业务和功能介绍
一、立项背景和目标
全国实行新高考「3+1+2」以来，同一个班学生选科不同、基础差异大。传统做法是全班一份作业：会的学生重复刷题，不会的跟不上，老师也很难弄清每个学生卡在哪个知识点。学校有了平板，却缺少真正按学生定制、能形成数据闭环的学习内容。
我们的目标是做一个面向高中的 AI 个性化学习平台：先诊断出每个学生每个知识点的掌握情况，再每天给他排好最该学的任务，按记忆规律安排复习，给每天学习时长封顶，不搞题海；同时让老师减负、家长看得见。
二、功能与核心模块
① 诊断与今日任务：「测一测」生成知识点掌握图；首页按规则生成当天的学习建议和学霸值经验条，作业优先，再补薄弱点、复习到期内容。
② 学科学习：数理走「诊断、跟我学、知识点、练习」的路线；英语、语文、历史按课本单元闯关；化学用拼块配平方程式，生物遗传题分步推演；英语背单词只出英文和读音，按「会、模糊、不会」安排复习；语文古诗文逐句默写。
③ 老师端：班级驾驶舱集中显示作业提交、班级薄弱知识点和需要关注的学生；老师可布置线上题、纸质作业和教辅页码，发起课堂抽背，上传本校题目。
④ 家长端：每日学习概览、作业完成情况、学习周报。
⑤ 管理与内容：按班开通学科，算法参数在后台调整，题目来源逐题标注、可一键下架；大模型辅助查错和打标签，视觉模型识别手写默写，语音合成提供英语朗读。
三、业务流程与功能路径
开通：管理员建校建班，按学生选科给班级开通学科，学生、老师、家长各自登录对应的端。
学生：首次登录先做「测一测」，系统生成掌握图；之后每天打开首页看今日任务，完成作业、跟我学、练习、闯关、背单词、默写；作答数据实时回写学情，第二天的任务按新的掌握情况重新排。
老师：在驾驶舱查看全班薄弱点，布置作业、作业关或课堂抽背；系统自动批改和统计，老师据此针对性讲评，跟进掉队的学生。
家长：绑定孩子后，查看每日学习、作业和每周周报。
内容：题目来自课本、教辅、学校和老师上传以及授权题库，先经 AI 查错查重，老师确认后进入本校题库，再挑题布置；每道题标明来源，合作结束可整源下架。
全国实行新高考「3+1+2」以来，同一个班学生选科不同、基础差异大。传统做法是全班一份作业：会的学生重复刷题，不会的跟不上，老师也很难弄清每个学生卡在哪个知识点。学校有了平板，却缺少真正按学生定制、能形成数据闭环的学习内容。
我们的目标是做一个面向高中的 AI 个性化学习平台：先诊断出每个学生每个知识点的掌握情况，再每天给他排好最该学的任务，按记忆规律安排复习，给每天学习时长封顶，不搞题海；同时让老师减负、家长看得见。
二、功能与核心模块
① 诊断与今日任务：「测一测」生成知识点掌握图；首页按规则生成当天的学习建议和学霸值经验条，作业优先，再补薄弱点、复习到期内容。
② 学科学习：数理走「诊断、跟我学、知识点、练习」的路线；英语、语文、历史按课本单元闯关；化学用拼块配平方程式，生物遗传题分步推演；英语背单词只出英文和读音，按「会、模糊、不会」安排复习；语文古诗文逐句默写。
③ 老师端：班级驾驶舱集中显示作业提交、班级薄弱知识点和需要关注的学生；老师可布置线上题、纸质作业和教辅页码，发起课堂抽背，上传本校题目。
④ 家长端：每日学习概览、作业完成情况、学习周报。
⑤ 管理与内容：按班开通学科，算法参数在后台调整，题目来源逐题标注、可一键下架；大模型辅助查错和打标签，视觉模型识别手写默写，语音合成提供英语朗读。
三、业务流程与功能路径
开通：管理员建校建班，按学生选科给班级开通学科，学生、老师、家长各自登录对应的端。
学生：首次登录先做「测一测」，系统生成掌握图；之后每天打开首页看今日任务，完成作业、跟我学、练习、闯关、背单词、默写；作答数据实时回写学情，第二天的任务按新的掌握情况重新排。
老师：在驾驶舱查看全班薄弱点，布置作业、作业关或课堂抽背；系统自动批改和统计，老师据此针对性讲评，跟进掉队的学生。
家长：绑定孩子后，查看每日学习、作业和每周周报。
内容：题目来自课本、教辅、学校和老师上传以及授权题库，先经 AI 查错查重，老师确认后进入本校题库，再挑题布置；每道题标明来源，合作结束可整源下架。
项目实现
一、整体架构与技术栈
平台采用前后端分离、按学科分包的架构，设计上抓三点：
