ai作业批改小程序-学伴小智

1. 立项背景和目标
针对晚托机构老师在管理学生作业时面临的错题记录繁琐、纸质作业难以数据化、缺乏针对性复习题目等痛点，本项目研发了“学伴小智”小程序。目标是打造一款轻量级的智能教学辅助工具，通过AI技术将传统的纸质错题快速转化为结构化数据，为老师提供精准的学情分析，并实现个性化练习题的自动生成，从而提升辅导效率，实现因材施教。
2. 软件功能、核心功能模块介绍
智能聊天式上传模块（核心创新）：打破传统表单录入方式，采用对话式交互。老师只需在聊天界面上传作业照片并输入学生姓名，系统即可自动识别并归档。
AI自动识别与分析：集成 Google Gemini AI 能力，自动完成 OCR 文字识别、题型分类（计算、应用、概念题等）及知识点定位，并生成详细解析。
多维度学情分析：提供错题类型分布饼图、知识点薄弱项 Top10 柱状图及学生错题趋势折线图，帮助老师快速锁定班级或个人的学习盲区。
智能举一反三（核心闭环）：基于选定的错题，AI 异步生成难度相当、知识点一致的变式练习题，支持一键导出 Word 试卷，完成“练习-错题-再练习”的闭环。
3. 业务流程、功能路径描述
用户进入小程序后，通过底部中央的“相机”按钮进入聊天上传页，上传作业图片后，AI 实时返回识别结果并自动存入数据库。随后，老师可在“查询”模块通过年级、班级、时间等维度筛选作业记录或单道错题。在“练习”模块，老师可以勾选特定的错题任务，提交“举一反三”生成请求。系统在后台异步完成试卷编排后，通过 WebSocket 或轮询通知老师预览并导出 Word 版练习卷。

1. 整体架构和设计思路
本项目采用前后端分离的现代化架构。
前端：使用微信小程序原生框架开发，追求极致的加载速度和原生交互体验；图表展示采用 ECharts 适配版，实现数据可视化。
后端：基于 Node.js (Express) 构建 RESTful API 接口，负责业务逻辑中转与 AI 服务调度。
数据库与存储：选用 Supabase (PostgreSQL) 作为核心数据库，利用其行级安全策略（RLS）确保机构间数据隔离；图片资源存储于 Supabase Storage。
AI 引擎：深度集成 Google Gemini 3 Flash Preview（用于快速 OCR 与分析）和 Gemini Pro（用于高质量变式题生成）。
异步处理：引入 Bull + Redis 任务队列处理耗时较长的试卷生成任务，确保前端响应不阻塞。
2. “我”的负责模块和结果
我主导了后端核心架构的设计与 AI 集成模块的开发。
AI 识别流水线：设计并实现了基于 Gemini Vision 的自动化识别流程，将单张作业的识别与知识点分析耗时控制在 8 秒以内，识别准确率达到 85% 以上。
异步试卷生成系统：利用 Bull 队列实现了可靠的异步生成机制，支持多用户并发请求，变式题生成的成功率提升至 98%，单份试卷（10题）生成耗时约 2-3 分钟。
数据库设计与优化：构建了支持千万级数据的 PostgreSQL 索引方案，使学情分析报表的查询延迟从秒级降低至 200ms 以内。
3. “我”遇到的难点、坑与解决方案
难点：AI 返回 JSON 格式不稳定性。
问题：大模型有时会返回带有 Markdown 标签或格式错误的 JSON，导致后端解析崩溃。
解决：编写了鲁棒的正则表达式清洗函数，并结合 try-catch 自动重试机制；同时在 Prompt 中强化了 Output only valid JSON 的约束，显著提升了数据解析的稳定性。
坑：微信小程序上传大图导致的超时。
问题：原图直接上传经常触发 30s 超时，且消耗大量存储带宽。
解决：在前端引入了 wx.compressImage 进行预压缩，并在后端接入了流式上传处理，将单图上传成功率从 90% 提升至 99.9%。
难点：异步任务的状态实时反馈。
问题：用户提交生成任务后，无法实时感知进度。
解决：通过集成 WebSocket (ws 库) 建立了双向通信通道，将 Bull 队列的进度实时推送至小程序端，提升了用户等待时的心理预期。