AI 辅助开发实战：自动化专业毕业设计选题的智能生成与验证系统

最近在帮几个自动化专业的学弟学妹看毕业设计，发现大家普遍卡在选题这一步。要么是题目太老套，查重率堪忧；要么是想法天马行空，但技术实现上根本无从下手。这让我想起自己当年选题时的迷茫，于是琢磨着，能不能用现在比较火的AI技术，做一个能智能生成并评估选题的小工具？既能保证一定的创新性，又能兼顾工程落地的可行性。经过一段时间的摸索，还真搞出了一个原型系统，今天就来分享一下我的实战笔记。

1. 为什么需要AI辅助选题？

自动化专业覆盖面很广，从传统的控制理论、PLC、机器人，到现在的机器视觉、工业物联网、智能优化算法，选题方向非常多。但问题也随之而来：

• 选题同质化严重：每年都有大量学生做“基于PID的温度控制”、“智能小车循迹”这类题目，创新点难找，论文查重和答辩时压力大。
• 工程落地困难：学生可能对某个前沿方向（如数字孪生、强化学习控制）感兴趣，但对其所需的技术栈（如特定仿真软件、硬件平台、算法库）了解不足，导致选题后无法完成。
• 缺乏系统性评估：选题往往凭感觉或参考往届，缺少一个客观的框架来评估其工作量、技术可行性、创新性以及是否符合专业培养要求。

传统的解决方案是导师推荐或查阅文献，但这效率低且依赖个人经验。AI辅助的思路，就是构建一个“领域知识库+智能推理”的系统，快速生成多样化的、经过初步可行性评估的选题方案。

2. 技术路线选择：规则、微调还是提示工程？

要实现这个系统，核心是让AI理解“自动化专业毕业设计”这个领域，并做出合理推荐。我对比了三种主流方案：

方案一：基于规则引擎这是最传统的做法。预先定义好选题模板（如“基于[技术]的[被控对象][功能]系统”），再填充技术词库（PLC、机器视觉等）和被控对象词库（机械臂、水箱、智能车等）。

• 优点：逻辑清晰，结果完全可控，无安全风险。
• 缺点：灵活性极差，无法产生真正有创意的组合，且规则维护成本高，难以覆盖所有交叉领域。

方案二：微调专用小模型收集成百上千份优秀的自动化专业毕业设计题目和摘要，去训练一个专门的文本生成模型（如T5、BART）。

• 优点：生成的题目专业性强，风格贴近真实论文。
• 缺点：需要大量高质量的标注数据，数据获取和清洗成本高。且模型“死记硬背”能力强，但逻辑推理和跨领域知识融合能力弱，对于“评估可行性”这类复杂任务效果有限。

方案三：大语言模型（LLM）提示工程 + 检索增强生成（RAG）这是最终我选择的方案。利用像ChatGLM、Qwen或通义千问这类经过海量数据预训练的大模型，它已经具备了广泛的知识和一定的逻辑推理能力。我们不需要重新训练它，而是通过精心设计的“提示词”（Prompt）和“外部知识库”来引导它完成特定任务。

• 优点：无需训练，开发启动快。借助提示工程和RAG，可以灵活控制输出范围，融入最新的领域知识，并能进行一定程度的逻辑推理（如评估可行性）。
• 缺点：对提示词设计能力要求高，且依赖大模型本身的能力，可能存在“幻觉”（生成虚假信息）。

综合来看，方案三在灵活性、开发成本和效果之间取得了最好的平衡，特别适合我们这种资源有限的个人开发者。

3. 核心实现：用LangChain搭建RAG流水线

整个系统的核心是RAG流程。简单说，就是先让系统从我们构建的自动化专业知识库中，检索出与用户需求相关的信息，再把这些信息作为上下文，连同我们的问题一起交给大模型，让它生成最终答案。这能显著提高答案的准确性和专业性。