共用骨架加学科包：诊断、今日任务、作业、学情这些通用能力只做一套，各学科只写自己独有的学法，化学、生物复用同一个学科套件框架。
内容即数据：知识点、卡片、题目都用版本化文件管理，读入时自动审核放行，每道题带来源标注，可整源下架。
算法参数化：复习间隔、每日时长等 300 多个参数在后台可调，不用发版。
技术栈：前端用 Vue 3、TypeScript、Vite、Naive UI；后端用 Python 和 FastAPI；数据库生产用 PostgreSQL 加 Redis 缓存，开发测试用 SQLite；部署用 Docker Compose 和 Nginx；AI 方面接入大模型做查错和打标签、视觉模型识别手写、火山引擎合成朗读；
二、我负责的模块与结果
我负责学习调度引擎和题库接入两块，并主导全平台的质量体系。
① 背单词调度引擎：把原来的选择题加拼写模式，重构成「会、模糊、不会」的自评调度，设计五种记忆状态和 32 个可调参数，每天按 15 分钟装箱排队。用 20 个虚拟学生跑 60 天仿真：每天用时最长 909 秒，九成日子不超过 905 秒；中等学生的新词完成率从 78% 调优到 83%；老数据换算验证 372 条进度零丢失。
② 题库接入：设计学校和老师上传通道以及第三方题库接口，实现额度五道闸、同题去重计费、缓存入库、一键下架和对账，新增 7 个数据迁移，相关用例近 700 条。
③ 质量体系：搭建 12 步合并验证链，覆盖双数据库全量测试、学科仿真和端到端测试；后端用例 5700 多条、前端 2800 多条、端到端 190 多条，全部通过才上线。
三、难点、坑与解决方案
① 双数据库差异：开发用 SQLite、生产用 PostgreSQL，有的查询没写排序，在 PostgreSQL 上结果顺序不同，导致生物遗传题约三分之一的作业抽到了别章的题，而且只在 PostgreSQL 上偶发。解决：显式排序、按题组课号严格过滤，并把双库全量测试设为每次合并的必经步骤。
② 自评调度的刷分和积压：学生可能一路点「会」刷学霸值，缺勤几天后复习会堆成山。解决：「记住」要等第一次抽查也点会才计分；每天 15 分钟装箱，按超期、不会、模糊、新词、抽查的优先级排，模糊和不会最多推迟 2 天；老进度换算时每天最多摊 20 个，仿真中出现超期的天数从 8 天降到 0。
③ 隐蔽的显示和日期问题：化学式 Ca(OH)₂ 显示成 CaOH₂，根因是卡面引用拿不到物质表，改为读入时传入整张底表，并补了 12 条用例。另有用例每三天才出错一次，原因是专项按日期轮转，改为测试时冻结时钟，并规定只出学生学过的内容。
平台采用前后端分离、按学科分包的架构，设计上抓三点：
共用骨架加学科包：诊断、今日任务、作业、学情这些通用能力只做一套，各学科只写自己独有的学法，化学、生物复用同一个学科套件框架。
内容即数据：知识点、卡片、题目都用版本化文件管理，读入时自动审核放行，每道题带来源标注，可整源下架。
算法参数化：复习间隔、每日时长等 300 多个参数在后台可调，不用发版。
技术栈：前端用 Vue 3、TypeScript、Vite、Naive UI；后端用 Python 和 FastAPI；数据库生产用 PostgreSQL 加 Redis 缓存，开发测试用 SQLite；部署用 Docker Compose 和 Nginx；AI 方面接入大模型做查错和打标签、视觉模型识别手写、火山引擎合成朗读；
二、我负责的模块与结果
我负责学习调度引擎和题库接入两块，并主导全平台的质量体系。
① 背单词调度引擎：把原来的选择题加拼写模式，重构成「会、模糊、不会」的自评调度，设计五种记忆状态和 32 个可调参数，每天按 15 分钟装箱排队。用 20 个虚拟学生跑 60 天仿真：每天用时最长 909 秒，九成日子不超过 905 秒；中等学生的新词完成率从 78% 调优到 83%；老数据换算验证 372 条进度零丢失。
② 题库接入：设计学校和老师上传通道以及第三方题库接口，实现额度五道闸、同题去重计费、缓存入库、一键下架和对账，新增 7 个数据迁移，相关用例近 700 条。
