课程助手 · 课程文件 → 目录 · 知识点 · B 站网课 · 学习报告

DeepSeek Harness 插件（bundle）。把课程文件拖进面板，自动识别章节目录，逐章生成知识点/重点/难点， 检索 B 站配套网课，最后输出一份 Markdown 学习报告（可导出 PDF），报告末尾固定附 B 站网课列表。

• 完整页面：左侧栏「课程助手」图标（main 槽位，key course-assistant）
• 常驻入口：输入框下方 dock 的一行「🎓 课程助手 · 打开面板 →」（conversation.composer.dock）
• 给 Agent 的 Tool：course_assistant（analyze / status / library）

界面

区域	内容
拖拽区	拖入或点击选择，支持 .pptx .pdf .docx .md .txt，一次最多 12 个（单文件 ≤60MB）
选项	「检索 B 站网课」可关闭（关掉后不产生任何站外请求）
进度	解析 → 识别目录 → 逐章总结（边出边显示）/ 并行检索 → 生成总结 → 报告
标签页	知识点（每章要点、⭐重点、⚠️难点、关键词）· 目录 · B 站网课 · 报告（渲染 + 下载 MD/PDF/复制）

报告格式

严格按需求给定的结构：

# 《课程名》学习报告
> 生成时间 / 来源文件 / 章节数 / 总结模型
## 一、课程目录
## 二、各章知识点      ### 第 N 章 …  - 要点 / - ⭐ 重点 / - ⚠️ 难点 / - 关键词
## 三、课程总结        （≤300 字）
## 附录：B 站相关网课推荐
### A. 系列课程推荐    序号 | 标题 | UP 主 | 播放量 | 时长/集数 | 链接
### B. 分章节视频推荐  章节 | 标题 | UP 主 | 播放量 | 时长 | 链接

附录不会为空：检索被风控或没有相关结果时，该行退化为 https://search.bilibili.com/all?keyword=<URL编码关键词> 搜索入口。

1.2.0 新增：读不准时的处理

质量闸门（解析后立即算，纯本地）——四项指标：每页字数、可疑字符率、空页率、成词率。判定 good / fair / unusable，报告头部直接写出来，例如：

文本可读性：不可用（73 字/页，全文 3719 字，空页 18%，可疑字符 9%） ⚠️ 文字层不可用：这份文件里的文字没能被正确提取（多为导出型 PDF 的字形编码）…

面板反馈：报告出来后问「这次结果符合你的预期吗？」，选"不太行"展开三条补救：换源文件（最优）／OCR 重读／关闭网课检索重跑。/rerun 复用原上传文件，不丢输入。

OCR 重读（可选）：WinRT 渲染 + Windows OCR（zh-CN），约 1 秒/页，默认上限 60 页。仅 Windows；health.ocr 会用来说明是否可用。

领域锚定：从代码特征识别课程语言（#include/std::/cout → C++；System.out → Java…），然后

• 章节关键词强制带域：「Python 异常处理」→「C++ 异常处理」
• B 站查询加前缀：C++ 异常处理
• 排序时丢弃跨语言结果（C++ 课不会推 Java 教程），命中本域的加权

识别不准时可在配置里写死：domain: 'C++'。

另外四项小改进：

改进	效果
字形反查（借鉴 pdf.js 思路）	字体缺 /ToUnicode 时，解析嵌入的 TrueType cmap 表并反转成 GID→Unicode，把"字形编号"还原成真字；实测两份 PowerPoint 导出的 PDF：汉字数 0 → 734 / 464，可疑字符 9% → 0%
演讲者备注	读 notesSlides，讲义备注往往是完整讲稿；实测 34 页 PPT 多出约 6 400 字
编码还原	无 ToUnicode 的字体先按 GBK/Big5 再解一次，能救"GBK 字节被当 Latin-1"的老 PDF
同名源文件择优	同时拖 x.pptx 与 x.pdf 时自动用 pptx，并提示跳过了哪个
要点重合计分	每章要点与原文算 bigram 重合度，低于 30% 标「可能有推断成分」