我使用LangChain这个框架来搭建整个流水线，它把RAG涉及的各个环节（文档加载、切分、向量化、检索、提示组装、模型调用）都模块化了，用起来非常方便。

1. 构建领域知识库： 这是系统的“大脑”。我收集了以下材料：

   • 本校自动化专业的培养方案和毕业设计大纲。
   • 近百篇优秀毕业设计论文的题目、摘要和关键技术章节。
   • 主流技术栈的官方文档简介（如OpenCV、ROS、TensorFlow/PyTorch在控制中的应用、MATLAB/Simulink仿真等）。
   • 常见工程约束和难点清单（如实时性要求、硬件成本、算法复杂度等）。 将这些PDF、Word、TXT文档加载后，用文本分割器切成小块（如500字符一段），然后使用text-embedding-ada-002这类嵌入模型，将每一段文本转换成向量（即一组数字），存入向量数据库（我用的Chroma，轻量且简单）。

2. 设计检索与生成链： 当用户输入一个粗略的方向，比如“我想做和工业机器人相关的，有点创新性的”，系统的工作流程如下：

   • 检索：将用户查询也转换成向量，在向量数据库中查找与之最相似的几段知识文本（比如关于“机器人轨迹规划”、“机器视觉分拣”、“数字孪生调试”的段落）。
   • 提示工程：将这些检索到的文本作为“参考材料”，与我的核心指令组装成一个完整的提示词（Prompt）。这个指令非常关键，它需要明确告诉模型： “你是一个自动化专业的专家导师。请根据提供的参考资料，为学生生成3个毕业设计选题。每个选题需要包含：1. 题目名称；2. 简要说明（含创新点）；3. 推荐技术栈；4. 可行性评估（高/中/低）及理由（从技术复杂度、硬件成本、周期等方面简述）。”
   • 生成：将组装好的提示词发送给大模型（我本地部署了ChatGLM3-6B），模型就会参考知识库，生成结构化的选题建议。

4. 代码示例：从生成到评估

下面是一个简化版的核心代码片段，展示了如何使用LangChain和本地模型完成一次选题生成。

# 导入必要的库 from langchain.vectorstores import Chroma from langchain.embeddings import HuggingFaceEmbeddings from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain_community.llms import ChatGLM # 假设使用ChatGLM # 1. 加载已构建好的向量数据库 embedding_model = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5") # 中文嵌入模型 vectorstore = Chroma(persist_directory="./auto_graduation_db", embedding_function=embedding_model) # 2. 定义提示词模板 prompt_template = """ 你是一位经验丰富的自动化专业导师。请严格根据以下提供的参考资料，为学生生成毕业设计选题建议。 参考资料： {context} 学生意向：{question} 请生成3个不同的选题，每个选题按以下格式输出： 【选题X】 - 题目： - 简要说明与创新点： - 推荐技术栈： - 可行性评估（高/中/低）及理由： """ PROMPT = PromptTemplate( template=prompt_template, input_variables=["context", "question"] ) # 3. 连接本地大模型（示例为ChatGLM，需提前部署好API） llm = ChatGLM(endpoint_url="http://localhost:8000/v1/chat/completions", max_tokens=1024, temperature=0.7) # temperature调低，让输出更稳定 # 4. 创建检索问答链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", # 简单地将所有检索到的文档内容塞入上下文 retriever=vectorstore.as_retriever(search_kwargs={"k": 4}), # 检索4个最相关片段 chain_type_kwargs={"prompt": PROMPT}, return_source_documents=True # 返回参考来源，便于追溯 ) # 5. 用户查询与结果生成 user_query = "我对工业机器人和机器视觉结合的方向感兴趣，希望有一定工程实践性，不要太偏理论。" result = qa_chain({"query": user_query}) print("生成的选题建议：") print(result["result"]) print("\n--- 参考来源 ---") for doc in result["source_documents"]: print(f"片段：{doc.page_content[:200]}...") # 打印前200字符

