业务和功能介绍
1.本项目开发了一个AI智能学习系统，通过集成DeepSeek大模型API ，实现题目智能解答、作业自动批改、试卷生成与PDF导出等功能，为学习者提供一站式的智能化学习辅助平台，助力提升学习效率
2.本系统基于 Flask 后端框架构建，核心功能模块包括：①用户认证模块，采用 Flask-JWT-Extended 实现 JWT Token 身份鉴权，覆盖注册、登录及 Token 自动续期与过期回收，保障接口安全；②题目管理模块，支持 TXT、PDF、DOCX 多格式文件上传，通过 PyPDF2、python-docx 及 Tesseract OCR 编写解析器自动提取题目文本与结构化信息，并存入 MySQL 数据库；③向量检索模块，将题目文本经 text-embedding 模型向量化后存入 Qdrant 向量数据库，支撑相似题检索与智能推荐；④AI 答疑与批改模块，对接 DeepSeek 大模型 API，开发单题实时解答与批量文件智能批改接口，批改流程中引入 RAG 思路，利用 Qdrant 检索历史优质题解作为上下文增强，提升判题准确率；⑤试卷生成模块，使用 ReportLab 动态生成含 LaTeX 公式的 PDF 试卷，编写公式转换适配层确保数学符号正确渲染；⑥学习分析模块，基于 PracticeLog 模型记录用户练题、组卷、AI 答疑等行为轨迹，结合向量检索日志探索用户错题聚类与薄弱知识点挖掘。
3.系统核心业务流程如下：用户完成注册登录后，系统签发 JWT Token 进行身份鉴权，后续所有接口请求均需携带有效 Token。在题目录入环节，用户上传 TXT/PDF/DOCX 格式的题目文件，系统调用对应解析器提取题目文本及结构化信息，一方面写入 MySQL 进行持久化存储，另一方面通过 embedding 模型向量化后写入 Qdrant 向量库。在 AI 答疑场景中，用户提交单道题目，系统直接调用 DeepSeek 大模型 API 返回实时解答；在批量批改场景中，系统先解析上传的作业文件，再通过 Qdrant 检索相似的历史优质题解作为上下文，结合 RAG 思路增强大模型批改效果，最终返回批改结果与学习建议。试卷生成场景中，用户选择或筛选题目后，系统动态组装试卷内容，通过 ReportLab 生成 PDF 文件，适配层将 LaTeX 公式转换为可渲染格式，确保数学符号正确显示后供用户下载。此外，系统全程记录用户练题、组卷、AI 答疑等行为数据，通过统计接口支撑学习行为分析，并基于向量检索日志进行错题聚类，辅助挖掘用户的薄弱知识点。
2.本系统基于 Flask 后端框架构建，核心功能模块包括：①用户认证模块，采用 Flask-JWT-Extended 实现 JWT Token 身份鉴权，覆盖注册、登录及 Token 自动续期与过期回收，保障接口安全；②题目管理模块，支持 TXT、PDF、DOCX 多格式文件上传，通过 PyPDF2、python-docx 及 Tesseract OCR 编写解析器自动提取题目文本与结构化信息，并存入 MySQL 数据库；③向量检索模块，将题目文本经 text-embedding 模型向量化后存入 Qdrant 向量数据库，支撑相似题检索与智能推荐；④AI 答疑与批改模块，对接 DeepSeek 大模型 API，开发单题实时解答与批量文件智能批改接口，批改流程中引入 RAG 思路，利用 Qdrant 检索历史优质题解作为上下文增强，提升判题准确率；⑤试卷生成模块，使用 ReportLab 动态生成含 LaTeX 公式的 PDF 试卷，编写公式转换适配层确保数学符号正确渲染；⑥学习分析模块，基于 PracticeLog 模型记录用户练题、组卷、AI 答疑等行为轨迹，结合向量检索日志探索用户错题聚类与薄弱知识点挖掘。
3.系统核心业务流程如下：用户完成注册登录后，系统签发 JWT Token 进行身份鉴权，后续所有接口请求均需携带有效 Token。在题目录入环节，用户上传 TXT/PDF/DOCX 格式的题目文件，系统调用对应解析器提取题目文本及结构化信息，一方面写入 MySQL 进行持久化存储，另一方面通过 embedding 模型向量化后写入 Qdrant 向量库。在 AI 答疑场景中，用户提交单道题目，系统直接调用 DeepSeek 大模型 API 返回实时解答；在批量批改场景中，系统先解析上传的作业文件，再通过 Qdrant 检索相似的历史优质题解作为上下文，结合 RAG 思路增强大模型批改效果，最终返回批改结果与学习建议。试卷生成场景中，用户选择或筛选题目后，系统动态组装试卷内容，通过 ReportLab 生成 PDF 文件，适配层将 LaTeX 公式转换为可渲染格式，确保数学符号正确显示后供用户下载。此外，系统全程记录用户练题、组卷、AI 答疑等行为数据，通过统计接口支撑学习行为分析，并基于向量检索日志进行错题聚类，辅助挖掘用户的薄弱知识点。