1.5.0 新增：B 站推荐不再跑题

问题来自真实课件（第2章_数据的机器级表示和处理.pptx）：第 3 章「四、编码方案」推荐了 中职英语、ESP32 蓝牙、阅读理解答题框架。根因是用页标题当搜索词（「主要内容」）、 课程没有主题锚词（domain 只认编程语言）、以及排序里热度权重过大。

五层修复：

1. 清洗输入（core/terms.js）：GENERIC_TERMS 拦截「主要内容/本章小结/思考题…」， cleanTerm() 去掉「四、」「3.」「第 X 章」等编号，清洗后不足 2 个汉字直接丢弃； 模型不可用时，兜底关键词改用 TF-IDF 从本章正文抽取，而不是抄页标题。
2. 课程主题档案（core/topic.js）：anchor 优先取配置 domain，其次各章关键词首词投票 （本例 3 章都以「计算机系统」开头 → anchor 立即可得），再退回课程标题； vocab 是全文 TF-IDF 前 40 术语；negative 是常见学科词减去课程全文出现过的 （真正的英语课不会被误伤）。
3. 逐级放宽搜索：L1 锚词+概念 → L2 两个概念 → L3 课程主题 → L4 只给搜索链接， 上一级不足 2 条才放宽；概念按长度升序取（「补码」比「数据的机器级表示」更窄）。
4. 主题过滤（judgeVideo）：候选必须「命中锚词 或 ≥2 个 vocab 术语」且「命中 ≥1 个概念词」 且不命中 negative；否则直接淘汰——把原来只针对编程语言的 conflictsDomain 推广到所有课程。
5. 两段式排序：relevance ≥ 0.5 才计分，score = 0.75×relevance + 0.15×热度 + 0.1×合集， 不对题的视频播放量再高也是 0。

同时修了章名：informativeTitle() 遇到通用词章名会依次改用「第一个有信息量的小标题」→ 「正文首行」→「TF-IDF 前两词」，目录里不会再出现「主要内容」。

实测（同一份课件，改前 → 改后）：

	改前	改后
第 3 章推荐	中职英语 / ESP32 蓝牙 / 阅读理解（0.627/0.627/0.606）	深入理解计算机系统[00] 无符号整数、二进制补码（0.876, rel 1.0）等
跑题词命中	3 条	0 条
有推荐视频的章	5/5（但多数跑题）	4/5（「码点空间」这类冷门词给搜索链接）
章名	第 1、5 章都叫「主要内容」	改成「一、计算机系统层次中的编码任务」「2.3. 字符数据的机内表示」

1.4.0 新增：有依据的要点、可续跑的流程、可校验的配置

每条要点必须带原文引文，并由本地核对（core/verify.js）——模型不再"自评可信度"，而是给出 evidence（原文连续片段），插件把它和章节原文做归一化（NFKC / 去空白标点 / 全半角）后比对：

判定	含义
exact	引文是原文子串
fuzzy	4-gram 覆盖率 ≥ 0.85（标点/空格被改写的引文）
short	归一化后不足 10 字，算不了一次有效核对
missing	找不到

由 evaluateSummary() 收敛成三档 verified / weak / suspect + 原因码；报告、面板、warnings 读同一个对象，文案只陈述测量值（"词面重合 34%：要点多为改写"、"5 条引文 2 条找不到"）， 不再用词面重合度推断"编造"。空原文的 supportScore 从原来的 1 改为 null（没有原文不该满分）。

manifest + 重启可重跑：每个 job 落盘 inputs（相对路径 + sha256 + uploadId）、 outline.boundaries（分章边界 + hash）、ocr（引擎/页数）与 schemaVersion。 重启后 /rerun 从 manifest 恢复输入，按锁定的边界取原文——改分章算法不会给旧任务重新编号。 OCR 结果按内容哈希缓存（<dataDir>/ocr/<sha>.json），重跑命中缓存、不会再跑一遍 OCR。

心跳与僵尸任务：运行中的 job 每 15 秒续一次 heartbeatAt，并记 owner{pid,hostname}。 启动时扫描：心跳超过 90 秒且同主机进程已不存在 → 标 interrupted（面板不再空转轮询）。

Config 进设置页：export const Config（Schemastery）声明 11 个字段，激活时校验， Config.listConfigs 从 absent 变成 schema。配置非法直接 fail loud，不会半配置启动。 字段与优先级（请求 > 配置 > 默认）：

