创新周报

1. 《Reading Between the Lines: Modeling User Behavior and Costs in AI-Assisted Programming》

该研究针对 AI 代码推荐系统（如 GitHub Copilot）提出了 CUPS（CodeRec User Programming States），用于分析程序员在 AI 交互中的行为模式，并发现 AI 代码推荐带来的额外成本。

核心要点：

CUPS 用户状态建模：将程序员的行为分为 12 种状态，如"深入学习"、"快速浏览"、"反复修改笔记"等。
行为分析：通过 Markov 过程建模，发现用户在 AI 推荐系统中的行为转换路径。
提出减少 AI 代码推荐的低效交互时间，提高 AI 生成代码的接受率。

优化启示

（1）构建用户状态模型，分析学习者的行为模式

定义 MasRouter 的 学习者用户状态模型（LUS），类似 CUPS，跟踪用户的学习行为。
采集 用户交互数据（如阅读时间、笔记编辑、外部搜索等）建立用户画像。
定义关键用户状态，如：
- 专注学习（Focused Learning）
- 快速浏览（Scanning Notes）
- 反复修改笔记（Editing Notes）
- 搜索额外资料（Looking up Docs）
- 等待 AI 建议（Waiting for Suggestions）

（2）使用行为分析，优化生成笔记结构

构建用户学习状态 Markov 状态转换矩阵，分析不同学习模式的转换概率。
采用 强化学习（RL） 或 策略梯度方法（Policy Gradient），优化系统对不同用户的笔记推荐策略。调整如是否需要增加大纲结构，是否提供详细解析或概括要点。
计算最优笔记结构：
- 若用户处于"深入学习"模式，MasRouter 生成 详细层级笔记。
- 若用户处于"快速浏览"模式，MasRouter 生成 概览式笔记，减少信息过载。

（3）减少 AI 生成内容的额外修改成本，提高用户接受率

优化点：

记录 用户对 AI 生成笔记的修改数据，分析修改模式。
采用 GPT-4o/DeepSeek Fine-tuning，优化 AI 生成内容，提高笔记可读性和准确性。
进行 A/B 测试：
- 版本 A：标准 AI 生成笔记
- 版本 B：结合用户修改优化后的笔记
- 计算用户接受率，确保优化方案的有效性。

2. 划词定位提问

解决方案： 针对 Milvus 未添加笔记内容的情况下，用户提问涉及笔记相关问题时的处理方案。

交互流程： 当用户选中（划词或划句）后，系统将自动识别选中的文本，并作为上下文信息存储。随后，用户可以正常输入问题，Chatbot 在回答时将结合该划选内容，提供更精准的响应。

| 步骤 | 解决方案 | 相关代码 | |----------|------------|------------| | 文本选取检测 | 监听 selectionchange 事件，实时获取用户选中的文本 | ✅ JavaScript | | 存储选中文字 | 选取内容后，存入 localStorage/sessionStorage，以便后续提问使用 | ✅ JavaScript | | 输入框交互 | 当用户进入输入框时，系统提示：当前选中文字将用于 Chatbot 提问 | ✅ JavaScript | | 后端处理 | Chatbot 接收 selected_text 作为上下文，并结合用户提问生成更精准的回答 | ✅ Python + OpenAI API | | 响应优化 | Chatbot 在回答时，优先参考选中的文本，以增强问题的相关性 | ✅ GPT/LLM |

3. AI 助教对话内容一键附加至笔记

优化交互模式（待验证）： 为了提升笔记记录的便捷性，AI 助教回答后，用户可一键将内容保存至笔记，并可选择具体插入位置。

交互流程：

用户选取部分文本：AI 助教回答后，用户可以手动选中关键内容。
显示"📌 添加到笔记"按钮：选中后，系统自动弹出快捷按钮，用户可点击进行保存。
弹出侧窗，管理笔记内容：
- 系统展示现有笔记内容。
- 用户可以选择插入笔记的具体章节或段落。
确认后，内容被添加到指定位置：用户确认后，系统将 AI 助教的回答精确嵌入笔记结构中，确保内容的可读性与层次感。

该优化方案有助于提高学习笔记的组织性，使用户能更高效地整理和管理 AI 生成的知识点。