文獻分析系統 —— 用 AI 把化學論文變成筆記與簡報
一個跨領域科學論文的 AI 分析工具。上傳一篇論文 PDF，它會自動讀懂內容、 判斷論文類型，並用三種不同視角呈現，還能一鍵匯出成 Markdown 筆記與 PowerPoint 簡報。
緣起
讀論文是研究的日常，但同一篇論文，「準備書報討論」「想復刻實驗」「想快速抓重點」 需要的是完全不同的整理方式。我想做一個工具：讀一次、自動整理成我需要的各種樣子， 省下重複手動做筆記、做簡報的時間。
三種視角，一次分析
最核心的設計：AI 只呼叫一次，產出一份完整的「核心知識結構（JSON）」， 前端三個視角只是對同一份資料做不同的渲染 —— 不重複呼叫 API、省錢也省時間。
- 📋 書報討論：研究問題、摘要、主要發現、機制、圖表解說
- 🔬 實驗復刻：依論文類型動態渲染對應的完整參數表 + 復刻清單
- 🎨 視覺圖解：因果流程圖、機制箭頭、圖表網格
它會自動判斷論文屬於哪一類（計算化學 / 有機合成 / 電化學 / 光譜 / 綜述…）， 並切換對應的專業欄位（例如計算類顯示 DFT 參數、有機類顯示試劑當量）。
設計上的關鍵決定
兩層式 Schema
所有論文共用一組核心欄位（摘要、發現、機制…），再依論文類型動態套上 domain-specific 欄位。這樣既能統一處理任何論文，又能對不同領域顯示專業細節。
禁止「silent fallback」
這是我最在意的一點：任何 API 失敗、PDF 解析錯誤、模型不存在，都直接把具體錯誤 顯示出來，絕不塞假資料、不靜默忽略。AI 找不到的資訊就老實填「未提及」，不虛構。 對研究工具來說，「寧可報錯，也不能編造」比什麼都重要。
雙模型支援
OpenAI（gpt-4o-mini / gpt-4o）和 Claude（Sonnet / Opus）都能用，用一個統一介面包起來， 可以隨時切換、比較不同模型的分析品質。
技術架構
- 後端：Python + Flask
- PDF 解析：PyMuPDF（fitz）萃取文字
- AI：OpenAI / Anthropic SDK，統一介面 + 含完整 schema 的 system prompt
- 前端：原生 HTML + Tailwind CSS + Alpine.js，學術感的 Noto Serif TC 標題
- 匯出：Markdown、JSON、以及自動產生的 PowerPoint 簡報
- 部署：開發用
python app.py，生產可用 Gunicorn + Docker
開發歷程
分四個階段做：先做能跑的 CLI（PDF → LLM → JSON），再包上 Flask 上傳介面， 接著做三種視角的渲染，最後優化 prompt、加上 Markdown / 簡報匯出與 Docker 打包。 過程中最花心思的是把 prompt 和 JSON schema 設計好 —— 要讓 AI 穩定輸出結構化、 可被程式渲染的資料，而不是一段自由發揮的文字。
已經實際用在
分析過高熵合金的力學性質、天然物全合成、PFAS 檢測等真實論文， 直接產出可用的書報筆記與簡報 —— 這個工具我自己在用。
我學到的東西
- 怎麼設計 prompt 與 JSON schema，讓 LLM 穩定輸出結構化、可程式處理的結果
- 「一次運算、多種呈現」這種省成本又乾淨的架構思路
- 把多家 AI API 包成統一介面
- 工具型程式的可靠性原則：寧可明確報錯，也不要靜默給假資料