目录

一、初期讨论与选题

二、答辩反馈

三、再次调研并重新确定选题

一、初期讨论与选题

我们在3月13日进行了线下讨论，查阅了网上资料和往届项目情况，选定了基于大模型的智能食材管理与饮食推荐系统作为我们的题目。

在调研工作中，团队首先开展了政策与背景调研，查阅了国家关于“人工智能赋能民生”“绿色消费”“减少食物浪费”等相关政策导向，同时统计了家庭食物浪费在城市垃圾中的占比数据以及慢性病发病率上升趋势，用于支撑项目背景。在现有产品竞品分析方面，团队分析了传统菜谱类App（如下厨房、豆果美食）的推荐方式，发现其主要依赖关键词匹配和用户评分，缺乏对现有食材的动态适配；同时分析了现有食材管理工具的局限性，发现其大多停留在库存记录和简单过期提醒，缺乏与推荐系统的联动。通过调研，团队发现市场上缺乏“将大模型语义理解能力与食材管理深度结合”的产品，从而明确了项目的差异化优势。在用户需求调研方面，团队通过观察和访谈了解用户在饮食决策中的常见痛点，包括不知道吃什么、忘记冰箱里有什么、食材经常放过期、不知道如何利用剩余食材等，并归纳出用户对“个性化”“便捷化”“智能化”的核心期待。

在资料查阅方面，团队重点调研了LLaMA、ChatGLM等开源大模型的技术文档及LoRA微调原理，确定采用轻量化微调方案；学习了提示词工程用于优化推理逻辑。在推荐与预测领域，研究了传统协同过滤的局限及大模型在序列推荐中的应用，同时了解了LSTM在时间序列预测中的基本方法。视觉方面，调研了ResNet等图像分类模型及OCR识别技术。前后端技术选型上，对比Flask与Spring Boot后选择Flask以降低复杂度，并设计了MySQL、Redis与MinIO的混合存储方案。

我们聚焦于现代家庭饮食管理中的食材浪费、选择困难及饮食结构不合理等痛点，计划开发一个基于大语言模型的智能厨房助手。系统核心创新包括利用大模型实现自然语言食材录入与动态菜谱匹配、融合用户偏好与即时状态的多维度个性化推荐、基于消耗预测的智能购物清单生成、以及优先级驱动的食材过期预警联动机制。项目采用Flask、Vue、LoRA、PyTorch等技术，通过网页形式提供食材库存看板、智能推荐、饮食记录、购物清单等完整功能，旨在以自然对话式交互提升用户体验，实现减少浪费、优化膳食结构的目标。

二、答辩反馈

然后我们进行了项目开题的分工，我主要负责申请书的撰写部分，我整理了我们讨论和调研过程中提到的功能与技术创新，进行了加工和书面化，按条写在了申请书上。我们团队于3月16日进行了开题答辩，但遗憾的是在答辩后，老师说做旅行规划、学习助手、美食推荐类的题目，请尽量换项目，更专业、更聚焦，体现应有的专业能力。于是，我们在3月18日又再次调研并讨论了选题。

我们意识到，一个真正有专业深度和技术挑战的项目，应当既能体现大模型的核心能力，又能在应用场景上形成明确的壁垒。经过头脑风暴，和与豆包、deepseek、chatgpt等ai工具探讨过后，我们注意到：虽然当前大模型在对话、写作、推荐等任务上已较为成熟，但在“结构化叙事”与“高自由度交互”的结合上仍存在明显空白。受启发于经典文字冒险游戏和近年来AI叙事实验项目，我提出可以构建一个基于大模型的沉浸式互动叙事平台，既能够充分发挥LLM在创意生成上的优势，又需要解决状态管理、长程记忆、逻辑一致性等硬核技术问题，非常适合作为本项目的核心方向。

三、再次调研并重新确定选题

我们首先开展了系统的市场与背景调研。在现有产品分析方面，我们重点考察了三类典型的互动叙事产品：传统文字冒险游戏（如《生命线》《王权》）虽然叙事沉浸感较强，但受限于人工编写分支，存在选项有限、分支爆炸、开发成本高等明显瓶颈；互动叙事平台（如橙光、闪艺）依赖创作者手动编写剧情，内容更新缓慢、剧情走向固定，难以满足用户对新鲜感的持续需求；而AI叙事产品（如AI Dungeon、Talk to the Void）虽然借助大模型实现了极高的自由度，但普遍存在结构性缺失、长程记忆差、逻辑容易混乱等问题。在用户需求方面，我们发现年轻用户已不再满足于被动消费内容，而是希望主动参与剧情发展、获得真正影响结局的体验，并对角色养成、多结局和重玩价值表现出明确偏好。结合技术趋势来看，大语言模型在创意写作与角色扮演中的能力边界正在不断拓展，LangChain、LangGraph等框架在复杂任务编排中的优势日益显现，LoRA微调也为保持角色一致性提供了可行路径。综合以上调研，我们认为当前市场缺乏一个既能保证剧情结构性、又能提供高自由度与长程记忆的沉浸式互动叙事平台，这正是StoryEcho要解决的核心问题。

在确认项目方向之后，我们同步开展了技术可行性调研。针对大语言模型，我们调研了主流API的调用方式、上下文长度限制、Token成本及响应延迟，评估其对叙事生成质量与经济性的影响；在LangChain与LangGraph方面，我们深入学习了状态机设计、多智能体协作机制及Checkpointer持久化技术，确认其能够支撑复杂剧情分支与状态管理需求。意图识别环节，我们研究了Prompt工程、Few-shot学习和结构化输出方法，验证了将用户自由输入转化为系统指令的可行性。状态管理方面，我们设计了JSON Schema来描述角色属性、物品与任务状态，并探索了状态向量与异步更新机制，以确保角色属性与剧情逻辑的一致性。前后端交互层面，我们对比了RESTful API与WebSocket方案，结合Vue的响应式特性，确认能够实现低延迟、高沉浸感的交互体验。最后，针对长程对话中的“遗忘”问题，我们调研了滑动窗口、摘要压缩与向量检索等记忆机制，初步验证了在有限上下文内维持剧情连贯性的技术路径。

最终我们确定了StoryEcho:基于大模型的沉浸式互动叙事平台作为我们的创新实训选题，并提交了申请书和任务书，明确了功能点。预计完成一个基于大语言模型的沉浸式互动叙事平台，通过LangGraph构建多智能体协作架构，将用户自由输入的非结构化行为意图转化为结构化指令，动态生成符合“五要素”（心理、动作、环境、对话、状态）的实时剧情。平台支持角色养成、多分支剧情、状态持久化与结局收敛机制，用户可以在高自由度的文字冒险中真正影响故事走向，获得兼具逻辑严谨性与文学沉浸感的个性化叙事体验。