字段	默认	约束
dataDir	空（<DSH_HOME>/course-assistant）	路径
concurrency	4	1–5
withVideos	true	布尔
domain	空（自动识别）	字符串
ocrMaxPages	60	1–400
ocrEngine	空（自动）	windows / rapidocr
ocrPython	空	python 路径
provider / model	空（跟随默认模型）	字符串
spacingMs	1000	1000–60000
keepUploadsDays	7	1–90

同名章节不再重复：页眉重复时只在标题变化处开新章；相邻同名章合并； 非相邻同名章追加页码区间（第 1 章 甲（p7–9）），不再出现"（续）"。

字号按 CTM 折算：有效字号 = Tf × √|det(Tm × CTM)|，q/Q/cm 维护图形状态栈。 用 cm 整体缩放的 PDF 不会被误判成"字很小"（Tz 只影响宽度，不参与字号）。

分章质量可量化：tools/gold/*.json 存人工/作者标注的章边界， tools/segment-metrics.mjs 算 windowdiff 与 ±1 页容差的边界 F1；--real 组会跑 gold 集， 当前 deck-800 的 windowdiff 0.061、F1 0.947。

本地课件问答（零依赖）：core/search.js 用 Node 内置 Intl.Segmenter 分词 + BM25， 在章节正文里检索并返回带章号与页码的原文片段。入口两个：

GET /course-assistant/ask?id=<jobId>&q=需求价格弹性怎么定义
# 或 Agent 工具：course_assistant { action: "ask", jobId, question }

检索索引在建报告时落到 jobs/<id>.index.json，章节重跑只替换该章的片段。

对照考纲算覆盖率（core/coverage.js）：把复习大纲/考点清单交给它，按 token 重合把每条考点 归到最匹配的章节，输出每章覆盖了哪几条、以及没有任何章节覆盖的考点。 规则保守：至少命中 2 个词才算覆盖，避免「均衡」这种单字面重合造成假覆盖。

# Agent 工具
course_assistant { action: "coverage", jobId: "...", files: ["期中考点.md"] }

B 站推荐细化到分 P：对多 P 合集会再查一次 view 接口，用分 P 标题和章节标题/关键词做短语匹配 （短语整体命中优先，否则按 bigram ≥50% 判近似），命中就推荐「第 7P」并直接带 ?p=7 链接； 单 P 视频不会硬凑。分 P 信息有 24 小时缓存，每个章节最多查前 2 个视频。

增量课程：course_assistant { action: "append", jobId, files: [...] } 把新课件追加到已有课程：旧章节文本没变 → 摘要缓存命中不重算，只总结新增章节，然后重建整份报告 （实测：3 章旧 + 2 章新 → 5 章，cacheHits = 3）。

修掉一个长期的静默 bug：summarizeChapter 之前只拿到章节元数据，正文从未传给模型 （模型一直在只看标题写要点）。1.4.0 起正文显式传入，prompt 版本升到 v5。

1.3.0 新增：可换的 OCR、双栏阅读顺序、单章重跑

OCR 引擎抽象：core/ocr.js 变成注册表，引擎只需实现 { id, label, available(), recognize(pdfPath, opts) }（约 30 行接口）。

引擎	平台	说明
windows	Windows	WinRT 渲染 + Windows OCR(zh-CN)，开箱可用，~1 秒/页
rapidocr	跨平台	pip install rapidocr_onnxruntime pymupdf 后可用；渲染用 PyMuPDF，识别用 RapidOCR

health.ocrEngines 逐个报可用性，界面上不装也能用（只是列出来 available: false）。 强制指定：ocrEngine: 'rapidocr'，Python 路径用 ocrPython 覆盖。

双栏排版按栏读：论文/教材型 PDF 的内容流是「左一行、右一行」交错存的，直接顺读会把两栏串成一句话。 现在按每行/每段的 x 区间找一个「几乎没人跨过」的纵向沟槽（≥3 行在左、≥3 行在右、跨栏行 <18%）， 命中就按栏重排，整页宽的行（标题、通栏图注）先冲掉两栏缓冲、保持文档顺序。 单栏页面不受影响（检测不命中就原样输出）。

