🎓 EduAssist — 人工智能驱动的研究与学习助手
   
一个结合了LangGraph代理、MCP工具和先进人工智能的智能研究助手，旨在加速学术研究流程和学生学习进程。
EduAssist通过提供一个统一的平台，弥合了零散研究工具之间的鸿沟，该平台集学术论文发现、内容分析、课程推荐和智能问答于一体，所有功能均依托于能够适应您研究重点的记忆增强对话技术。
📋 目录
🔬 特点
学术研究工具
- arXiv论文发现搜索、提取并分析学术论文，同时自动存储元数据
- 引文管理使用JSON元数据整理研究论文，便于查阅
- 论文摘要利用人工智能提取关键见解、方法和发现
多模态内容分析
- YouTube字幕提取处理教育视频和讲座以进行研究分析
- 网络研究整合抓取并分析学术网站和文档
- NPTEL课程探索通过预嵌入的课程数据集进行语义搜索
智能记忆系统
- 持久上下文记住跨会话的研究主题和正在进行的调查
- 自适应学习根据研究历史提供个性化推荐
- 交叉引用跟踪保持论文、概念和研究线索之间的联系
🏗️ 建筑学
EduAssist（教育助手）
├── Config/ （配置文件夹/）
│ └── .env # 环境变量和API密钥
├── Data/ （中文可译为：├── 数据/ 或者根据上下文可能译为“├── 数据文件夹/”等，这里简化为“├── 数据/”以保持简洁）
│ └── nptel课程含嵌入.xlsx
├── agent_orchestrator.py # 带记忆的LangGraph ReAct代理
├── course_retriever.py # NPTEL语义搜索引擎
├── main.py # Streamlit 研究界面
├── research_mcp.py # arXiv论文发现与提取
├── youtube_mcp.py # 学术视频字幕提取
├── requirements.txt # Python 依赖项
└── README.md # 项目文档
核心组件
- 具备记忆功能的代理带有MemorySaver的LangGraph ReAct代理，用于持久化研究上下文
- MCP 集成模型上下文协议服务器，实现工具间无缝通信
- 语义搜索引擎基于SentenceTransformer的余弦相似度推荐
- 交互式用户界面具备实时处理和调试功能的Streamlit界面
🚀 快速入门
先决条件
在开始之前，请确保已安装以下内容：
- Python 3.8 或更高版本
- pip 包管理器
- Git（版本控制系统）
安装
- 克隆仓库
git clone https://github.com/zeeshanparwez/EduAssist.git
cd EduAssist- 安装依赖项
pip install -r requirements.txt- 为MCP服务器管理安装uv
curl -LsSf https://astral.sh/uv/install.sh | sh配置
- 创建环境文件
mkdir Config
touch Config/.env- 添加您的API凭据至
Config/.env
GOOGLE_API_KEY=your_google_generative_ai_key_here
COURSE_DATA_PATH=/absolute/path/to/nptel_courses.xlsx- 准备课程数据 （可选）
- 下载或准备包含预计算嵌入的NPTEL课程数据集
- 确保Excel文件包含：
embedding，course_name，url，description列 \[附加文件:4\]
启动应用程序
streamlit run main.py该应用程序将在 http://localhost:8501
⚙️ 配置
环境变量
| 变量 | 描述 | 必填 |
|---|---|---|
GOOGLE_API_KEY 根据上述信息，以下是原文内容的翻译： | ||
COURSE_DATA_PATH | NPTEL课程Excel文件的绝对路径 | ✅ 是 |
课程数据集格式
您的NPTEL课程数据集应包含以下列：
embedding预计算的句子嵌入（JSON数组格式）course_name课程显示标题url直接课程链接description语义匹配课程总结
🛠️ 使用方法
开始研究会议
- 使用以下方式启动应用程序
streamlit run main.py - 等待初始化完成（工具将出现在侧边栏）
- 开始用自然语言提出研究问题
研究工作流程示例
论文发现： “查找关于自然语言处理中神经网络的最新论文”
课程推荐： “推荐与机器学习和人工智能相关的NPTEL课程”
视频分析: “从这个YouTube讲座中提取字幕：\[URL\]”
多模态研究: “研究Transformer架构，查找相关论文和课程”
📊 研究能力
学术论文管理
- 自动化搜索使用自然语言查询arXiv数据库
- 元数据提取自动解析并存储纸质信息
- 引文追踪使用基于JSON的参考系统组织研究
内容分析流水线
- 教育视频处理提取并分析YouTube上的讲座内容
- 网络研究工具获取学术网站和文档
- 课程探索利用语义相似性查找相关的教育内容
增强记忆的学习
- 会话持久性在多次交互中保持研究背景的一致性
- 自适应推荐学习研究模式和偏好
- 知识图谱在论文、概念和资源之间建立联系
🤝 贡献
我们欢迎研究界的朋友投稿！以下是您如何参与的方式：
开发环境设置
- 为仓库创建分支（或“克隆仓库”）
- 创建一个特性分支：
git checkout -b feature-name - 做出你的更改并进行彻底测试
- 提交一个包含详细描述的拉取请求
贡献领域
- 增强的引文网络分析
- 多语言学术内容支持
- 高级研究可视化工具
- 与机构存储库的集成
代码风格
- 遵循PEP 8 Python编码规范
- 为所有函数和类添加文档字符串
- 为新功能编写单元测试
- 根据需要更新文档
📄 许可证
这个项目遵循MIT许可证授权——详见 许可证 文件中详述。
❓ 常见问题解答（FAQ）
常见问题
问：EduAssist与其他研究工具有何不同？
A：EduAssist将多个研究工作流程整合到一个具备内存功能的AI助手中，提供情境化建议，并保持跨会话的研究连续性。
问：使用EduAssist需要编程知识吗？
A: 不是！EduAssist 提供了一个用户友好的 Streamlit 界面，无需编程经验。
技术问题
问：内存系统是如何工作的？
A: EduAssist 使用 LangGraph 的 MemorySaver 来跨会话维护对话上下文和研究历史。
问：我可以添加自定义研究资源吗？
A: 是的，MCP架构允许轻松集成额外的研究工具和数据库。
问：如果初始化失败了怎么办？
A: 检查您的API密钥、网络连接，并使用界面中的内置重试按钮。调试日志可在侧边栏中查看。
数据与隐私
问：我的研究数据是如何存储的？
A：研究数据以JSON格式本地存储。除必要的API调用外，不会将任何个人研究信息发送至外部服务。
问：我的对话历史是私有的吗？
A: 是的，所有的对话记忆都通过LangGraph的MemorySaver系统本地存储。
______________________________________________________________________
利用人工智能驱动的发现、分析和综合功能，转变您的研究工作流程。今天就开始探索学术研究的未来吧！
如需咨询或获取支持，请 打开一个问题（或报告一个问题） 或者联系开发团队。