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
恒康营销之星
工作描述:apicloud开发，实现h5页面打包生成混合app，使用echart 构建各类报表、调用apicloud模块实现二维码扫描二维码查询库存、授权平台实现app权限的管控
运用技术:
1、基于DIV+CSS实现页面布局和highchart 显示图表的展示
2、基于apicloud原生模块和jquery实现数据的绑定和交互
3、apicloud封装的模块、apicloudStudio实现无线同步、浏览器上调试页面、在手机上同步app功能、
4、基于git 代码管理,
5、采用云编译打包生成apk文件和ios 的ipa,熟悉ios 上线打包和生成ios 证书等。
跨境电商多端
跨境电商商城与货舱仓储管理小程序，面向跨境买家与仓库管理人员。包含商城首页、商品、购物车、拼团、实名认证、钱包支付、推广海报；货舱模块完成仓储业务管理，支持系统消息推送；配套后台实现发票开具、首页配置、分销售后管理，构建完整跨境电商交易闭环。
京尔思 B2B 全链路系统
包含客户小程序、工厂协同平台、权限管理后台三套子系统。覆盖产品定制、配方解析、合同签署、多工厂报价生产、企业认证、开票完整业务。后台实现角色菜单权限管控、订单物流、支付凭证管理，统一表单校验、异常拦截，服务上下游客户与工厂协同办公。
某汽车品牌官方商城与新零售运营中台
1、立项背景和目标
面对汽车行业新零售模式的兴起，某汽车品牌亟需一套能够同时支撑“整车直销”与“车品零售”的综合性业务底座。本项目作为广本新零售与直销业务的核心中台，旨在打通线上营销获客与线下门店交付的业务壁垒，构建一套高可用、支持高并发的大型电商与客资运营中台，最终实现精准营销引流与财务清算的全面数字化。
2、软件功能、核心功能模块的介绍系统由面向 C 端的移动端应用矩阵与面向 B 端的多租户管理后台组成。核心模块涵盖：
混合订单管理中心：兼容并支撑整车直销（订金/尾款/门店交付）与车品零售（物流发货）两套完全异构的业务流。
统一支付网关：无缝对接并封装微信、支付宝、民生及中金支付等多种支付渠道。
多租户渠道管控系统：支持上游供应商、特约店（4S）与二网店的库存调度与复杂财务清算。
企微直营客资闭环：深度接入企业微信 API，将线上线索无缝连接至线下销售终端。
3、业务流程、功能路径描述
核心业务路径如下：C 端用户在小程序或 APP 访问由“千人千面”动态组件渲染的营销页面，参与爆款车抢购或车品秒杀；下单后，系统根据商品类型触发底层的混合订单状态机，通过统一网关完成支付收口；随后，“企微直营”模块将线上购车线索精准路由分发给对应的线下销售顾问，形成私域跟进流转的业务闭环；交易彻底完成后，B 端系统自动进行跨租户的库存调度与财务清算。
quick_server
1、背景和目标：对企业所有服务请求进行轻量级安全和速度优化，减轻服务器的并发压力。
2、quick_server系统，不依赖外部引用，即插即用，主要用来进行极速快捷安全的http请求。大大减轻服务器的并发压力。轻松实现高并发场景下极速快捷安全的http请求。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服