单章重跑 + 差异视图：每章右上角「重跑本章」→ POST /rerun { jobId, chapterIndex }。

• 只重算这一章（缓存读取刻意绕过），其余章节、课程总结、系列课全部沿用
• 重跑后重建整份报告，报告里其他章节不受影响
• 面板就地显示差异：+ [要点] … 绿色新增、− [重点] … 红色删除，另列新增关键词
• 差异按「要点/重点/难点 + 去空白后的文本」比对，换了说法才算变化

视觉回归：tests/visual.spec.mjs + playwright.config.mjs，用系统 Edge（channel: 'msedge'，不下载 Chromium）：

pnpm exec playwright test                     # 对比基线
pnpm exec playwright test --update-snapshots  # 刷新基线

跳转地址默认 http://127.0.0.1:54763，用 DSH_WEB_URL 覆盖；GUI 需要 dsh web 打印的带 token 地址。

夜间视觉回归（本机计划任务）

CI 里既没有 Host 也没有 token，真面板的 ARIA/截图只能在本机跑：

node tools/nightly-visual.mjs            # 与基线对比
node tools/nightly-visual.mjs --update   # 刷新基线

token 写在 <DSH_HOME>/course-assistant/web-token.txt（第一行是地址栏里 token= 的值）， 或设环境变量 DSH_WEB_TOKEN；在「任务计划程序」里注册成每天执行即可。仓库里不保存 token。

安装 / 重载前置条件两条：装好 DeepSeek Harness；profile 里配好一个可用模型（缺失时会退回本地抽取摘要）。

装法一：让 Agent 装（最省事，已验证）

在 Harness 对话框里直接说：

帮我安装插件 dsh-course-assistant（用 plugin_manager，action=install_bundle，target 用包名）

Agent 会执行 install_bundle(target="dsh-course-assistant")，从 npm 装；application: applied 后刷新页面即可。

装法二：GitHub ZIP（不用 git、不用 Node，已验证目录结构）

1. 打开 https://github.com/logb-1/dsh-course-assistant → 绿色 Code → Download ZIP
2. 解压，得到 dsh-course-assistant-main/（这一层里有 package.json）
3. 把这一层的绝对路径交给 Agent：

帮我安装这个目录里的插件：C:\Users\你\Downloads\dsh-course-assistant-main

装法三：git clone（开发者）

git clone https://github.com/logb-1/dsh-course-assistant.git
npm i dsh-course-assistant        # 或者走 npm

然后 install_bundle，target 指向克隆下来的目录（绝对路径）。

装法四：github: 规格（可选，需能稳定连上 github.com）

install_bundle(target="github:logb-1/dsh-course-assistant")

已验证 pnpm 能解析并下载（21 个文件、cordis.patch.yml 齐全），但插件管理器会先做 5 秒 github.com 连通性预检， 网络差时会直接失败；另外 Windows 上若残留同名 junction 会报 EPERM。网络不稳时用装法一或二。

装好后刷新页面，左侧栏出现「课程助手」图标。

• 只想试用不装：node tools/smoke.mjs <课件文件> 需要插件已装（它打的是宿主路由）。
• 从零验证安装：GET /course-assistant/health → {ok:true, version, llm, pdf}。

改源码后必须重载 Host：remove_bundle + install_bundle。Node 的 ESM 模块在进程内缓存， 仅改文件不会热替换 Host 代码（Client 部分刷新页面即可重取）。面板与路由注册是否生效， 用 GET /course-assistant/health 与 cordis_inspect_query（Client Slots）确认。

数据目录：<DSH_HOME>/course-assistant/（uploads/ reports/ jobs/ cache.json）， 默认 C:\Users\<user>\.dsh\course-assistant。可在 cordis.patch.yml 里用 dataDir 改。

