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

从零到一:Ubuntu上llama.cpp的编译艺术与性能调优实战

从零到一:Ubuntu上llama.cpp的编译艺术与性能调优实战 在人工智能技术快速发展的今天,大型语言模型(LLM)已成为开发者工具箱中不可或缺的一部分。而llama.cpp作为一款高效、轻量级的LLM推理框架,因其出色的性能和跨平台支持,越来越受到开发者的青睐。本文将带您深入探索在Ubuntu环境下编译和优化llama.cpp的全过程,从基础环境搭建到高级性能调优,为您呈现一套完整的解决方案。 1. 环境准备与基础编译 在开始编译llama.cpp之前,我们需要确保系统环境满足基本要求。Ubuntu 22.04 LTS是最推荐的系统版本,它提供了稳定的软件包支持和良好的兼容性。 首先更新系统并安装必要的开发工具: sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake git curl libcurl4-openssl-dev 对于希望使用CUDA加速的用户,还需要安装NVIDIA驱动和CUDA工具包: sudo apt install

【AIGC前沿】MiniMax海螺AI视频——图片/文本生成高质量视频

【AIGC前沿】MiniMax海螺AI视频——图片/文本生成高质量视频

目录 1.MiniMax海螺AI视频简介 2.使用教程 1.MiniMax海螺AI视频简介 海螺视频,作为 MiniMax 旗下海螺 AI 平台精心打造的 AI 视频生成工具,致力于助力用户产出高品质视频内容。该工具依托 abab-video-1 模型,具备强大的文生视频功能。用户仅需输入关键词或简短语句,海螺视频就能据此创作出情节丰富的完整视频。此外,海螺视频运用 DiT 架构,能够精准模拟现实世界的物理规律,尤其在生成复杂场景与高动作场景时,展现出卓越的性能。 2.使用教程 点击如下链接,进入蓝耘元生代智算云平台主页 https://cloud.lanyun.net/#/registerPage?promoterCode=11f606c51e 点击主页上方栏的“MaaS平台” 然后点击左侧栏的“视觉模型”  可以看到可以免费体验一次I2V-01图片生成视频  点击如下红框处将图片上传  例如输入如下的图片 例如想让小狗动起来,可以在如下红框处输入相应的指令,然后点击立即生成

LLaMA-Factory评估指标实战:困惑度与BLEU分数深度解析

LLaMA-Factory评估指标实战:困惑度与BLEU分数深度解析 还在为LLM微调后的模型质量评估发愁吗?🤔 作为AI开发者和研究者,我们常常面临这样的困境:训练损失下降明显,但实际生成效果却让人失望。今天,我将带你深度解析LLaMA-Factory中的两大核心评估指标——困惑度(PPL)与BLEU分数,让你从"盲调"走向"精调"! 🎯 评估指标:模型优化的"导航仪" 在LLaMA-Factory微调框架中,评估指标就像GPS导航系统,实时告诉我们模型的学习状态和优化方向。困惑度衡量模型对文本序列的预测能力,数值越低越好;而BLEU分数则评估生成文本与参考文本的相似度,分数越高质量越优。 评估指标应用场景速览 场景类型推荐指标理想范围关键影响因素预训练任务困惑度<20数据质量、模型架构文本生成BLEU-420-40解码策略、训练数据量多轮对话综合评估多维度上下文理解能力 🚀 困惑度计算:从原理到实践 困惑度是评估语言模型性能的重要指标,它反映了模型预测下一个词的不确定性程度。简单来说,困惑度越低,模型对文本的理解就越准确。 困惑度计算技术内幕 在

【AIGC】COT思维链:让AI学会拆解问题,像人一样思考

【AIGC】COT思维链:让AI学会拆解问题,像人一样思考

COT思维链 * 引言 * 理解实践 * 存疑例子 * COT解决 * 内置COT * COT的优势 * COT的未来展望: * 结语 引言 在人工智能领域,我们一直在追求让机器像人类一样思考。然而,即使是最先进的AI,也常常被诟病缺乏“常识”,难以理解复杂问题,更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方,或者一些人一眼能看出来的地方AI在那里胡扯。 为了解决这个问题,一种名为“思维链(Chain of Thought, COT)”的技术应运而生。COT的核心思想是:将复杂问题分解成一系列简单的子问题,并逐步推理出最终答案。 这就像人类在解决问题时,会先将问题拆解成一个个小步骤,然后一步步推理,最终得出结论。 理解实践 存疑例子 为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个 from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from