关键模块说明：

• 检索器（Retriever）：负责从知识库中找到相关文档。search_kwargs={“k”: 4}表示返回最相关的4个片段。
• 提示词模板（PromptTemplate）：这是灵魂。它定义了任务的格式，并预留了插入上下文{context}和用户问题{question}的位置。
• 大模型（LLM）：这里是推理核心。temperature参数控制创造性，值越低输出越确定。
• 链（Chain）：RetrievalQA链将检索、提示组装、模型调用串联起来，形成一个完整流程。

5. 性能与安全考量

这个系统虽然是个辅助工具，但涉及内容生成，必须谨慎。

1. 输入过滤与引导：

   • 在用户输入环节，设置关键词过滤，防止用户输入完全无关或不良的查询。
   • 在提示词中明确限定生成范围，例如“必须是自动化专业相关的工程实践类课题”，从源头约束输出方向。

2. 结果去偏与核实：

   • 大模型可能存在“幻觉”。系统在输出时，会同时给出生成该选题所参考的知识片段来源（如上述代码所示），提醒学生务必去核实这些原始资料。
   • 在可行性评估理由中，强制要求模型必须引用检索到的内容中的具体约束（如“参考材料指出，高精度视觉伺服对实时系统要求高，故评估为中等难度”），而不是凭空编造。

3. 本地化部署：

   • 为了数据安全和隐私，所有流程均在本地进行。知识库来源于公开的学术资料和官方文档，本地向量化存储。大模型也使用本地部署的开源版本（如ChatGLM3-6B、Qwen-7B），避免将敏感的选题意向上传到第三方API。

6. 避坑指南与扩展建议

在实际使用和推广这个工具时，有几个重要的点需要反复强调：

1. 明确工具定位，杜绝学术不端：

   • 这个系统是“辅助生成灵感”和“初步评估”的工具，绝非“代写题目”。生成的题目必须经过学生本人的深入理解和消化，并与导师充分讨论后确定。直接使用生成的题目而不加任何个人思考，是存在风险的。
   • 在系统界面显著位置标注免责声明：“本工具生成内容仅供参考，最终选题需经导师审核确认，学生应对其毕业设计负全部责任。”

2. 确保选题可实施性：

   • AI给出的“可行性评估”仅是初步的、基于文本信息的判断。学生必须结合自身技能、实验室条件、项目预算和时间周期进行二次验证。
   • 建议在生成的选题中，增加一个“下一步行动建议”模块，例如：“验证此选题需：1. 学习ROS基础；2. 联系XX实验室了解是否有UR5机器人可用；3. 复现一篇关于YOLO的经典论文。”

3. 如何扩展与优化：

   • 个性化知识库：最直接的扩展就是丰富知识库。你可以把你们学校历年的优秀毕业设计、你们导师课题组的研究方向资料、行业最新的白皮书（如工业互联网报告）都加进去，让推荐更“接地气”。
   • 反馈闭环：可以增加一个评分功能，让学生对生成的选题进行“有用/无用”投票，甚至可以让他们补充最终确定的题目。这些数据可以用来优化检索和提示词。
   • 开源贡献：我目前只是搭建了一个基础框架。领域知识库的构建、更精细的提示词工程、针对不同子方向（如过程控制、嵌入式系统）的专属评估模型，都是可以深入挖掘的方向。非常欢迎有兴趣的同学一起完善，让这个工具能帮到更多人。

做这个小项目的初衷，是希望技术能解决一些实实在在的痛点。看到学弟学妹们用它快速找到了几个不错的选题方向，并开始有针对性地去补知识短板，我觉得这件事就很有价值。AI不是要取代我们的思考，而是作为一个强大的“信息助理”和“灵感催化剂”，帮助我们更高效地启动那些复杂的任务。如果你也在为自动化或其他工科专业的选题发愁，不妨试试这个思路，或许能打开一扇新窗户。