CourseSnap

CourseSnap 起点来自一个非常具体的学习场景：很多网课、讲座或会议回放无法直接下载完整课件，用户只能手动截图保存 PPT 页面。这个过程低效、容易漏页，后续整理也很困难。最初我想解决的不是做一个复杂 AI 产品，而是先让课程资料更容易被保存和复习。

用户在课程结束后通常会拥有很多分散材料：截图、课件、逐字稿、笔记、聊天记录等。问题不只是“能不能识别文字”，而是这些材料很难被组织成一个可阅读、可复习、可继续交给 AI 处理的结构化输入。

• 手动截图效率低，容易漏页。
• OCR 对 PPT 截图识别不稳定，容易乱码、漏字、顺序混乱。
• 图片太分散，不适合阅读和复习。
• 逐字稿与课程画面分离，AI 总结缺少完整上下文。

我将产品流程收敛为三步：自动截图检测课程页面变化，只保存新的 PPT 页面；PDF 整理将截图按顺序合成为 PDF，保留课程视觉结构；AI 总结检测 PDF 与 TXT/DOCX 逐字稿，生成结构化学习笔记。最终流程是：自动截图 → 一键合成 PDF → 放入逐字稿 → AI 总结。

这个项目最重要的部分不是功能堆叠，而是在有限时间里判断哪些链路应该自动化，哪些环节应该保留人工控制，哪些能力可以独立提供价值。

• 为什么放弃 OCR：早期方案是“截图 → OCR → 文本 → AI 总结”，但 OCR 对课程截图不稳定，容易丢失 PPT 的版式、顺序和视觉信息。我最终放弃把 OCR 作为核心链路，改为用 PDF 保留原始视觉结构。
• 为什么采用 PDF + 逐字稿：PDF 保留课程画面的上下文，逐字稿补充语义内容，两者组合比单独 OCR 更适合作为复习材料和 AI 总结输入。
• 为什么 API Key 由用户输入：AI 功能需要调用外部模型。如果在应用里内置个人 Key，会带来安全、成本和维护风险；让用户输入自己的 Key 更适合个人工具的分发方式。
• 为什么 AI 是增强功能而不是使用门槛：PDF 生成功能本身就能解决资料整理问题，用户即使不用 AI，也能获得明确价值。AI 总结只是在资料整理完成后进一步提升效率。

这个 MVP 是一个 Python 桌面工具。我使用 PIL / ImageGrab 进行屏幕截图，通过页面变化检测避免重复保存相同页面，并将截图按顺序保存。随后，工具可以把图片合成为 PDF，并自动检测项目文件夹中的 PDF 与 TXT/DOCX 逐字稿。AI 总结部分使用 DashScope 兼容 OpenAI 接口完成调用，最终通过 PyInstaller 打包为 Windows 可运行程序。

我约 10 小时完成了可运行 MVP。产品从一个自动截图工具，迭代为“课程资料采集 → PDF 整理 → AI 总结”的完整学习资料整理流程，完成了从用户痛点、产品方案、原型设计、技术实现到交互打包的端到端实践。这个项目的价值不在于堆叠 AI 功能，而在于把 AI 放进一个用户已经存在、但效率很低的学习资料整理流程里。

这个项目让我意识到，AI 产品的关键不只是模型能力，而是输入质量、流程设计和用户信任。很多时候，真正影响结果的不是能不能调用 AI，而是用户是否能轻松把高质量材料放进流程，并得到稳定、可理解、可继续使用的输出。