ai_soc_sw/docs/01_产品需求/PRD.md

ErrLens 产品需求文档

版本: v0.4.0 | 状态: 已锁定 | 作者: Arch AI | 最后更新: 2026-05-26（旧架构合并）

---

1. 产品定位

1.1 一句话描述

ErrLens 是一款面向小学初中学生的 AI 错题本，帮助学生或家长拍照录入错题、自动归类分析、输出 PDF 练习、获得针对性练习推荐。

1.2 核心价值

传统错题本需要学生手动抄题、自己分类、凭感觉复习。ErrLens 将这些步骤交给 AI：

• 录入: 拍照即可，AI 自动识别题目、答案、学科
• 分析: AI 诊断错误原因（知识点欠缺/粗心/审题偏差），汇总薄弱点
• 推荐: 基于错题模式，从题库中匹配同类题目，针对性巩固

1.3 核心飞轮（人机协同版）

AI 识别不可能 100% 准确（尤其手写体），飞轮不能建立在"AI 完美识别"的假设上。正确模型是：

拍照录入错题 
    → AI 识别 + 置信度评估（识别、分类、知识点标注各带分数）
    → 高置信度字段自动填充，低置信度字段高亮提示用户确认
    → 用户修正/确认后入库（人工校验过的数据才是"干净数据"）
    → 干净数据 → AI 分析错误原因 → 识别薄弱知识点 
    → 推荐同类练习 → 更多错题数据 → 修正记录积累 
    → 反馈训练（P02 阶段：用"AI 识别 vs 用户修正"的 delta 微调模型）

关键认知：

• AI 识别结果不是"答案"，是"草稿"——用户确认前不进入分析管道
• 用户每一次修正都是免费的标注数据，是训练 P02 自有模型的核心资产
• 飞轮飞起来靠的不是 AI 一开始有多准，而是用户修正成本有多低

1.4 竞品差异化

维度	传统错题本 App	ErrLens
录入方式	手动输入/拍照 OCR	AI 识别 + 置信度标注 + 用户修正
分析深度	按学科/章节归类	知识点粒度 + 错误原因诊断
推荐逻辑	随机/按章节	基于错题模式的个性化推荐
数据飞轮	无	用户修正数据反哺模型训练

---

2. 目标用户

2.1 核心用户画像

画像	描述	核心需求
小初高学生	10-18 岁，有日常作业和考试，可自己操作也可家长代操作	快速录入、自动整理、考前针对性复习
家长	关注孩子学习状况，代孩子拍照整理、打印练习题	查看分析报告、了解进步轨迹、错题打印
老师（扩展）	管理班级，了解全班错题分布	班级错题统计、教学重点调整

2.2 MVP 阶段聚焦

• P0: 小初高学生 + 家长（均可操作，交互低门槛年轻化）
• P1: 学习报告、练习推荐
• Phase 3+: 老师端

---

3. 功能需求

3.1 MVP 功能清单 (Phase 2)

模块	功能	优先级	说明
错题录入	拍照录入	P0	拍照 → 图像预处理 → AI 识别题目+答案+学科
	手动录入	P0	文字输入兜底方案
	批量导入	P2	从试卷照片一次识别多道题
错题管理	错题列表	P0	按时间/学科/知识点筛选
	错题详情	P0	题目、错误答案、正确答案、分析
	错题编辑	P1	修正 AI 识别结果
AI 分析	错误原因诊断	P0	标注错误类型（知识点/粗心/审题）
	薄弱点汇总	P0	按知识点统计薄弱程度
	学习报告	P1	周/月度错题趋势报告
练习推荐	同类题推荐	P1	关键词+Jaccard 粗筛 → AI 精排
	智能组卷	P2	自动生成针对性练习卷
错题打印	PDF 输出	P0	选题 → 生成 PDF → 下载（24h 有效）
用户系统	注册/登录	P0	微信授权登录
	个人资料	P1	年级（小初）、学科设置
	学科管理	P1	添加/切换学科

3.2 功能详情

3.2.1 拍照录入（P0 核心流程）

拍照 → 裁剪/确认 → 图像预处理 → AI 识别 → 置信度评估 → 确认/修正 → 保存
                    │
                    ├─ 透视校正（手动框4角）
                    ├─ CLAHE 增强（光照归一化）
                    └─ 笔迹去除（红/蓝笔HSV自动去除）
                          ↓
                    提取: 题目文本、学科、知识点、错误答案
                    每个字段附带 confidence: 0.0-1.0
                          ↓
                    高置信(>0.9): 绿色标记，自动采纳
                    中置信(0.7-0.9): 黄色标记，建议检查
                    低置信(<0.7): 红色标记，提示手动确认
                          ↓
                    用户修正 → 修正字段记录到 correction_log
                    原始 AI 结果 + 用户修正值 一并入库

