title'], authors=paper_data['authors'],
        year=paper_data['year'], conference=paper_data['conference'],
        abstract=paper_data['abstract'] or "暂无摘要",
        link=paper_data['link'], keywords=kw_str
    )
    db.session.add(new_paper)
    db.session.flush()

    for kw in keywords_data:
        db.session.add(Keyword(word=kw['word'], paper_id=new_paper.id, frequency=kw['frequency']))

    db.session.commit()
    print(f"[成功] 论文入库: {paper_data['title']}")
    return True
except Exception as e:
    db.session.rollback()
    print(f"[数据库错误] 保存失败: {e}")
    return False

def crawl_single_paper(title):
print(f"--- 开始爬取: {title} ---")
paper_data = fetch_dblp_data(title)
if not paper_data: return False
return save_paper_to_db(paper_data)

def crawl_batch_papers(file_path):
if not os.path.exists(file_path): return 0, 0
titles = []
try:
if file_path.endswith('.csv'):
with open(file_path, 'r', encoding='utf-8') as f:
titles = [row[0].strip() for row in csv.reader(f) if row]
else:
with open(file_path, 'r', encoding='utf-8') as f:
titles = [line.strip() for line in f if line.strip()]
except Exception as e:
print(f"[错误] 读取文件失败: {e}")
return 0, 0

success, fail = 0, 0
for title in titles:
    if crawl_single_paper(title): success += 1
    else: fail += 1
    time.sleep(2)
return success, fail

9. 心路历程、收获

阅读《构建之法》第4章结对编程。传统结对编程是两个人，一人驾驶员、观察员，实时沟通。而人机结对是人和AI作为搭档。
这次开发，最大收获是学会如何向AI清晰描述需求，写准确的prompt。AI擅长快速生成代码框架、提供多种方案，节省写样板代码的时间。但是AI存在幻觉：有时候编造API返回字段，写出有漏洞、逻辑错误的代码。不能直接复制粘贴，人必须持续作为审查者，读懂每一行代码，验证结果。
人机结对优势：随时可用，不会疲劳；可以快速生成备选方案，辅助头脑风暴，辅助调试报错。局限：AI不理解整体项目目标，分不清作业的边界（经常主动加附加功能），有知识截止；会编造不存在的接口和字段；AI无法自主判断需求是否合理，需要人做最终决策。

对比传统人与人结对：
人与人结对：两个人都有领域理解，可以互相质疑、一起讨论需求；缺点是需要协调时间。
人机结对：AI快速产出草稿，但是没有自主判断力，所有输出必须人工审核。人是项目的负责人，AI是助手，不是对等的“搭档”。

在开发过程，我学会使用Git分支管理、CodeArts代码仓库，把功能拆分小任务，每完成一块就提交commit。PSP工时记录，也让我体会到预估工作量和真实开发的差距，以后做项目评估时，会预留调试、复审时间。

10. 对AI结对伙伴的评价

AI结对伙伴（deepseek）对本次作业贡献：
1.需求阶段，快速头脑风暴，给NABCD、页面原型的思路；
2.编码阶段，快速写出Flask、Vue+ECharts的样板代码，节省写基础脚手架的时间；
3.调试阶段，可以解释报错栈，给出排查方向，例如429限流bug。

局限性：
1.AI会幻觉，编造DBLP不存在返回字段；写代码存在逻辑漏洞，需要人工仔细测试；
2.分不清作业约束，经常主动推荐附加功能；需要反复提醒：只做基础5项，不要额外扩展；
3.AI不能自主理解全局需求，只能根据prompt的内容响应；不会主动发现需求遗漏；
4.AI没有真实的测试能力，给出的代码只能作为初稿，人必须看懂代码，并且亲自测试验证。

总体评价：AI是高效的辅助工具，适合做草稿、启发思路，但是不能替代开发者的思考、验证、测试和决策。人机结对里，人永远是主导者。

...全文
69 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
软件工程实践第二次作业——个人实战
为了实现这一需求，我选择了使用 Selenium 驱动的 WebDriver 来加载网页，并利用 JSoup 来解析网页的内容。本次作业让我学习了网页数据爬取的相关操作，也让我对 Java 编程的基本语法和异常处理机制的使用等更加熟练。然而，这种方法在处理动态内容时存在问题，因为页面中的奖牌数据是只有滚动页面时，新的奖牌数据才会显示出来。正常的输入只需要调用不同的功能接口，而对于异常输入分为两种情况，一种是功能二的不规范日期异常，一种是用户乱输，对于不同的情况就需要做不同的处理。
软件工程实践2019第二次作业
软件工程实践2019第二次作业 转载于:https://www.cnblogs.com/LIU151/p/11532303.html
202601福大-软件工程实践-W班

101

社区成员

172

社区内容

发帖
与我相关
我的任务
社区描述
202601福大-软件工程实践-W班
软件工程 高校 福建省·福州市
社区管理员
  • 202601福大-软件工程实践-W班
  • 李之尹
  • 123
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章