配置（cordis.patch.yml 的同名列）

1.4.0 起这些字段由导出的 Config（Schemastery）校验，并在设置页可见；优先级统一为 请求参数 > 配置文件 > 内置默认。

键	默认	说明
dataDir	<DSH_HOME>/course-assistant	上传/缓存/报告根目录
concurrency	4	并发总结章节数，1–5
withVideos	true	全局关闭 B 站检索
provider / model	profile 默认模型	覆盖总结模型（默认取 agentDefaultModel）
domain	自动识别	强制课程领域，如 C++；用于代码特征太碎、识别不出的文件
ocrMaxPages	60	OCR 重读的页数上限（1–400）
ocrEngine	自动	windows / rapidocr
ocrPython	python / python3	rapidocr 用的解释器
spacingMs	1000	B 站请求间隔（≥1000）
keepUploadsDays	7	上传文件保留天数（1–90），仍被任务引用的不会被删

依赖

零 npm 依赖，只用 Node 内置能力：node:zlib（ZIP/deflate）、node:crypto（sha256/md5）、 全局 fetch（B 站）、officeToPdf（Host 服务，可选，用于 PDF 导出）。 宿主侧依赖的 Harness 服务：tools、webServer（必需），llm、agentDefaultModel、officeToPdf（可选，缺失时降级）。

架构

需求里给的是 Python 结构（manifest.json + main.py + bilibili-api）。Harness 的插件是 Cordis bundle（JS）：package.json 声明 dsh.bundle.patch + dsh.client，Host/Client 各一个入口， 工具用 ctx.tools.register 注册，UI 用 ctx.slots 挂载。因此按官方规范落地为：

course-assistant/
├── package.json          # bundle 声明（exports / files / dsh.bundle.patch / dsh.client）
├── cordis.patch.yml      # 插入 course-assistant 行（配置就在这里）
├── index.js              # Host：HTTP 路由 + course_assistant 工具 + 任务表 + PDF 导出
├── client.js             # Client：拖拽面板（main + sidebar.panellist + composer.dock 三处注册）
├── core/
│   ├── zip.js            # 最小 ZIP 读写（OOXML 是 zip 容器；docx 导出也用它）
│   ├── pdf.js            # PDF 文本层 + 书签（对象扫描 / 对象流 / Flate+ASCII85 / ToUnicode CMap / 大纲）
│   ├── ooxml.js          # pptx / docx → 页文本 + 标题（占位符、字号、表格、标题样式）
│   ├── text.js           # 去页眉页脚/页码/模板行；md、txt 解析
│   ├── parser.js         # 统一入口：文件 → { title, pages | blocks }
│   ├── outline.js        # 目录识别：书签 → 标题层级 → §编号/章号 → 定长分块
│   ├── bili.js           # WBI 签名搜索 + 评分排序 + 合集识别 + 24h 缓存 + 风控降级
│   ├── summarize.js      # 固定 JSON 提示词、并发、JSON 截断修复、本地兜底
│   ├── report.js         # 报告拼装（附录两表）
│   ├── docx.js           # Markdown → 最小 docx，供 PDF 导出
│   ├── store.js          # 上传/任务/报告/TTL 缓存（原子写）
│   └── pipeline.js       # 编排：解析→目录→(总结∥检索)→总结→报告
├── locale/{zh,en}.json   # 插件管理器里显示的名称与描述
├── icon.svg              # 自绘图标
├── samples/              # 三个示例产物（pptx / md / pdf 输入）
└── tools/                # 开发期自检脚本（不随包发布）

时间线（实测，本机）：

输入	冷启动	命中缓存	章节	视频
关上800美元的小门_课程汇报.pptx（34 页）	23.4s	6.2s	10	30
计算机系统基础 复习&自学大纲.md（11 章）	24.3s	11.2s	11	33
同内容 PDF（5 页，报告导出件）	16.3s	5.1s	11	27

目标 ≤60s/50 页：满足。解析与目录识别是毫秒级，主要成本是模型调用与 B 站 1s/请求的节流； 两者并行，且每章拿到关键词就立刻检索，所以进度条前段就能看到结果。

B 站检索

• 端点：api.bilibili.com/x/web-interface/wbi/search/type，请求前先取 nav 的 wbi_img 生成 mixinKey，参数按字典序拼接后 md5(query + mixinKey) 作 w_rid（算法见下「借鉴来源」）。
• 每章最多 2 个搜索词（章节数 >12 时降为 1 个），每词取 10 条；全课程 3–4 个词取 20 条。
• 评分 = 匹配度×0.5 + log10(播放)×0.2 + 收藏/点赞×0.2 + 合集×0.1； 过滤时长 <3 分钟、标题/简介不含关键词、命中分 <0.28 的结果。
• 系列课额外要求「合集/系列/全套/教程」特征且命中分 ≥0.3，否则不硬凑，直接给 3 条搜索入口。
• 请求间隔 1s，失败重试 2 次；结果缓存 24h；触发 412 / -352 时整轮降级为搜索链接。

