概要
面向医学专家的论文检索与订阅推送后端:围绕 PubMed 抓取、AI 搜索、深度分析、收藏订阅和会员积分体系形成完整服务链路。
业务价值
把医学论文获取、筛选、订阅和深度阅读串成一条连续流程,降低专家跟踪前沿研究的时间成本。
工程深度
覆盖爬取入库、API 设计、AI 辅助分析、任务调度、支付积分体系与小程序后端建模。
证据来源
仓库 · 置信度 高 · 验证时间 2026-03-31
- 证据级别:严格复核(核心区仅展示可复核指标)
- 来源类型:仓库/代码记录
- 来源链接:未提供公开链接,需结合履历或交付记录复核
- 验证时间:2026-03-31(距今 0 天,时效性高)
判定原因:判定为高置信度:按严格口径整理,可回溯到仓库或代码记录,验证时间距今 0 天。
背景
目标是为医学专家提供更垂直的论文发现与订阅能力,减少在通用搜索工具中筛选信息的时间成本。
挑战
除了论文抓取和搜索,还要同时处理个性化订阅、深度分析、用户行为、积分/VIP 和支付等运营需求,系统边界较宽。
行动与成果
解决方案
- 数据与检索:基于 Django + MySQL 建立论文、主题、订阅和收藏等模型,通过 PubMed spider 与管理命令维护数据。
- AI 能力:提供 AI 关键词生成、AI 搜索、深度分析和相关推荐接口,增强医学场景的检索表达能力。
- 异步与缓存:使用 Celery 和 Redis 支撑定时任务、推送流程和接口性能治理。
- 商业化闭环:接入微信支付、积分记录、VIP 与邀请码,支撑小程序持续运营。
成果
形成面向医学检索场景的小程序后端闭环,覆盖数据抓取、搜索分析、订阅推送与支付运营。
关键指标
构建 PubMed 抓取、文章入库、DOI/期刊补全与定时任务链路,形成持续更新的论文数据底座。 提供 AI 关键词、AI 检索、深度分析、收藏和推荐接口,提升医学场景的检索效率与阅读深度。 补齐订阅推送、推送历史、积分/VIP、邀请码和微信支付回调处理,支撑小程序持续运营。 技术栈
PythonDjangoMySQLRedisCeleryPubMedOpenAIWeChat Mini ProgramWeChat Pay