AI 智能答题助手 (AI Study Copilot) —— 你的下一代学习辅助神器

AI 智能答题助手 (AI Study Copilot) —— 你的下一代学习辅助神器

⚡️ AI 智能答题助手 (AI Study Copilot) —— 你的下一代学习辅助神器

一键抓取 · 深度解析 · 学习更轻松

功能特性安装指南使用说明赞助与支持免责声明


项目地址:点击访问
插件官网:点击访问

在这里插入图片描述

📖 项目介绍

AI 智能答题助手 (AI Study Copilot) 是一款专为在线学习设计的浏览器扩展。V1.2 版本迎来重大升级,打破模型限制,不仅内置 DeepSeek 智能引擎,更开放支持 OpenAI本地大模型 (LM Studio)

不同于传统的题库匹配软件,本插件不依赖静态题库,而是通过实时 AI 分析,能够处理全新的题目、变种题以及复杂的阅读理解题。我们秉持“技术辅助学习”的理念,致力于将繁琐的资料检索过程自动化。

✨ 功能特性

1. ♾️ 模型源自由切换 (New)

  • 本地模型无限刷:支持连接本地 LM Studio,数据不上云,零成本、无限制、隐私更安全!
  • 自定义 API:兼容 OpenAI 及任意第三方接口 (OneAPI/NewAPI),想用什么模型由你决定。
  • 内置 DeepSeek:无需配置,开箱即用(VIP 尊享每日 300 次极速解析)。

2. 🆔 账户权益保障 (New)

  • ID 备份与恢复:全新上线账户管理面板,支持查看与备份专属账户 ID。
  • 权益不丢失:无论是更换电脑还是重装系统,只需填入旧 ID,会员权益一键恢复。

3. 🛡️ 静默抓包引擎

  • 无感抓取:采用全新的旁路监听技术,自动拦截网页题目数据(AJAX/Fetch)。
  • 更强兼容:完美支持跨域 Iframe 及各种复杂的动态加载题库,抓包更稳、更隐蔽。

4. 🔍 HTML 深度扫描 (VIP)

  • 针对没有数据接口的老旧静态网页,提供 DOM 深度扫描 模式。
  • 直接从网页可见区域提取题目文本,支持 OCR 无法处理的复杂排版。

5. 👆 极简交互体验

  • 数据看板:新增 AI 生成耗时统计与响应时间显示,精准把控答题节奏。
  • 智能高亮:自动识别题型([单选]、[多选]、[填空]),并使用彩色标签高亮显示。

美观模态框:全新设计的交互弹窗,视觉更统一,操作更丝滑。

在这里插入图片描述

📥 安装指南

应用商店安装(推荐,自动更新)

平台下载链接说明
Chrome点击前往 Chrome Web Store谷歌浏览器专用
Firefox点击前往 Firefox Add-ons火狐浏览器专用
移动版点击前往 Firefox Add-ons for AndriodAndriod手机/平板版专用(火狐浏览器-移动版)

插件文件离线安装

平台下载链接说明
Chrome点击下载离线插件谷歌浏览器&Edge浏览器&360安全浏览器专用
Firefox点击下载离线插件火狐浏览器专用(支持Andriod手机/平板端火狐浏览器)

🚀 使用说明

  1. 进入题库页面:打开你需要学习的网课或题库网站。
    • 此时插件会自动监听题目数据。
    • 若捕获成功,右下角悬浮球会出现红点数字提醒。
  2. 查看解析
    • 点击悬浮球打开面板。
    • 勾选需要解析的题目数据包。
  3. 配置模型 (可选)
    • 如果没有抓到包,在面板中开启 “HTML 深度扫描” 开关。
    • 点击列表上方的 “深度扫描” 按钮。

深度扫描 (针对无接口页面)

在这里插入图片描述

打开设置面板,点击AI自定义模型源,可选择 “内置模型”“DeepSeek API”“OpenAI”“本地模型”

点击 “🚀 发送选中数据给 AI”


自动捕获


⚠️ 免责声明

在使用本软件前,请务必仔细阅读以下条款:

  1. 辅助学习工具:本软件开发的初衷是辅助用户进行知识检索和解析,帮助理解知识点。严禁将本软件用于任何形式的违反法律法规、违反校规校纪或第三方平台规则的行为(包括但不限于考试作弊)。
  2. 技术中立:开发者仅提供数据处理与 AI 接口调用的技术工具。用户利用本软件在第三方平台进行的任何操作,其后果完全由用户自行承担。
  3. 数据安全:本软件仅在用户主动操作时处理题目文本数据,绝不收集用户的账号密码、Cookie 或个人隐私信息。
  4. 合规使用:请勿利用本软件批量抓取他人拥有知识产权的题库数据用于商业牟利。