置信度分字段展示:

• OCR 文本置信度（手写体通常更低）
• 学科分类置信度
• 知识点标注置信度
• 错误类型诊断置信度

每个字段独立展示置信度，用户可逐个修正。低置信度字段高亮提示，不阻塞整体流程（用户可跳过修正，但数据标记为 unverified）。

交互要点:

• 拍照后展示识别结果，低置信度字段红色高亮
• 点击任意 AI 识别结果可进入编辑态修正
• 识别中展示 loading 动画（预期 3-5 秒）
• 支持从相册选择已有截图/照片
• "正确答案"字段独立，可留空（学生可能还不知道正确答案）

AI 能力需求:

• OCR 文字识别（手写体 + 印刷体）
• 学科分类（数学/语文/英语/物理/化学/生物/地理/历史/政治）
• 知识点标注（如"二次函数"、"定语从句"）
• 题目结构提取（题干/选项/答案区）

3.2.2 错题列表（P0）

列表视图:

• 默认按时间倒序
• 筛选器：学科、知识点、时间范围、错误类型
• 每项展示：题目缩略图、学科标签、知识点标签、录入日期
• 搜索：按题目关键词搜索

分组视图:

• 按知识点分组（展示每个知识点的错题数量和掌握度）
• 按学科分组

3.2.3 AI 分析（P0）

单题分析:

• 错误类型分类：知识点欠缺 / 粗心失误 / 审题偏差 / 概念混淆
• 关联知识点（可能有多个）
• 难度评估：基础 / 中等 / 拔高

汇总分析:

• 薄弱知识点排序（按错误频率和严重程度）
• 错误类型分布饼图
• 学科间对比

3.2.4 错题打印/PDF 输出（P0）

打印流程:

选题（错题列表中勾选）→ 生成 PDF → 预览 → 下载 → 自行打印

PDF 排版优先级:

1. 结构化内容（题库匹配的题目，文字+公式清晰排版）
2. 增强图片（经 CLAHE+笔迹去除处理后的图片）
3. 原始图片（无匹配时兜底）

交互要点:

• 错题列表页支持多选模式（勾选要打印的题目）
• PDF 生成中展示进度（预计 5-10 秒）
• 生成后预览页支持手势缩放
• 下载链接 24 小时有效，过期自动清理
• 支持分享到微信（发送 PDF 文件给家长/老师）

3.2.5 练习推荐（P1）

推荐逻辑:

1. 基于薄弱知识点权重排序
2. 匹配题库中同知识点、同难度题目
3. 优先推荐"高频易错"题型
4. 已掌握的题目降低推荐权重

推荐展示:

• 每日推荐: 3-5 道针对性练习
• 自定义练习: 选择知识点 + 数量，一键生成

3.3 数据质量与人机协同修正

3.3.1 核心设计原则

用户每次修正都是免费的标注数据。 这是 ErrLens 相对于纯 AI 方案的核心壁垒。

• AI 识别是"草稿"，不是"答案"
• 用户确认前的数据不进入分析和推荐管道
• 修正记录（AI 输出 vs 用户修正）是 P02 自研模型的核心训练数据

3.3.2 数据校验状态机

                  AI 识别完成
                       │
                       ▼
              ┌────────────────┐
              │    raw          │  原始 AI 识别结果，未确认
              │  进入错题列表    │  仅对用户可见，不参与分析
              │  不可用于推荐    │
              └───────┬────────┘
                      │ 用户查看/修正
                      ▼
              ┌────────────────┐
              │  reviewed       │  用户已确认/修正
              │  参与薄弱点分析  │  所有字段经人工校验
              │  参与练习推荐    │
              └───────┬────────┘
                      │ 用户再次修正
                      ▼
              ┌────────────────┐
              │  corrected      │  用户二次修正（覆盖上次）
              │  分析/推荐更新   │
              └────────────────┘

关键规则:

• raw 状态的错题仅用户自己可见，不计入 AnalysisReport
• 从 raw → reviewed 的最小操作：用户至少查看一次并点击"确认"按钮（批量确认支持）
• 从 reviewed → corrected：用户主动编辑了 AI 识别的字段
• 30 天后仍为 raw 的错题标记为 stale，系统定期提醒用户确认