项目实现
1、整体架构和设计思路：
系统采用前后端分离的模块化架构，基于 Flask + Flask-RESTful 构建 RESTful API。自上而下分为六层：接入层用 Flask-JWT-Extended 实现 JWT 鉴权；业务层含题目管理、试卷组装、AI 答疑、智能批改等模块；数据层用 MySQL + SQLAlchemy 存储结构化数据；向量层采用 Qdrant 存储题目 embedding；AI 层对接 DeepSeek 大模型，配合 text-embedding 实现向量化；文件层集成 PyPDF2、python-docx、Tesseract OCR 做多格式解析，用 ReportLab 生成含 LaTeX 公式的 PDF。核心设计思路是以 RAG 架构将向量检索与大模型结合，提升 AI 解答准确性。
2、负责模块和结果：
本人负责后端核心开发：①搭建 JWT 认证体系，覆盖注册、登录、Token 续期与回收，接口安全覆盖率100%；②开发题目管理模块，编写 TXT/PDF/DOCX 三种解析器，支持 OCR 识别扫描件，题目提取准确率90%+；③对接 DeepSeek 开发单题解答与批量批改接口，引入 RAG 后批改准确率提升15%-20%；④开发 PDF 试卷生成模块，编写 LaTeX 公式适配层，确保数学符号正确渲染；⑤设计 PracticeLog 日志模型，开发学习行为统计接口，初步实现错题聚类与薄弱点挖掘；⑥编写 Postman 测试用例80+，覆盖正常/异常/边界场景；⑦提出的 RAG 知识库答疑方案获团队采纳并落地。
3、难点与解决方案：
主要难点：①多格式文件解析乱码、公式无法识别——引入 Tesseract OCR 处理扫描件，编写格式适配层，公式标记保留；②大模型批改标准不稳定——引入RAG 检索历史优质题解注入 prompt，判分有参考依据；③LaTeX 公式在 PDF 中乱码——编写转换适配层，转成 ReportLab 支持的富文本或预渲染图片嵌入；④Token 安全与体验难平衡——设计双 Token 机制，实现自动续期与过期回收；⑤向量与结构化数据协同慢——向量库 payload 冗余关键元信息，批量回查 MySQL，响应从秒级降至百毫秒级。
系统采用前后端分离的模块化架构，基于 Flask + Flask-RESTful 构建 RESTful API。自上而下分为六层：接入层用 Flask-JWT-Extended 实现 JWT 鉴权；业务层含题目管理、试卷组装、AI 答疑、智能批改等模块；数据层用 MySQL + SQLAlchemy 存储结构化数据；向量层采用 Qdrant 存储题目 embedding；AI 层对接 DeepSeek 大模型，配合 text-embedding 实现向量化；文件层集成 PyPDF2、python-docx、Tesseract OCR 做多格式解析，用 ReportLab 生成含 LaTeX 公式的 PDF。核心设计思路是以 RAG 架构将向量检索与大模型结合，提升 AI 解答准确性。
2、负责模块和结果：
本人负责后端核心开发：①搭建 JWT 认证体系，覆盖注册、登录、Token 续期与回收，接口安全覆盖率100%；②开发题目管理模块，编写 TXT/PDF/DOCX 三种解析器，支持 OCR 识别扫描件，题目提取准确率90%+；③对接 DeepSeek 开发单题解答与批量批改接口，引入 RAG 后批改准确率提升15%-20%；④开发 PDF 试卷生成模块，编写 LaTeX 公式适配层，确保数学符号正确渲染；⑤设计 PracticeLog 日志模型，开发学习行为统计接口，初步实现错题聚类与薄弱点挖掘；⑥编写 Postman 测试用例80+，覆盖正常/异常/边界场景；⑦提出的 RAG 知识库答疑方案获团队采纳并落地。
3、难点与解决方案：
主要难点：①多格式文件解析乱码、公式无法识别——引入 Tesseract OCR 处理扫描件，编写格式适配层，公式标记保留；②大模型批改标准不稳定——引入RAG 检索历史优质题解注入 prompt，判分有参考依据；③LaTeX 公式在 PDF 中乱码——编写转换适配层，转成 ReportLab 支持的富文本或预渲染图片嵌入；④Token 安全与体验难平衡——设计双 Token 机制，实现自动续期与过期回收；⑤向量与结构化数据协同慢——向量库 payload 冗余关键元信息，批量回查 MySQL，响应从秒级降至百毫秒级。