省 token 的做法

1. 文本抽取、去页眉页脚、去页码、去模板行、按章分组全部在本地完成；
2. 每章只发该章文本，截断到 3600 字（约 3000 tokens），提示词固定、输出固定 JSON；
3. 模型返回的 keywords 直接作为 B 站搜索词，不再单独调用模型；
4. 全课程总结只输入各章 key_points，不回灌原文；
5. 章节按文本 sha256 命中 30 天缓存（同文件重复分析几乎零调用），B 站结果 24h 缓存；
6. 章节并发 4（concurrency 可调）；模型不可用时用本地抽取式摘要兜底。

示例产物

示例报告不随仓库发布（含个人课程材料，体积也大）：在本地跑一次即会重新生成。

文件	输入	说明
samples/<课件名>_学习报告.md	34 页 PPTX	主示例：10 章、30 个视频、3 个系列课
samples/<大纲名>_学习报告.md	11 章 MD	真实课程大纲，分章网课命中（CSAPP/袁春风/IEEE754/链接/存储层次…）
samples/<大纲名>_学习报告.md	5 页 PDF	版式 PDF 的文本层解析示例
同名 .pdf	—	由 officeToPdf 从 Markdown→docx→PDF 导出

用自己的课件跑一批：node tools/smoke.mjs <file> [<file>...]（走 HTTP 路由，产出落在 samples/）。

验证状态

项	结果
bundle 安装	application: applied，warnings: []
Host 路由	GET /course-assistant/health → 200 {llm:true,pdf:true}；upload→run→job→report(md)→report(pdf) 全链路通过（tools/smoke.mjs）
Client 槽位	main key course-assistant active；sidebar.panellist id course-assistant active；conversation.composer.dock id course-assistant-dock active
语法	node --check 全部通过（index.js / client.js / core/*.js）
回归	node tools/regress.mjs 共 22 项：--unit 13 项（合成 PDF、可信度/证据、CTM 字号、分章指标、单章重跑、同名章、PPTX 节映射、导出结构）任何机器可跑；--real 9 项需要课件；--strict 下 unit 缺文件即失败
CI	.github/workflows/ci.yml：Windows + Ubuntu 矩阵跑 --unit --strict 与 client 契约测试；package job 校验 tarball 清单（防 files 漏文件）与"版本号不许写死"
分章质量	tools/gold/*.json + tools/segment-metrics.mjs（windowdiff / 边界 F1，±1 页容差）；deck-800：章 10/11、windowdiff 0.061、F1 0.947
解析	pptx 34 页→10 章；pdf 5 页→11 章；docx 无标题样式→9 章（编号推断）；md→11 章
报告	三份示例的附录两表均非空；总结合格（≤300 字）
PDF 导出	三个样本均生成 PDF，文字层可回读（自写解析器 round-trip）
渲染效果	tests/visual.spec.mjs：Playwright + 系统 Edge 打开面板、断言结构与基线截图（DSH_WEB_URL 需带 dsh web 的 token）

已知限制

• 扫描版 PDF 没有文本层，只能拿到空文本 → 会报「疑似扫描版，需先 OCR」，请先转文字 PDF。
• 加密 PDF 直接拒绝；PDF 里 Type0 字体缺 /ToUnicode 时该页文字解不出来。
• B 站是关键词检索，不是语义检索：对「研究汇报」型课件（本示例 PPT 讲贸易政策）噪声明显， 报告里同时给出搜索链接；标准课程（如 复习&自学大纲）命中率明显更好。风控时整轮降级为链接。
• 系列课推荐依赖标题里的「合集/全套/教程」特征，找不到合格项时只给搜索入口，不硬凑。
• 纯图幻灯片没有文字，只能给出标题级要点（模型被要求「不编造」，因此可能很短）。
• 模型输出截断（maxTokens 被推理吃掉）时用 JSON 修复 + 本地兜底摘要，此时该章会标「备注」。
• 单次最多 12 个文件、单文件 60MB；上传保留 7 天，报告长期保留，请自行清理 reports/。
• 不登录、不抓取任何 B 站账号信息；除 B 站公开搜索外不产生其他请求。