3.3.3 置信度分字段评估

AI 对每个字段独立输出置信度 [0.0-1.0]：

字段	影响因素	典型置信度
题目文本 (question_text)	手写体 vs 印刷体、图片清晰度	印刷体 0.9+，工整手写 0.7-0.9，潦草手写 0.5-0.7
学科分类 (subject_id)	题目文本中的关键词密度	数学符号明显的题 0.9+，文科主观题 0.6-0.8
知识点标注 (knowledge_points)	知识树覆盖度、题干关键词匹配	主流知识点 0.8+，冷门知识点 0.5-0.7
错误类型 (error_type)	错误答案与正确答案的对比清晰度	有正确答案时 0.8+，无正确答案时 0.5-0.7
正确答案 (correct_answer)	AI 是否能看到标答区域	扫描的试卷答案区 0.9+，纯题目照片 0.5-0.7

3.3.4 修正记录 (Correction Log)

每次用户修正，记录原始 AI 值和用户修正值：

{
  "error_item_id": "uuid",
  "field": "knowledge_points",
  "ai_value": [1021],          // AI 识别：顶点坐标
  "user_value": [1022],        // 用户修正：图像性质
  "ai_confidence": 0.72,
  "corrected_at": "2026-05-26T10:30:00Z"
}

用途:

1. 即时: 修正后立即更新错题数据，参与分析和推荐
2. 分析: 统计各字段修正率，识别 AI 薄弱环节（哪个学科/知识点修正率最高）
3. 训练 (P02): AI 识别 vs 用户修正的 delta 是微调自有模型的核心训练数据

3.3.5 交互策略

确认界面分级提示:

置信度区间	视觉标记	交互行为
> 0.9	绿色边框	默认展示，无需操作
0.7 - 0.9	黄色边框 + 虚线	建议点击查看
< 0.7	红色边框 + 闪烁	弹提示建议手动修正
—	无 AI 结果	空白输入框，用户手动填写

批量确认: 多道题一起拍照后，在列表页支持批量"一键确认"，降低确认摩擦。

修正激励: 未来（Phase 3）可引入修正积分/成就，鼓励学生认真修正（干净数据=更好的推荐=对自己有用）。

---

4. 非功能需求

4.1 性能

指标	目标值
小程序首屏加载	< 2s
AI 识别响应	< 5s（拍照→结果展示）
列表滚动	60fps，虚拟列表
图片上传	< 3s（压缩后 < 500KB）
API 响应	P95 < 200ms

4.2 安全

• 微信授权登录，不存储密码
• 用户错题数据隔离，API 层鉴权
• 图片上传签名 URL，防恶意上传
• 敏感信息（姓名、学校）传输加密

4.3 兼容性

• 微信小程序基础库 ≥ 3.0
• iOS 14+ / Android 8+
• 屏幕适配：375-428px 逻辑宽度

4.4 可用性

• 核心流程（拍照→保存）不超过 3 步
• 关键操作有明确反馈（loading/成功/失败）
• 网络异常时有缓存兜底和重试提示
• 首次使用有引导（不强制）

---

5. 数据模型（高层）

5.1 核心实体

User (用户)
  - id, nickname, avatar, grade, created_at

Subject (学科)
  - id, name, icon

KnowledgePoint (知识点)
  - id, name, subject_id, parent_id (树形结构)

ErrorItem (错题)
  - id, user_id, subject_id
  - image_url (原始图片)
  - question_text (题目文本，AI 提取)
  - wrong_answer (错误答案)
  - correct_answer (正确答案，可选)
  - knowledge_points[] (关联知识点)
  - error_type (错误类型)
  - difficulty (难度)
  - verification_status: raw | reviewed | corrected | stale
  - ai_confidence: JSONB（各字段的 AI 置信度）
  - note (学生备注)
  - created_at, updated_at

CorrectionLog (修正记录) [P02 训练数据]
  - id, error_item_id, field_name
  - ai_value (AI 原始值)
  - user_value (用户修正值)
  - ai_confidence (该字段置信度)
  - corrected_at

AnalysisReport (分析报告)
  - id, user_id
  - period (week/month)
  - weak_points[] (薄弱知识点+权重)
  - error_type_distribution
  - trend (进步/退步/持平)
  - generated_at

PracticeRecommendation (练习推荐)
  - id, user_id
  - knowledge_points[]
  - questions[] (推荐的题目)
  - generated_at

PrintTask (打印任务)
  - id, user_id
  - error_item_ids[]
  - output_mode: pdf
  - file_url, expires_at
  - created_at

5.2 MVP 阶段简化

• KnowledgePoint 使用预设知识树（非 AI 自动生成）
• 题库推荐初期使用外部题库 API，后续自建
• 分析报告先做单题分析，汇总报告 P1
• CorrectionLog MVP 即入库，但 P02 阶段才用于训练
• AnalysisReport 仅统计 verification_status != raw 的错题

