期末复习时，最让人头疼的往往不是“背不背”，而是“不知道该先背什么”。教材、课件、PDF、老师划的重点堆在一起，信息很多，但真正能转化成复习计划的内容却需要花大量时间手动整理。

于是我做了一个初期版本的 AI 学习工具：期末考点思维导图拆解器。

它的目标很简单：把杂乱的课程资料，自动整理成一套可以直接复习的结构化内容。用户可以上传或粘贴教材、Word、PPT、PDF、课堂笔记，系统会尝试拆分章节、提取高频考点，并按照重要程度标注 S/A/B/C 级重点。

目前这个版本已经支持生成思维导图、考点列表、选择题/简答题/论述题、背诵清单、错题本和背诵进度，也可以导出 Word 或 PDF 复习报告。对于只想快速预览资料结构的场景，可以使用本地规则生成；如果希望考点识别和题目质量更高，则可以调用 DeepSeek API 做 AI 分析。

技术上，这个项目采用了一个轻量的本地架构。前端使用原生 HTML + CSS + JavaScript 实现，没有引入复杂框架，方便快速迭代。页面结构、样式和逻辑已经拆分成 index.html、styles.css 和 app.js，后续维护时可以分别修改界面、视觉和功能逻辑。

前端主要负责资料输入、状态切换、结果渲染、思维导图绘制、错题和背诵进度管理。思维导图使用 SVG 绘制，课程数据、错题本和背诵进度暂时存储在浏览器 localStorage 中。导出功能则通过浏览器的 Blob 和打印能力，实现 Markdown、Word 和 PDF 报告导出。

后端使用 Node.js 搭建本地服务，负责两件事：一是作为 DeepSeek API 的代理，避免 API Key 暴露在前端；二是处理文件上传和文本解析。用户上传文件后，后端会把文件交给 Python 脚本处理，再把提取出的文本返回给前端。

文件解析部分使用 Python 实现。DOCX 和 PPTX 本质上是压缩包，因此可以通过 zipfile 读取内部 XML，再提取文本；PDF 则优先使用 pdfplumber 和 pypdf 获取文本层内容，并加入乱码检测。如果遇到扫描版 PDF 或特殊字体编码 PDF，系统会提示用户需要 OCR 或改传 Word/PPT 原文件。

AI 分析部分接入了 DeepSeek API。后端会把课程名称、考试类型、复习偏好和资料正文组织成 Prompt，要求模型返回严格 JSON，包括章节、考点、等级、分值范围、题型、关键词、模拟题和背诵清单。前端再基于这份结构化数据渲染学习工作台。

界面设计上，我没有做成传统后台系统，而是尝试了 Neo Glass 风格：浅色渐变背景、毛玻璃卡片、克制的颜色和较大的留白，希望它更像一个安静的 AI 学习空间，而不是一个复杂的管理系统。

当然，它现在还只是初期版本。本地分析的准确性有限，PDF 识别也会受文本层和扫描质量影响，长文本整本书级别的分析还需要继续优化。后续计划加入长文本分章分析、OCR、真正可编辑的思维导图、多轮 AI 精修、课程数据备份和更完善的学习计划系统。

这个项目对我来说，更像一次 Vibe Coding 式的产品探索：先把一个真实痛点跑通，再不断把它变得更好。它现在还不完美，但已经证明了一个方向：AI 不只是帮我们总结文字，它也可以参与完整的学习流程，从资料整理、考点判断，到练习、背诵和复盘。

Github:Tooolive/think