🎓 科技创新实践课题（大一软件工程专业·AI增强版）

---

课题一：智能迷宫生成与寻路可视化系统

课题简介 设计自动生成随机迷宫并用多种算法求解路径的可视化程序，同时引入LLM为寻路过程生成自然语言解说。

知识点融合

• 数据结构： 图/邻接矩阵、栈（DFS）、队列（BFS）、优先队列（A*）
• C/C++： 二维数组、递归、指针操作
• 🤖 LLM融合： 调用大模型API（如DeepSeek/文心），对每一步路径搜索过程生成自然语言解释，帮助理解算法逻辑

基本要求

• 随机生成合法迷宫（保证有解）
• 实现至少2种寻路算法（BFS、DFS、A*）
• 用字符界面或图形库（EasyX）可视化路径搜索过程

🤖 AI创新点

• 对接LLM API，每次运行后自动生成一段"算法解说"，用通俗语言解释本次寻路的步骤与策略
• 用LLM比较不同算法的优劣，生成分析报告
• （拓展）实现一个"AI出题Agent"，根据难度要求自动调整迷宫复杂度

---

课题二：校园二手物品智能交易助手

课题简介 用C++面向对象思想设计二手物品管理系统，并接入LLM实现自然语言交互与智能推荐。

知识点融合

• 面向对象： 类的封装、继承（物品分类）、多态
• 数据结构： 链表、哈希表（关键词检索）、排序算法
• C++： STL容器、文件I/O持久化数据
• 🤖 LLM融合： 自然语言对话界面、智能定价建议

基本要求

• 实现物品发布、浏览、搜索、删除功能
• 支持按价格/类别/时间多维度排序
• 数据能持久化保存（文件读写）

🤖 AI创新点

• 用LLM API实现自然语言搜索：用户可输入"我想要一本便宜的高数书"，LLM将其解析为结构化查询条件后调用系统接口
• 接入LLM对商品描述进行自动美化与分类标注
• （拓展）构建一个简单的对话Agent：用户用对话方式完成"发布—浏览—议价"全流程，Agent负责理解意图并调用对应的C++函数

---

课题三：智能文本分析与AI写作辅助工具

课题简介 开发词频统计、关键词提取的文本分析工具，并结合LLM实现内容摘要与写作辅助功能。

知识点融合

• 数据结构： 哈希表（词频统计）、堆（TopK高频词）、Trie树（前缀检索）
• C++： 字符串处理、STL map/priority_queue、文件流
• 算法： KMP字符串匹配
• 🤖 LLM融合： 自动摘要、文风改写、写作建议

基本要求

• 读入文本文件，统计词频并输出TopK高频词
• 支持关键词高亮查找
• 生成词频统计报表

🤖 AI创新点

• 将词频分析结果作为上下文，请求LLM生成"文章核心观点总结"
• 实现"AI润色"功能：用户输入一段文字，LLM返回改写后的流畅版本
• （拓展）构建一个写作辅助Agent：具备"分析→建议→修改→再分析"的多轮对话闭环能力，用栈维护修改历史，支持撤销

---

课题四：AI驱动的个人任务规划与番茄钟系统

课题简介 结合时间管理理念与LLM能力，设计一个能理解自然语言指令、自动分解任务、智能调度的效率工具。

知识点融合

• 数据结构： 优先级队列（堆）、双向链表、栈（撤销操作）
• 面向对象： 任务类、分类类、计时器类的设计
• C++： 运算符重载、模板类、<chrono> 时间库
• 🤖 LLM融合： 自然语言任务录入、大任务自动拆解

基本要求

• 支持任务的增删改查，按优先级/截止日期自动排序
• 实现番茄钟计时功能
• 支持历史记录查看与数据导出

🤖 AI创新点

• 用LLM将模糊指令转化为结构化任务：输入"我下周要交软件工程作业"，自动提取任务名、截止日期、预估工时并入库
• 接入LLM实现任务智能拆解：一个大任务可被自动分解为多个子任务，插入优先队列
• （拓展）构建规划Agent：每天早晨根据任务列表和日历，自动生成当日番茄钟计划，并在任务完成后给出鼓励性反馈