---

6. 用户旅程

6.1 核心旅程：首次使用

1. 打开小程序 → 微信授权登录
2. 设置年级 + 学科（初中二年级 + 数学）
3. 进入首页 → 看到空状态：「还没有错题，拍一张吧」
4. 点击拍照按钮 → 拍摄一道错题 → AI 识别中（3-5s）
5. 确认识别结果 → 「分析完成！这道题是【二次函数-顶点坐标】没掌握」
6. 回到首页 → 错题列表出现第一条记录
7. 底部「薄弱点」tab → 看到第一个薄弱知识点标记

6.2 核心旅程：日常使用

1. 每天做完作业 → 打开 ErrLens
2. 拍照录入 2-3 道错题
3. 查看 AI 分析：「今天主要是计算粗心」
4. 周末 → 收到推送：「本周薄弱点是【全等三角形判定】，已生成针对性练习」
5. 完成推荐练习 → 错题本记录更新

---

7. 项目分期

阶段	范围	交付物
Phase 1 (当前)	基础搭建	协作框架、脚手架、信息架构
Phase 2 (MVP)	核心闭环	拍照录入 + 错题管理 + AI 分析 + 用户系统
Phase 3	功能完善	练习推荐 + 学习报告 + 家长端 + P02/P03 启动
Phase 4	打磨发布	性能优化 + 安全审计 + 上线准备

---

8. MVP 验收标准 (Phase 2)

• 用户可以微信授权登录
• 用户拍照后 5 秒内看到识别结果（含置信度标注）
• 图像预处理管线完整运行（透视校正+增强+笔迹去除）
• 低置信度字段红色高亮，用户可逐字段修正
• 用户可以批量确认多道错题
• 用户可以在错题列表中按学科、校验状态筛选
• AI 可以诊断错误原因并关联知识点
• 用户可以查看薄弱点汇总（仅统计 reviewed 及以上状态）
• 用户可以勾选错题生成 PDF 并下载（24h 有效）
• PDF 排版清晰度满足打印标准（300DPI）
• 核心流程有完整的 loading/成功/失败反馈
• 置信度 UI 分级显示（绿/黄/红）正确运行
• raw 状态的错题不参与分析和推荐

---

9. 风险与假设

9.1 关键假设

1. AI OCR 对手写体的识别率能达到可用水平（>70% 即满足 MVP，用户修正兜底）
2. 用户愿意在拍照后花 10-20 秒确认/修正 AI 识别结果
3. 学生/家长愿意每天花 2-3 分钟录入错题
4. 微信小程序审核能通过教育类目
5. 题库资源可获取（合作或爬取）

9.2 主要风险

风险	影响	缓解措施
AI 识别准确率不足	用户不信任，放弃使用	架构层面：置信度分层 + 用户修正闭环，AI 定位为"草稿"而非"答案"；MVP 优先优化印刷体 OCR
用户修正率低（不确认 raw 数据）	飞轮无数据可用	批量确认降低摩擦；定期提醒 stale 数据；确认操作设计为一次点击
修正数据质量差（用户胡乱修正）	训练数据被污染	修正记录对比 AI 值，异常修正（如学科从数学改体育）标记审查
图像预处理管线复杂度高	开发周期延长	模块化降级策略：任何模块失败不阻塞整体流程；Coze 沙盒中重新调优参数
题库内容不足	推荐功能无法上线	先接入第三方题库 API
增长缓慢	飞轮无法启动	考虑学校/班级团购模式
小程序审核受限	无法发布	优先微信小程序，H5 兜底

---

10. 待决策事项

以下事项需要人类确认后锁定：

• 题库来源：两者都要。自有本地题库（PDF 手动录入）提供差异化内容，作业帮 API 冷启动兜底。架构需支持多题库源抽象层。
• AI 能力来源：分层使用。Coze SDK 做测试/验证，其他 AI 做 Coding 实现，Claude 做架构设计。各角色可交叉协作，不僵化绑定。
• 用户体系：MVP 仅微信小程序登录。增长模式：已有用户/老师/机构通过扫码分享注册，形成用户群的树状结构（邀请链）。架构需支持邀请关系建模。
• 商业化方向：基础免费 + 会员。MVP 阶段全功能免费（积累用户），会员功能在 Phase 3 设计。架构预留能力开关。
• 首发学科：数学 + 英语。两个学科同时首发，知识树需覆盖数学和英语两套知识体系。

---

PRD 状态: 草案 → 已锁定（v0.3.0，5 项决策已确认）