零编程也能玩转：飞书多维表格+Deepseek-R1搭建的笔记系统

欢迎小伙伴的加入，让我们一起玩转Deepseek！

---

昨天，一个朋友感慨道：“要是豆包也能拥有 DeepSeek-R1 那样强大的推理能力就好了！这样用起来就方便多了。”不过，他对编程有点“恐惧”，总觉得 API 调用是程序员的专属技能。

但灵感往往来源于需求，我突发奇想——能不能零编程，让普通用户也能玩转 AI？于是，我决定用飞书多维表格实现 API 调用，打造属于自己的 AI Agent（AI 智能体）！

无需复杂代码，仅靠简单的表格配置，调用 DeepSeek API，让 AI 变成你的私人助手。这样一来，无论是自动生成文案、智能问答，还是处理各类数据，普通用户也能轻松驾驭 AI 的强大能力。

让 AI 触手可及，让智能真正为每个人所用！🚀

注册飞书进入多维表格

多维表格入口链接：https://www.feishu.cn/product/base

点击新建多维表格

就像新建excel一样，按照自己的需求搭建表头，在本次的例子中我处理的图像，使用deepseek进行论文解读与扩展；

利用飞书中提供的豆包进行图片内容提取

首先将word、PDF、PPT等附件转换为图片，配置完成后也可直接上传图片

调用豆包AI大模型进行图片理解

调用豆包大模型

点击后按照教程配置豆包大模型的API和ENDPOINT_ID

ENDPOINT_ID点击一下在线推理会显示

配置完成后配置指令，也就是Prompt

Prompt:按照图片中的格式，将图片中的内容输出为markdown形式，需要注意公式的准确性，将markdown中公式的\[,[,\],]等符号替换为$

配置Deepseek的API，选择模型为reasoner模型，使用Deepseek对内容进行解析，并结构化输出

Prompt:对内容中涉及到的关键词以及概念进行解析，将文中的公式使用pytorch的代码实现，并输出为markdown的形式，并将markdown中公式的\[,[,\],]等符号替换为$

配置AI搜索

在笔记中添加AI 搜索，可以极大提升笔记的查找、整理和复习效率，使其从传统的存储工具进化为智能知识管理助手。

看板功能

飞书提供了看板功能，可以将表格中的内容以看板的形式展现，手机端可以浏览笔记，很方便！

完成上述工作后只需要上传一张图片就完成了笔记的整理工作，同时还配有Deepseek的解析与生成的论文中的代码，是不是很方便，同时飞书还支持手机端浏览，你只需要一张图片就完成了笔记的记录与扩展工作，还可以随时浏览复习，简直就是一个超级智能的错题本！

扩展功能

基于此，我们可以扩展以下功能，使其更智能、更全面：

1. 多模态解析增强

• 表格识别：支持图片中的表格结构解析，转换为Markdown表格或Excel格式。

2. 智能分类与知识管理

• 自动分类：根据笔记内容自动归类（如数学、物理、编程等）。
• 关联知识点：使用LLM（如DeepSeek）匹配相关知识，补充额外信息，例如相关概念、例题、解题思路等。
• 标签系统：用户可手动或AI推荐标签，便于快速检索。

3. 深度学习与代码解析

• 代码高亮与运行：如果笔记涉及编程，DeepSeek可自动解析代码。
• 错误检测与优化：AI分析代码错误，并提供优化建议，如代码效率提升、最佳实践等。
• 代码转换：支持不同语言的代码转换（如Python -> C++，或SQL -> Pandas）。

4. 交互式学习与复习

• AI自动生成题目：基于笔记内容生成填空题、选择题或思考题，帮助用户复习。
• 智能回顾模式：结合艾宾浩斯遗忘曲线，定期提醒用户复习重要笔记。
• 语音朗读：将笔记转换为音频，便于听书学习。

5. 多端同步与协作

• 跨平台访问：支持飞书、Notion、Obsidian、Evernote等工具同步。
• 多人协作：可邀请同学/同事一起编辑、批注、交流笔记。
• PDF导出与打印优化：支持笔记整理后导出成排版优化的PDF。

这些扩展方向可以让你的智能错题本不仅仅是笔记存储工具，而是一个强大的学习助手，帮助更高效地整理、理解和复习知识。你对哪部分感兴趣，可以重点深入探索！ 😊

Deepseek结果输出展示

# 关键词与概念解析

## 1. **Inter-relations (IRs)**  
类别间的相互关系，反映特征空间中类别的拓扑关系（如距离、重叠程度）。通过**CKA**（Centered Kernel Alignment）量化，也可用原型间的余弦相似度衡量。