---

课题五：简易编译器前端 + AI代码解释助手

课题简介 实现数学表达式解析器，初步体验编译原理核心思想，并接入LLM对表达式和代码错误进行智能解释。

知识点融合

• 数据结构： 栈（运算符优先级处理）、二叉树（表达式树）
• C++： 递归下降解析、类的设计
• 算法： 中缀转后缀（Shunting Yard算法）、树的遍历
• 🤖 LLM融合： 错误解释、表达式语义分析

基本要求

• 支持四则运算、括号、乘方等运算符
• 支持变量赋值与使用
• 构建并可视化表达式二叉树

🤖 AI创新点

• 当用户输入语法错误的表达式时，调用LLM生成友好的中文错误说明与修正建议（而非仅输出冷冰冰的错误码）
• 用LLM对表达式进行"语义解读"：将 (a+b)*c - d/e 解释为"先求a与b的和，再乘以c，最后减去d除以e的结果"
• （拓展）实现一个AI编程家教Agent：用户可以用自然语言提问"为什么这个表达式算出来是错的"，Agent结合表达式树分析原因并逐步引导

---

课题六：基于图算法与Agent的校园智能导航助手

课题简介 以本校校园地图为原型，构建图结构并实现路径规划，同时接入LLM和Agent技术，打造能对话、能规划、能推荐的校园智能助手。

知识点融合

• 数据结构： 图（邻接矩阵/邻接表）、优先队列
• 算法： Dijkstra、Floyd全源最短路、最小生成树
• 面向对象： 节点类、边类、图类的封装
• 🤖 LLM + Agent融合： 自然语言导航、多目标规划、地点推荐

基本要求

• 建立校园地点与路径的图模型
• 实现任意两点间最短路径查询
• 支持"途经指定地点"的路径规划

🤖 AI创新点

• 用LLM解析自然语言导航请求：输入"我要从宿舍去图书馆，顺路买杯奶茶"，自动识别起点、终点和途经点，调用Dijkstra求解
• 构建导航Agent，具备多轮对话能力：能回答"从操场到食堂要走多久""哪条路最近但不用爬坡"等复合问题
• （拓展）Agent具备主动推荐能力：根据时间（如饭点、下课）主动提示附近餐厅、教室等，结合最小生成树给出"高效参观校园"的一笔画路线

---

📊 课题综合对比

课题	核心数据结构	难度	LLM/Agent融合深度	实用性
①迷宫寻路	图、栈、队列	⭐⭐⭐	LLM解说 ⭐⭐	⭐⭐⭐
②二手交易系统	链表、哈希表	⭐⭐⭐	对话Agent ⭐⭐⭐⭐	⭐⭐⭐⭐⭐
③文本分析工具	哈希表、堆、Trie	⭐⭐⭐⭐	写作Agent ⭐⭐⭐⭐	⭐⭐⭐⭐
④任务管理系统	优先队列、栈	⭐⭐⭐	规划Agent ⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
⑤表达式解析器	栈、二叉树	⭐⭐⭐⭐⭐	家教Agent ⭐⭐⭐⭐⭐	⭐⭐⭐
⑥校园导航助手	图、优先队列	⭐⭐⭐⭐	导航Agent ⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐

---

💡 给同学的技术提示

如何在C++中调用LLM API？

所有课题的LLM功能都可以通过以下方式实现，无需掌握Python：

// 使用 libcurl 或 cpp-httplib 库发送 HTTP 请求到大模型API
// 国内推荐：DeepSeek API（免费额度充足）、文心一言、通义千问
// 请求格式为标准 JSON，返回结果解析后即可使用

#include <httplib.h>
#include <nlohmann/json.hpp>

// 向 DeepSeek API 发送请求示例
std::string askLLM(const std::string& prompt) {
    httplib::Client cli("api.deepseek.com");
    // 构造请求体，解析响应即可
    ...
}

Agent的理解： 对大一同学来说，Agent可以简单理解为"能感知输入→调用工具→返回结果"的自动化循环，用while循环＋if-else意图判断＋函数调用就能实现最基础的Agent原型，不需要复杂框架。