山东大学软件学院创新实训（一）-洪萨配资

一、引言与个人职责

由于初始项目的定位较为简单，经过小组成员的商讨后，我们对项目的功能进行了细化和创新，从而推出更具智能且个性化的考研助手。通过了协商任务后，小组讨论确认了项目初始的架构以及进一步的分工。其中我负责AI后端模块的开发，主要目标为构建智能错题分析、个性化推荐及RAG问答服务，并集成大模型API，为平台提供智能化核心能力。

二、系统架构设计

系统架构的设计上，我们采用了客户端层-服务端层-数据层的三层架构：

┌─────────────────────────────────────────────────────────────┐ │ 客户端层 │ ├──────────────────────┬──────────────────────────────────────┤ │ Web浏览器 │ 移动设备 │ │ (管理后台) │ (移动App - HBuilder打包) │ │ Vue3 + TypeScript │ Vue3 + TypeScript + UniApp │ │ Element Plus │ Vant UI组件库 │ │ Pinia状态管理 │ │ └──────────────────────┴──────────────────────────────────────┘ │ HTTPS/WSS ┌─────────────────────────▼──────────────────────────────────┐ │ 服务端层 │ ├──────────────────────┬──────────────────────────────────────┤ │ AI后端服务器 │ 业务后端服务器 │ │ Python AI服务 │ Spring Boot应用 (Java 21) │ │ (FastAPI/Flask) │ - Tomcat嵌入式容器 │ │ - RabbitMQ消费者 │ - Mapper层 (MyBatis-Plus) │ │ - LangChain框架 │ - RabbitMQ客户端 │ │ - AI模型接口 │ - Service层 (业务逻辑) │ │ - 向量数据库 │ - WebSocket服务 │ │ │ - Controller层 (REST API) │ └──────────────────────┴──────────────────────────────────────┘ │ ┌─────────────────────────▼──────────────────────────────────┐ │ 数据层 │ ├──────────────┬──────────────┬──────────────┬───────────────┤ │ MySQL数据库 │ Redis缓存 │ 阿里云OSS │ RabbitMQ │ │ - 各种数据 │ - 会话缓存 │ - 图片/PDF │ - 传递数据 │ │ │ - 消息缓存 │ │ │ │ │ - 热点数据 │ │ │ └──────────────┴──────────────┴──────────────┴───────────────┘

采用Spring Boot (业务层) + RabbitMQ (异步总线) + FastAPI/LangChain (AI层)的异构微服务架构，兼顾业务稳定性与AI技术敏捷性。

三、接口契约设计：Spec驱动与RabbitMQ消息规范

3.1 核心功能模块划分

项目包含六大核心功能模块：

智能错题本系统
- 自主组卷练习 ↔ 每日智能推题
- 管理错题 ↔ AI分析与识别
- 生成查看知识图谱 ↔ 图片上传(OCR识别)
- 自定义错题标签、管理错题本
智能院校推荐
- 查看院校详情 ↔ 查看专业排名
- 查看分数线、查看报录比数据
- 获取个性化推荐 ↔ 院校信息检索
考研学习社区
- 查看个人历史、浏览信息流
- 发布帖子（含设置标签）↔ 富文本编辑
- 删除帖子、点赞帖子、评论帖子、收藏帖子
即时聊天与社交
- 好友管理、分享院校信息
- 实时消息通知 ↔ 一对一好友聊天
- 分享错题难题
个性化AI助手
- 学习规划建议、智能问答
- 智能对话 ↔ RAG知识检索
- 操作提示
管理员端功能
- 用户管理、帖子审核（AI智能审核 + 人工审核）
- 数据统计与可视化、AI大模型工具集成

3.2RabbitMQ Topic规划与消息体设计

Exchange	Queue	Routing Key	用途	消息体关键字段
ai.task.exchange	ai.task.error-analysis	task.error.analysis	下发错题分析任务	task_id, user_id, question_text, user_answer, correct_answer
ai.result.exchange	ai.result.analysis	result.analysis	回传分析结果	task_id, weak_points[], knowledge_tags[], analysis, recommended_ids[]
ai.task.exchange	ai.task.rag-query	task.rag.query	RAG增强问答检索	query, user_id, history[], top_k
ai.task.exchange	ai.task.knowledge-graph	task.knowledge.graph	知识图谱生成	user_id, error_topics[]

3.3 幂等性与可靠性保障

去重机制：Python消费者根据task_id查询Redis缓存，若已处理则直接ACK，避免大模型重复计费。
死信队列（DLQ）：解析失败或LLM连续超时3次的消息路由至ai.task.dlq，供运维人工介入。
RabbitMQ配置：publisher confirms+mandatory flag确保消息不丢失；manual ack配合业务逻辑保障至少一次消费。

四、知识图谱生成策略

对知识图谱的可视化进行了初步思索：

# 知识图谱生成伪代码 async def generate_knowledge_graph(user_id: int) -> dict: # 1. 查询用户错题 error_topics = await get_user_error_topics(user_id) # 2. 提取知识点标签 knowledge_points = await extract_knowledge_points(error_topics) # 3. 构建图谱节点与边 nodes = [] edges = [] for point in knowledge_points: nodes.append({ "id": point.id, "label": point.name, "mastery": calculate_mastery(user_id, point.id), "category": point.category }) # 添加知识点间的关联边 for relation in point.relations: edges.append({ "source": point.id, "target": relation.target_id, "type": relation.type }) return {"nodes": nodes, "edges": edges}