AI-Fiber：AI辅助静电纺丝开发

在科研领域，我们常常面临一个窘境：拥有各种强大但彼此孤立的分析工具。分析电镜图片用ImageJ，处理数据用Python脚本，进行预测建模又要另起炉灶。整个工作流是碎片化的，数据在不同软件间“手动”流转，效率低下且容易出错。

有没有可能，用一个统一、智能的入口，将这些复杂的工具整合起来，让研究人员只通过最自然的语言对话，就能完成从图像分析到性能预测的全过程？

这就是我的毕业设计项目——AI-Fiber——一个基于大语言模型（LLM）的智能电镜纺丝科研助手。

项目开源链接：https://github.com/breeeak/ai-fiber

在线体验地址：https://aifiber.tech

核心思想：“LLM + Tools”的黄金范式

当前的大语言模型（LLM）虽然在语言理解和生成上能力超群，但在进行需要高精度、高可靠性的科学计算时，仍存在“幻觉”和不准确的风险。直接让LLM去分析一张电镜图片并计算纤维直径，结果往往是不可信的。

因此，AI-Fiber的核心架构采用了LLM + Tools的范式。

• LLM 担当“智能大脑”：负责理解用户的自然语言指令，拆解任务，并决定调用哪个专业工具来执行。
• 专业算法担当“高效手脚”：我将前面开发的所有模型——从文献信息抽取（SpinSci-Ex）、比例尺识别（YOLO-OCR），到纤维分割（SAM-Fiber）和性能预测（LightGBM）——全部封装成了独立的、可通过API调用的“工具”。

这样一来，LLM只做它最擅长的事（理解与调度），而具体的科学计算则交由经过严格验证的专业模型来完成，实现了直观交互与科学严谨的完美结合。

功能展示：两个典型的科研场景

AI-Fiber是如何在实际工作中帮助研究人员的？让我们来看两个真实的案例。

案例一：一句话完成显微图像的量化分析

过去，分析一张电镜图的纤维直径分布，需要经过打开软件、校准比例尺、图像分割、阈值调整、测量、统计等一系列繁琐步骤。

现在，用户只需上传图片，然后对AI-Fiber说：

“分析一下这张图里的纤维直径分布。”

AI-Fiber的LLM大脑会立刻理解这个指令，并自动调用后端的“图像形态学表征”工具。分析完成后，系统会直接在对话界面生成一份图文并茂的报告，包含各项统计数据（均值、方差等）和直方图，并提供原始数据的下载链接。

案例二：从“预测”到“指导”，成为你的智能实验伙伴

除了分析已有数据，AI-Fiber还能帮助研究人员进行实验设计。

用户可以输入一组工艺参数，并提问：

“预测一下这些参数下的纤维直径和拉伸强度。”

系统会调用后端的预测模型，给出一个包含不确定性区间的精准预测结果。更进一步，它还会分析各个参数对结果的影响程度，并给出具体的优化建议，比如“想要获得更细的纤维，可以尝试降低聚合物浓度或提高电压”。这展现了系统从“正向预测”迈向“逆向设计”的潜力。

总结

AI-Fiber项目不仅仅是将多个AI模型进行了简单的堆砌，而是通过LLM作为智能中枢，真正打造了一个统一、高效、低门槛的科研工作平台。它验证了“LLM+Tools”范式在垂直科学领域的巨大潜力，为未来构建更强大的“AI科学家”或“自动化实验室”提供了坚实的基础和实践蓝图。