示例图片视频
相似推荐
公司网站制作-zhongxinyouyou.com
核心功能：
产品管理：支持上架国内游、出境游、票务、定制主题文旅产品，可维护行程、价格、库存、套餐规格，设置不同渠道供货价、零售价，产品上下架、版本管理。
渠道分销体系：代理商账号分级管理，设置不同渠道佣金比例，渠道商在线选品、分销推广，自动核算分销佣金，支持佣金结算、账单明细查询。
订单交易管理：客户在线下单，完整订单流程（下单、支付、确认、退改、核销），支持订单状态跟踪，处理退单、改单业务，留存业务记录。
财务管理模块：订单对账、渠道佣金统计、资金流水，生成业务账单，区分供应商结算、渠道分成、营收统计。
数据看板：产品销量、渠道业绩、订单数量、营收报表，多维度数据统计，导出报表辅助经营决策。
账号权限体系：区分平台管理员、供应商、渠道代理商不同角色，做数据与操作权限隔离。
配套辅助功能：资讯公告发布、客户留言反馈、协议电子存档，适配 PC 端访问，支持域名独立部署。
业务价值：
帮助文旅企业快速搭建线上分销业务，不需要从零开发系统，实现旅游产品数字化流转，高效管理下游渠道，减少人工对账成本，提升旅游产品推广成交效率。
toc 平台出境游，展示公司实力与案例，客服。-zhongxinyouyou.com
全栈开发工程师，可独立承接网站搭建、各类 APP 软件开发、多类型游戏开发业务。熟悉前后端整套技术栈，兼顾产品功能实现与交互体验，善于对接实际业务需求，从需求梳理、编码开发到上线交付一站式完成，高效落地各类定制化开发项目。
企业级流程中台（ 流程中心）
面向Go-To-Market）业务的企业级流程中台，为价格审批、订单审批等多类业务提供统一的流程定义、审批流转与权限管控能力，并对接 外部系统，替代各业务系统各自实现审批逻辑的旧模式，实现流程能力的平台化、可配置化复用。
猿急送兼职项目智能筛选爬虫系统
1. 项目有哪些具体功能模块：
① 爬虫抓取模块（scrape_lightweight.py）：基于 curl_cffi 异步并发，模拟 Chrome 131 浏览器指纹，自动轮转代理池，支持断点续爬，可抓取猿急送平台所有兼职项目数据（标题、预算、工时、状态、描述等）。
② 智能过滤模块：内置黑名单关键词库，自动排除高难度（架构/专家/底层）、违规敏感（翻墙/刷单/赌博）、硬件 IoT、游戏开发等不适宜大学生接取的项目。
③ 技术分类模块（classify.py）：根据项目描述中的技术关键词，自动将任务归类为爬虫/Python脚本/前端/Web/小程序移动端/后端接口/AI智能体/测试质检/嵌入式IoT/工具脚本等 10 个技术方向，并分 Sheet 输出。
④ 学生项目筛选模块（filter_student_projects.py）：在过滤基础上，进一步筛选预算 ≤500元、非驻场的项目，按预算升序排列，输出适合大学生的项目清单。
⑤ 代理池模块（proxy_pool.py）：自动从快代理、free-proxy-list 抓取免费代理，连通性测试后按成功率加权随机选取，失败 3 次自动拉黑，定期恢复。
2. 项目的主要功能描述：
本项目解决大学生在猿急送等兼职平台上"找项目难、筛项目累"的问题。用户只需运行脚本，即可自动获取全部可投递项目并导出 Excel，同时一键生成按技术方向分类的 Sheet 和经过严格过滤的学生友好项目列表。相比人工逐页浏览，效率提升数十倍；相比人工筛选，避免接到超难度或违规项目。项目结构清晰、依赖简单（仅 Python 4个库），可作为高校课程设计/综合实验的优秀实践案例，完整体现了网络爬虫、数据清洗、分类算法、文件处理等多项核心技能。
美妆电商秒杀与会员中台系统-花漾商城
1.立项背景和目标：传统电商平台流量红利见顶，为提升用户粘性并应对大促峰值流量，公司决定自研一套集会员等级体系与限时秒杀于一体的中台系统。目标支撑日常10万日活，秒杀场景下QPS不低于5000。
2.软件功能与核心模块：系统包含会员积分成长体系、任务中心、以及核心的秒杀抢购模块。支持后台灵活配置秒杀场次、库存及价格策略。
3.业务流程与路径：用户登录后通过首页广告位进入秒杀场次 -> 点击抢购触发库存预扣 -> 排队生成订单 -> 支付回调后异步扣减真实库存并发放积分。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服