基于AI的微信阅读答题答案糊脸-WeReaderQA

开发背景

事情还要从微信阅读说起，微信阅读的云存档和AI阅读很好用，界面美观，也有一些不错的书籍（PS：没有的话直接zlibrary下载导入蹭云存档，爽的雅痞），但是这些功能都要会员才行，而关于会员，微信阅读有两种答题活动，其中一种每天可以免费参与一次，共12题，题目涵盖的知识范围十分广泛，成功会送1天体验卡，这个体验卡攒满60张+6元可以换30天会员；另一种答题每天只能参加一次且需要付费1元参加，也是12道题，题目和上面的差不太多，成功后依据计时结束成功人数/总参加人数的比值来确定奖励，一般都是3-4天会员。

所以粗略估算下，相当于第一个答题：60体验卡（刷30天左右）+ 6元 = 30天会员，也就是需要6元30天会员；第二个答题：4天会员（单次答题奖励，需1元）x 7次 = 28天会员，也就是7元28天会员。

乍一看差不多，但是第二个更贵一点，同时更灵活一些，因为第二种方案可以看做动态会员充值，1元充4天，对于那些看书不太连贯的用户来说更划算。

那么问题来了，由于题目考察的内容涵盖范围太广，并不是所有人都能快速准确地答对，也就是说像笔者这种笨笨大概率是要当炮灰的，因此，秉着工欲善其事必先利其器的作风，笔者打算做一个实时显示答案的脚本以便借鉴一二（PS：你最好是在借鉴~），以此实现会员滚会员的低价会员永动机！

需求分析

核心痛点：

作为一名菜鸡用户，面对考察知识范围如此广阔的题目无能为力，只能瞎蒙，根本做不对啊喂！

需求：

本质上做对题就行。

如何做对题呢？想想学生时代做练习册的场景，那莫过于直接翻答案了，所以能拿到答案就是胜利！

分析：

每道题只有 12s 答题时间，每次换题后用户反应时间消耗 2s，用户答题时间留 4s（PS：问就是要考虑反映最慢的用户群体，没错就是我~），就剩 6s 了，再加上一些不确定因素比如偶尔发愣啥的，对及时性要求很高。因此从开始处理到显示答案要限制在 6s 之内。

解决方案

首先来看一下答题过程：

可以看到答题框大小还不固定，但是四周还是比较干净的。

大致有一个思路，获取题目，然后调用 AI 获取到答案，然后将答案显示在终端。如何获取题目？我能想到的有两个方案，一是捕捉到答题窗口实时获取截图，二是利用ADB直接获取截图。从稳定性和速度上来看，显然ADB的方式更合适（PS：问就是捕捉窗口还要抓进程，好麻烦，我比较懒）。

然后就是从图片提取文字信息了，那肯定是OCR图像文本识别啦！但是相关的OCR库很多，特点各不相同。我们要处理的图像的文本，有数字，有中文，英文应该是不需要的。所以以中文识别为主。

然后就是AI，目前主流AI有DeepSeek、Grok、Gemini、ChatGPT、Claude。但是国外这几个要付费，付费方式暂时无法解决，只能选用DeepSeek + Gemini Flash。DeepSeek官方的API反应速度很慢很慢很慢，因此采用了硅基流动的DS API。而谷歌的Gemini Flash 2.0 虽然准确度没DeepSeek好，但是它快，特别快，平均 1s 就能返回结果。具体还要看应用场景，适时调整使用好了。

综上呢，可以细化一下这个方案：

利用 ADB 连接手机。
通过 ADB 将手机截图传到电脑。
脚本裁切截图。
对裁切后的图片进行 OCR 识别。
整理 OCR 后的文字排为题目+答案格式。
调用 AI 返回该题目答案。

有了基本流程后我们还要想一想，首先这一套流程所需要的时间大概5s左右，那么如果让他全自动执行，不断地传回截图返回答案，如果是在切换题目的过程应该怎么办，那时候题目可能只显示了一半，另外两个题目之间的答题间隔也不一样，所以让他全自动不断识别查询不太可行。

因此想了折中方案，当程序运行，用户需要按空格才能触发该流程，且按一次空格触发一次，也就是说每次新题目显示出来，都需要用户按一下空格才开始分析查询，虽然看起来麻烦，但胜在流程全自动化而且效率可以改进，速度可以提升，总的来说还是很方便的，毕竟这要比直接谷歌百度来的快捷方便。