🛠️ 技术栈

  • 前端核心: Vanilla JavaScript (ES6+), HTML5, CSS3
  • 扩展框架: Chrome Extension Manifest V3
  • 通信机制: chrome.runtime, window.postMessage, MessageChannel
  • 网络拦截: XMLHttpRequest Proxy, Fetch Proxy (Silent Bypass)
  • AI 接口: Multi-Provider Support (Built-in Proxy / OpenAI / LM Studio)

📄 License

MIT License © 2026 Hx0 Team

Read more

前端拖拽交互实现:别再只会用原生拖拽了

前端拖拽交互实现:别再只会用原生拖拽了

前端拖拽交互实现:别再只会用原生拖拽了 毒舌时刻 这代码写得跟网红滤镜似的——仅供参考。 各位前端同行,咱们今天聊聊前端拖拽交互。别告诉我你还在用原生的HTML5拖拽API,那感觉就像在用诺基亚手机——能打电话,但体验太差。 为什么你需要拖拽交互 最近看到一个项目,拖拽功能全靠原生API实现,卡顿、不流畅,用户体验极差,我差点当场去世。我就想问:你是在做拖拽还是在做卡顿生成器? 反面教材 // 反面教材:原生拖拽API function handleDragStart(e) { e.dataTransfer.setData('text/plain', e.target.id); } function handleDragOver(e) { e.preventDefault(); } function handleDrop(e) { e.preventDefault(); const id = e.dataTransfer.

个性化图书推荐系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

个性化图书推荐系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

摘要 随着数字化阅读的普及,个性化图书推荐系统在提升用户体验和满足读者需求方面发挥了重要作用。传统的图书推荐方式往往基于简单的分类或热门榜单,难以满足读者多样化的兴趣偏好。现代推荐系统通过分析用户行为数据、阅读历史和偏好,能够提供更加精准的个性化推荐。本研究旨在开发一个基于SpringBoot后端、Vue前端和MySQL数据库的个性化图书推荐系统,该系统能够通过算法分析用户行为,动态调整推荐内容,从而提升用户的阅读体验和满意度。关键词:个性化推荐、数字化阅读、用户行为分析、动态调整、阅读体验。 本研究采用SpringBoot作为后端框架,结合Vue.js前端技术,构建了一个高效、可扩展的个性化图书推荐系统。系统通过MySQL数据库存储用户数据、图书信息和推荐记录,并利用协同过滤算法和内容-based算法实现精准推荐。功能模块包括用户注册与登录、图书浏览与搜索、推荐列表生成、用户反馈收集等。系统支持管理员对图书信息进行管理,同时提供用户个人中心,方便查看阅读历史和推荐记录。后端采用RESTful API设计,前端通过Axios实现数据交互,确保系统的高效运行和良好的用户体验。关键词:

Vue入门到精通:从零开始学Vue

Vue入门到精通:从零开始学Vue

目录 一、第一个Vue程序 第一步 Vue构造函数的参数:options template配置项 第二步 模板语句的数据来源 Template配置项 Vue实例和容器 二、Vue模板语法 Vue 插值 Vue 指令 v-bind指令 v-model指令 三、MVVM分层思想 四、VM defineProperty 五、数据代理机制 Vue数据代理机制对属性名的要求 手写Vue框架数据代理的实现 六、解读Vue框架源代码 data(函数) 七、Vue事件处理 事件绑定 Vue事件绑定 事件回调函数中的this methods实现原理 八、事件修饰符 按键修饰符 九、计算属性 反转字符串methods实现 反转字符串计算属性实现 计算属性用法 十、侦听属性 比较大小的案例watch实现 computed实现

StructBERT WebUI实战教程:用remove_duplicates函数实现万级评论去重脚本

StructBERT WebUI实战教程:用remove_duplicates函数实现万级评论去重脚本 你是不是也遇到过这样的烦恼?产品上线后,用户评论像潮水一样涌来,每天几千条,甚至上万条。但仔细一看,好多评论内容都差不多:“产品很好用”、“质量不错”、“推荐购买”……这些重复或相似的评论不仅让数据分析变得困难,还浪费了宝贵的存储空间。 手动去重?别开玩笑了,上万条评论,眼睛看花了也分不清哪些是重复的。用简单的字符串匹配?那更不行,“很好用”和“非常好用”明明意思一样,但字面上完全不同,传统方法根本识别不出来。 今天,我就带你用一个超级简单的方法,基于StructBERT WebUI,写一个不到50行的Python脚本,轻松搞定万级评论的去重工作。不用懂复杂的AI算法,也不用搭建复杂的环境,跟着我做,10分钟就能上手。 1. 为什么选择StructBERT做评论去重? 在开始写代码之前,我们先搞清楚一个问题:为什么不用传统的字符串匹配,而要选择StructBERT这种AI模型? 1.1 传统方法的局限性 我以前也试过用传统方法做评论去重,结果发现一堆问题: 字符串完