## 2. **CKA (Centered Kernel Alignment)**  
归一化的希尔伯特-施密特独立性准则（HSIC），用于衡量两组特征在再生核希尔伯特空间（RKHS）中的统计依赖性。

## 3. **HSIC (Hilbert-Schmidt Independence Criterion)**  
计算方式为：
$
\mathrm{HSIC}(\mathcal{C}_i,\mathcal{C}_j)=\frac{1}{(b - 1)^2}\mathrm{tr}(\mathbf{H}\mathbf{K}_i\mathbf{H}\mathbf{K}_j)
$
其中 $\mathbf{H}$ 是中心化矩阵，$\mathbf{K}_i$ 是核矩阵。

## 4. **核矩阵 (Kernel Matrix)**  
通过核函数（线性核、多项式核、RBF核等）计算。例如线性核：
$
\mathbf{K}_i = \mathbf{X}_i^T\mathbf{X}_i
$

## 5. **中心化矩阵 $\mathbf{H}$**  
定义为 $\mathbf{H}=\mathbf{I}-\frac{1}{b}\mathbf{1}\mathbf{1}^T$，用于去除数据的均值影响。

## 6. **温度参数 $\tau$**  
Softmax函数中的超参数，控制概率分布的平滑程度：
$
p_i = \frac{\exp(z_i/\tau)}{\sum_j \exp(z_j/\tau)}
$

---

# PyTorch 代码实现

## 1. 中心化矩阵计算
```python
import torch

def centering_matrix(b: int) -> torch.Tensor:
    """生成中心化矩阵 H = I - (1/b) * 11^T"""
    I = torch.eye(b)
    ones = torch.ones(b, 1)
    H = I - (1 / b) * (ones @ ones.T)
    return H

2. 核矩阵计算（支持线性核、RBF核、多项式核）

def kernel_matrix(X: torch.Tensor, kernel_type: str = 'linear') -> torch.Tensor:
    """计算核矩阵"""
    if kernel_type == 'linear':
        # 线性核: K = X^T X
        K = X.T @ X
    elif kernel_type == 'rbf':
        # RBF核: K_ij = exp(-||x_i - x_j||^2 / gamma)
        pairwise_dists = torch.cdist(X.T, X.T) ** 2
        gamma = X.shape[0]  # 特征维度作为gamma
        K = torch.exp(-pairwise_dists / gamma)
    elif kernel_type == 'poly':
        # 多项式核: K = (X^T X + 1)^d
        degree = 2
        K = (X.T @ X + 1) ** degree
    else:
        raise ValueError(f"Unsupported kernel type: {kernel_type}")
    return K

3. HSIC 计算

def hsic(K_i: torch.Tensor, K_j: torch.Tensor, b: int) -> torch.Tensor:
    """计算希尔伯特-施密特独立性准则"""
    H = centering_matrix(b)
    HKiH = H @ K_i @ H
    trace_value = torch.trace(HKiH @ K_j)
    return trace_value / (b - 1) ** 2

4. 类别间相互关系 (IR) 计算

def compute_IR(
    X_i: torch.Tensor, 
    X_j: torch.Tensor, 
    kernel_type: str = 'linear'
) -> torch.Tensor:
    """计算类别间的归一化 HSIC (即 CKA)"""
    b = X_i.shape[1]  # 样本数量
    
    # 计算核矩阵
    K_i = kernel_matrix(X_i, kernel_type)
    K_j = kernel_matrix(X_j, kernel_type)
    
    # 计算 HSIC 值
    hsic_ij = hsic(K_i, K_j, b)
    hsic_ii = hsic(K_i, K_i, b)
    hsic_jj = hsic(K_j, K_j, b)
    
    # 归一化得到 IR
    ir_value = hsic_ij / (torch.sqrt(hsic_ii) * torch.sqrt(hsic_jj) + 1e-8)
    return ir_value

---

公式说明（Markdown 格式）

1. IR 定义

$
\mathrm{IR}(\mathcal{C}_i,\mathcal{C}_j)=\frac{\mathrm{HSIC}(\mathcal{C}_i,\mathcal{C}_j)}{\sqrt{\mathrm{HSIC}(\mathcal{C}_i,\mathcal{C}_i)\sqrt{\mathrm{HSIC}(\mathcal{C}_j,\mathcal{C}_j)}}}
$

2. HSIC 计算

$
\mathrm{HSIC}(\mathcal{C}_i,\mathcal{C}_j)=\frac{1}{(b - 1)^2}\mathrm{tr}(\mathbf{H}\mathbf{K}_i\mathbf{H}\mathbf{K}_j)
$

3. 中心化矩阵

$
\mathbf{H}=\mathbf{I}-\frac{1}{b}\mathbf{1}\mathbf{1}^T
$

4. Softmax 概率

$
p_i = \frac{\exp(z_i/\tau)}{\sum_{j=1}^n \exp(z_j/\tau)}
$