基于大语言模型的校园智能化组队平台-TeamUp

立项背景：高校学生在参加学科竞赛、创新创业、课程设计等项目时，组队往往依赖朋友圈和社交群，效率低且匹配不精准。很多同学技能互补但互相不认识，错过合作机会。TeamUp 旨在用 AI 技术解决校园组队信息不对称的问题。
核心功能模块：
1.智能匹配推荐：基于多维度加权算法（技能匹配 35%、综合评分 25%、专业匹配 25%、活跃度 15%），技能匹配区分 Jaccard 相似度和互补度（互补权重 0.6 > 相似权重 0.4，因为组队更需技能互补），自动计算匹配百分比并给出匹配原因（共同技能、技能互补、同专业、活跃用户），按匹配度降序排列候选人。
2.AI 对话助手"小队"：基于 LangChain4j + 百度千帆 GLM-5.1 大模型，支持 Tool Calling 能力，AI 可实时调用 searchTeams（搜索团队）、getTeamDetail（团队详情）、recommendTeams（智能推荐）、getMyTeams（我的队）4 个工具获取真实数据后回答。支持 SSE流式输出、会话管理、AI 自动生成会话标题、上下文记忆（最近 10 条历史注入），并注入学生个人上下文（专业、年级、技能标签、项目经验）实现个性化建议。
3. 组队广场与团队管理：用户可创建团队（设置项目类型、人数上限、技能要求、绩点门槛），浏览/搜索/申请加入团队，队长审批申请、邀请用户、移除成员、转让队长。
4. 邀请与申请系统：支持两种模式——邀请入队（队长主动邀请）和申请入队（用户主动申请），邀请/申请可附带消息，接收方可同意或拒绝，待处理邀请在首页实时提醒。
5. 用户画像与评分：综合评分 = 绩点 × 0.6 + 信誉分 × 0.4，技能标签 JSON 存储，个人简介、年级、专业等信息完善用户画像。
6. 安全认证：Spring Security + JWT（7 天有效期），注册支持验证码（Redis 5 分钟过期），BCrypt 密码加密。
以下附上通过内网穿透 部署在 阿里云云服务器的URL
https://zps0619.natapp1.cc/
用户及密码 admin admin123 (登陆时 并未加入微信接口)

整体架构： 采用前后端分离架构。前端 Vue3 + Vite + Element Plus + Pinia 状态管理，通过 Axios 调用后端 RESTful API；后端Spring Boot 3.2 + MyBatis-Plus + Spring Security + JWT，对接百度千帆 GLM-5.1 大模型（通过 LangChain4j OpenAI 兼容接口）。数据层 MySQL 8.0 存储业务数据，Redis 做验证码存储和匹配结果缓存。
我的负责模块与结果：
1. 智能匹配算法模块：设计了四维加权匹配算法，技能维度区分相似度和互补度（Jaccard 系数 × 0.4 + 互补度 × 0.6），解决了传统只看相似度忽视互补性的问题。实现内存批量计算匹配度避免 N+1 查询，匹配结果 Redis 缓存，接口响应 < 200ms。每个候选人附带可解释的匹配原因列表。
2. AI 对话助手模块：基于 LangChain4j AiServices 构建 ChatAssistant 接口，通过 @Tool 注解将 4 个团队查询方法暴露给大模型，实现 Tool Calling 自动路由。设计了 ThreadLocal 传递当前用户 ID 供工具使用。构建了增强系统提示词——动态注入学生上下文（专业、技能、项目经验），使 AI 回答个性化。支持阻塞式对话（带工具调用）和 SSE 流式输出两种模式。
3. 前端全栈开发：10+ 个页面/组件，包括首页仪表盘（统计卡片、快捷入口、最新招募）、智能匹配页（候选人卡片网格、匹配度百分比、匹配原因、邀请对话框）、AI 对话页（侧边栏会话列表、打字指示器动画、消息气泡）、组队广场、团队详情、个人中心、管理后台等。
遇到的难点与解决方案：
1.大模型 Tool Calling 参数识别问题：用户问"有没有 ACM 队伍"时，AI 总是把竞赛名当作 projectType 而非 keyword 传入。解决：在 SystemMessage 中给出明确的参数映射示例（竞赛名→keyword，项目类型→projectType），准确率从约 40% 提升到 90%+。
2. 匹配查询 N+1 问题：最初对每个候选人单独查库计算匹配度，50 个候选人产生 100+ 次查询。解决：改为一次性批量查询候选用户，内存中计算所有匹配度，查询次数从 O(N) 降到O(1)，性能提升约 20 倍。
3. LangChain4j 会话记忆管理：LangChain4j 的 @MemoryId 会无限增长历史消息。解决：保留最近 10 条历史消息，超出部分截断，避免上下文窗口溢出和 Token 浪费。