团队博客1 - 团队项目核心信息

📰 团队项目说明文档

项目名称： NewsMind —— 基于大语言模型的个性化新闻推荐系统
项目带头人： 陈家驹
团队成员： 姜厚丞、方羿、宋尚文
项目周期： 2025年11月—2025年12月
版本目标： Alpha 发布

1. 项目的需求分析和商业前景

a. NABCD 分析

要素 内容
N（Need）需求 用户每天的信息获取来自大量不同频道（如今日头条、短视频软件、微信公众号等）。需要一个整合多源信息的推荐系统，作为一个”理解用户意图”的智能新闻助手，将多个平台信息进行一体化、个性化推荐。
A（Approach）方法 结合大语言模型（LLM）与推荐算法，对多源新闻进行资源聚合，对新闻内容进行语义理解、情绪分析与多维度聚合，通过用户对话、偏好反馈和阅读历史生成个性化推荐。
B（Benefit）收益 提升新闻推荐的相关性与多样性，增强用户粘性；对媒体平台而言，可显著提高停留时间与转化率。
C（Competitors）竞争 今日头条、腾讯新闻、知乎推荐流等；但这些系统主要依赖大规模行为数据，本项目突出”LLM 语义理解 + 用户意图生成推荐”，实现差异化。
D（Delivery）交付 第一版交付一个可运行的 Alpha 系统，支持新闻流展示、个性化推荐、用户反馈功能。

b. 新闻稿（模拟正式发布）

标题： NewsMind 正式上线：让新闻懂你！

我们推出了 NewsMind，一款由大语言模型驱动的智能新闻推荐系统。不同于传统的算法推荐，NewsMind 能够理解新闻背后的语义和情感，也能理解你的阅读习惯与关注焦点。它不只是推送”你可能喜欢”的新闻，而是提供”你值得知道”的新闻。

FAQ 简要：

  • Q：NewsMind 和今日头条有什么区别？
    A：NewsMind 更注重语义理解与个性化对话推荐，而非仅基于历史点击。
  • Q：系统是否会推荐虚假新闻？
    A：LLM 模块将配合新闻可信度评分机制，过滤不可靠来源。
  • Q：是否有隐私风险？
    A：用户画像存储经过匿名化与本地化控制，遵循隐私保护规范。

c. 典型用户

  • 年龄：18–40 岁的新闻读者、学生、从业者
  • 特征：信息密集使用者、对实时热点敏感、希望节省筛选时间
  • 痛点：新闻量太多、新闻来源纷繁复杂、内容重复、推荐缺乏个性化

d. 典型使用场景

  1. 用户早晨打开 App，系统生成「今日热点」与个性推荐。
  2. 用户与 NewsMind 对话：”帮我看看今天关于新能源的政策新闻。”
  3. 系统基于语义匹配和用户画像，推荐相关报道与延伸阅读。

e. 用户需求发现方法

  • 吃自己的狗粮（团队成员自己使用并记录体验）
  • 面向同学和同事进行半结构化访谈（了解信息过载痛点）
  • 问卷调查收集推荐偏好（内容类型、形式、频率）

2. 项目的团队、估计和设计

a. 团队分工与协作模式

角色 成员 职责
项目负责人 / SCRUM Master 陈家驹 统筹项目进度、分配任务、对接团队博客更新
前端开发 方羿 负责网页端 / App 前端界面与交互设计
后端开发 姜厚丞 实现接口、推荐算法 API、用户管理与数据服务
AI 架构师 宋尚文 负责 LLM 集成、语义分析、推荐模型优化
AI 助手（ChatGPT） GPT-5 协助代码生成、接口文档生成、测试用例编写

团队模式： 采用「交响乐模式」——每个成员各司其职，但共同遵循统一节奏与迭代计划。
敏捷开发： 每日进行 10 分钟总结对齐。

b. Alpha 版本可实现功能

  • ✅ 用户画像初始化
  • ✅ 新闻数据抓取与语义分类
  • ✅ LLM 生成的新闻摘要与个性标签
  • ✅ 个性化推荐流展示
  • ⚙️ 用户反馈与再训练接口（最小可用版本）
  • ⚙️ “对话推荐助手”初步实现（仅支持部分语义意图）

3. 功能详情与工作估计（独立博客）

此部分将发布在独立团队博客中，包含功能优先级表、工作分解结构（WBS）与估时分析。链接：将在 Alpha 阶段更新

4. 项目的具体开发与推进

a. 代码质量与 Git 流程

  • 采用 Git Flow 工作流（main / develop / feature / hotfix 分支）
  • 提交规范：遵守 Conventional Commits 规范（feat/fix/docs/test）
  • CI 工具：GitHub Actions 自动运行单元测试与 Lint 检查
  • 代码评审：每个 PR 必须由至少一名成员审查通过

b. AI Coding 工具的使用

  • 使用 GPT-5 辅助生成样例代码、API 文档与测试样例
  • 所有 AI 生成代码必须通过 TDD（测试驱动开发） 验证
  • AI 辅助产出明确标注”AI-assisted commit”以追踪贡献度

c. 推进机制

  • 每日站会记录在博客”Daily SCRUM”栏目
  • 每周汇报项目进度、完成情况与风险评估
  • Alpha 阶段末进行一次团队评审会议

5. 个人贡献与团队机制

a. 团队贡献评分机制

  • 采用 “三维贡献法”（代码量 × 技术难度 × 协作度）
  • 每位成员需提交每周任务报告（提交次数、Review 数、功能点）
  • 评分结果透明公示，用于评定阶段绩效

b. 成员流动机制

  • Alpha 阶段后，团队将通过 成员投票 + 贡献记录评估选出一位成员转入其他团队进行交叉合作（非随机）。

6. 项目总结

a. 预先总结（Pre-mortem）

如果项目发布后失败，可能的原因包括：

  1. 推荐结果质量低（LLM 生成内容与用户兴趣不匹配）
  2. 冷启动问题严重（初期用户数据不足，个性化效果差）
  3. 用户界面不够吸引或交互复杂
  4. 数据源版权或新闻内容质量问题
  5. 团队进度控制与测试不充分

✅ 下一步计划

  • 完成前后端框架初始化与数据爬取模块
  • 发布 Alpha 测试版
← 返回首页