与社区同类插件的区别

发布前查过 DSH 社区（awesome-dsh-plugin 榜单、dshbase、npm dsh-plugin 检索）。相邻项目不少，按接近程度排列：

现有项目	它做什么	与本插件的区别
linner1224/dsh-video-coursemap	观察浏览器前台窗口识别视频课程，抓 B 站简介/字幕/弹幕/评论，生成 Markdown + Mermaid 知识地图与 Word 手册	同样接 B 站，但输入是「正在看的视频」；本插件输入是课件文件，产出是分章报告 + 网课推荐附录
aix-plugin/ai-courses	学习诉求 + 手头资料 → 结构化 AI 课程（大纲、知识点、图表、进度）	目标最近（资料→大纲+知识点），但它建的是长期课程库；本插件只出一次性报告，且附录强制给 B 站网课
Ame-Choo/dsh-study-coach	把一门课拆成知识地图，逐单元记六档掌握度，每日任务 + 错题本	偏长期学习管理；本插件偏「一次读透一份课件」
Kaiji-Z/dsh-plugin-lookatstudy	markdown 文件 / 本地文件夹 / GitHub 仓库 → 导学课程（课时解锁、间隔重复）	输入是文本与仓库，不含 pptx/pdf/docx 解析；无网课检索
chenw2759-wq/dsh-mindmap	课件(PPT/PDF/Word) + 电子书 → 打印级复习思维导图 HTML	输入侧重叠；输出是思维导图，不做网课推荐、不出分章 Markdown/PDF 报告
@eduwork/dsh-knowledge-studio	ECNU 的「知识工作室」：文档/学习/音视频/思维导图一体	大而全的工作台（3MB+、多依赖）；本插件是零依赖的单点工具
dsh-file-upload / @iamroven/dsh-web-file-upload	只提供 Web 端文件上传能力	本插件自带上传，重点是「课件 → 目录 → 分章总结 → 网课」链路

没有找到「课件文件 → 目录 + 分章知识点/重难点 + B 站网课推荐附录 + Markdown/PDF 报告」这一条完整链路的同款。

GitHub 调研（第 0 步）

项目	Star	最近更新	可借鉴的部分	是否直接依赖	许可证
Nemo2011/bilibili-api	4.2k	2026-07-06（已归档）	WBI 签名流程、搜索参数	否（Python，且已归档）	未声明
SocialSisterYi/bilibili-API-collect	20.2k	2026-01-30（归档）	WBI 算法说明、端点与返回字段	否（文档参考）	未声明
microsoft/markitdown	191.7k	2026-10-22	「先把各种格式统一成 Markdown、保留结构」	否（Python 运行时不在插件进程内）	MIT
scanny/python-pptx	3.6k	2024-08-07	幻灯片/占位符/表格的结构约定	否	MIT
pymupdf/PyMuPDF	11.0k	2026-10-22	书签优先（get_toc()）再落到文本规律	否（AGPL-3.0 与分发不兼容）	AGPL-3.0
Stuk/jszip	10.4k	2026-09-09	ZIP 读写思路（只用到 stored/deflate）	否（自写 80 行，零依赖更稳）	MIT / GPLv3 双许可
mozilla/pdf.js	54.0k	2026-10-23	文本层/CMap/大纲的处理顺序	否（整包约 10MB，插件内不划算）	Apache-2.0

结论：Python 侧的成熟库（bilibili-api / python-pptx / PyMuPDF）无法在 Harness 插件进程里直接使用， 而 JS 侧可选项要么体积大（pdf.js）、要么等于把 80 行 ZIP 读取换成依赖； 因此按它们的做法重写最小实现，并在源码注释里标注来源与许可证。B 站签名与端点以 bilibili-API-collect 的文档为准（该仓库已归档，故不引入其代码，只按文档实现）。

许可证

本插件代码 MIT。图标为自绘。示例报告（未随仓库发布）内容来自使用者自己的课件。