大致流程如下：

技术选型

关于AI：首先本质上，我们就是要用 AI 来解决问题的，目前主流的AI有Gemini、Grok、Claude、Deepseek，前几个都是国外AI，好用是好用，但是限于条件没办法充值，因此只能选用Deepseek。另外笔者一贯作风就是物尽其用，尽管Deepseek并不太好用，但是在这种知识问答方面还是挺擅长方便的，而且也足够便宜。
关于编程语言：这个就更简单了，直接选择Python，然后辅以适当优化，开发效率会很高。
关于OCR：
特性/库 CnOcr PaddleOCR easyocr
核心优势 轻量、快速、部署简单精度极高、功能全面（含版面分析）极其易用、多语言混合识别方便
模型大小 小 (几十MB) 大 (数百MB) 中等
安装部署 简单 (纯Python) 较复杂 (依赖PaddlePaddle框架) 非常简单
中文精度 高 (适用于常规场景) 极高 (适用于复杂场景) 中等 (不如前两者)
主要缺点 功能单一，复杂场景效果差资源消耗大，依赖重中文精度相对不足，速度一般
推荐场景 服务器、个人项目：对资源有限制，且场景相对常规。 企业级应用、研究：追求最高精度，需要版面分析等高级功能。 快速原型开发、入门学习：需要快速实现OCR功能，或处理中英混合文本。
基于此呢，我选择使用CnOCR，当然也是实际测试过效果才使用的。

特性/库	CnOcr	PaddleOCR	easyocr
核心优势	轻量、快速、部署简单	精度极高、功能全面（含版面分析）	极其易用、多语言混合识别方便
模型大小	小 (几十MB)	大 (数百MB)	中等
安装部署	简单 (纯Python)	较复杂 (依赖PaddlePaddle框架)	非常简单
中文精度	高 (适用于常规场景)	极高 (适用于复杂场景)	中等 (不如前两者)
主要缺点	功能单一，复杂场景效果差	资源消耗大，依赖重	中文精度相对不足，速度一般
推荐场景	服务器、个人项目：对资源有限制，且场景相对常规。	企业级应用、研究：追求最高精度，需要版面分析等高级功能。	快速原型开发、入门学习：需要快速实现OCR功能，或处理中英混合文本。

Python（编程语言） + Deepseek（AI模型） + CnOCR（图像文字识别）

核心功能的难点与实现

整体实现难度不大，问题在于刚开始效率过慢，仔细检查后才发现是官方deepseek api响应过慢导致的，后续换了其他源，gemini 2 flash，硅基流动的ds api，这俩速度都可以，官方平均5s，这俩只要2s。

下面是调用ai的方法：

调用官方 DeepSeek

def get_answer_by_deepseek_simple(question):
    client = OpenAI(api_key="sk-xxxxxxx", base_url="https://api.deepseek.com/v1")
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": "你是博览群书的学者,请回答下列问题,只说答案"},
            {"role": "user", "content": f"{question}"},
        ],
        stream=False
    )
    return response.choices[0].message.content

调用硅基流动 Deepseek

def get_answer_by_qwen_qwq_32_simple(question):
    client = OpenAI(api_key="sk-xxxxx",
                    base_url="https://api.siliconflow.cn/v1")

    response = client.chat.completions.create(
        model="deepseek-ai/DeepSeek-V3",
        messages=[
            {"role": "system",
             "content": "你是博览群书的学者,请回答下列问题,只回答答案,有些问题只有3字,这是一个成语,从下面的字选一个组成成语,切忌不要有任何解释"},
            {"role": "user", "content": f"{question}"},
        ],
        stream=False
    )
    return response.choices[0].message.content

调用 Gemini 2.0 flash

def get_answer_by_gemini(question):
    api_key = "xxxxx"
    tip = f"请回答下列问题,有些是成语,有些时常识,只需要回复答案"

    url = f'https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key={api_key}'
    headers = {'Content-Type': 'application/json'}
    data = {
        'contents': [
            {
                'parts': [
                    {
                        'text': f"{tip}\n{question}"
                    }
                ]
            }
        ]
    }

    response = requests.post(url, headers=headers, data=json.dumps(data))
    # print(response.json())
    return response.json()['candidates'][0]['content']['parts'][0]['text']

项目演示

答题页面：

(PS：受限于gif和图床，只能用这种战损级画质~)

AI分析糊脸演示：

效益

把我从一个无知的笨笨提升到了学者级别！（PS：临时性Buff）
OCR准确率高达 98%（PS：当然笔者贴心的将识别出来的杂文本过滤掉了，总之呢，结果就是这样滴）
答题准确率由原来的笨笨级别提升到了学者级别，emmmm，大概是 ??->95% 准确率的样子。

复盘

整个过程，难点在于选用合适的OCR以及AI API。

最终，OCR使用CnOcr，这个大模型训练出来的比较好用，速度也不错。
AI api用了Gemini flash 2.0、官方Deepseek、硅基流动Deepseek。

不同模型响应速度差别太大了，Gemini最快，但是有些题目识别不准，准确率欠缺，官方Deepseek响应速度过慢，平均6秒；硅基流动的Deepseek接口稍微快点，平均2s。

这次发现了个好用的OCR，其他的话就是在实战上体验了不同模型的差别。