③ 质量体系：搭建 12 步合并验证链，覆盖双数据库全量测试、学科仿真和端到端测试；后端用例 5700 多条、前端 2800 多条、端到端 190 多条，全部通过才上线。
三、难点、坑与解决方案
① 双数据库差异：开发用 SQLite、生产用 PostgreSQL，有的查询没写排序，在 PostgreSQL 上结果顺序不同，导致生物遗传题约三分之一的作业抽到了别章的题，而且只在 PostgreSQL 上偶发。解决：显式排序、按题组课号严格过滤，并把双库全量测试设为每次合并的必经步骤。
② 自评调度的刷分和积压：学生可能一路点「会」刷学霸值，缺勤几天后复习会堆成山。解决：「记住」要等第一次抽查也点会才计分；每天 15 分钟装箱，按超期、不会、模糊、新词、抽查的优先级排，模糊和不会最多推迟 2 天；老进度换算时每天最多摊 20 个，仿真中出现超期的天数从 8 天降到 0。
③ 隐蔽的显示和日期问题：化学式 Ca(OH)₂ 显示成 CaOH₂，根因是卡面引用拿不到物质表，改为读入时传入整张底表，并补了 12 条用例。另有用例每三天才出错一次，原因是专项按日期轮转，改为测试时冻结时钟，并规定只出学生学过的内容。
示例图片视频
相似推荐
H5麻将(3D版)
本方案以 H5 技术结合 3D 渲染引擎打造麻将游戏前端，无需下载安装，浏览器内即开即玩，呈现立体生动的牌局画面与流畅交互体验，适配多类设备。后端采用 C 语言开发高性能服务端，凭借底层执行效率与精细内存管理，可稳定承载高并发访问，满足大量玩家同场竞技，保障牌局同步及时、操作响应迅速。整体架构高内聚低耦合，迁移方便，灵活部署于各类服务器与云平台，快速扩容、成本可控，兼顾画质、性能与运维便利。
掼蛋H5版
本方案以 H5 技术打造掼蛋游戏前端，免安装、即点即玩，浏览器内即可流畅开局，适配各类设备，用户体验出色。后端采用 C 语言开发高性能服务端，凭借底层执行效率与内存优化，能够稳定承载高并发访问，满足大量玩家同时在线的对局需求，保证牌局快速同步、响应及时。整体架构高度解耦，迁移方便，可灵活部署于各类服务器与云环境，快速扩容、低成本运维，兼顾稳定性、性能与部署灵活性，是成熟的棋牌平台解决方案。
H5斗地主
本方案采用 H5 技术构建斗地主游戏前端，无需安装客户端，通过浏览器即可随时随地开玩，兼容性强、体验流畅。后端基于 C 语言开发高性能服务端，凭借 C 语言的底层优势与极佳的执行效率，能够稳定支撑大规模并发访问，轻松应对海量玩家同时在线的压力，保证对局稳定、响应迅速。整体架构耦合度低、迁移方便，可灵活部署至多种服务器环境与云平台，实现低成本快速扩展，兼顾用户体验、性能与运维便利性。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统，旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然，以及角色运动与动画表现难以协调等问题。
项目以神经网络动作生成技术为核心，结合游戏引擎的角色运动系统，实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。
主要功能包括：
动画数据采集与处理： 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息，完成骨骼映射、数据清洗、质量审核与训练数据集构建。
AI 动作模型训练： 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能，支持模型检查点管理、训练指标记录及实验评估。
条件动作生成： 利用角色根运动轨迹、历史动作状态及参考姿态等条件，生成连续骨骼动作，研究不同运动条件下的动画生成效果。
复杂动作约束： 针对跑酷、跨越障碍等复杂场景，支持参考姿态引导及关键帧约束，改善动作准确性与空间匹配效果。
UE 动画集成与验证： 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力，支持生成动作的预览、重建、测试及效果分析。
模型评测与对比： 通过骨骼位置误差、运动连续性、关键帧约束误差等指标，对不同模型及优化方案进行定量分析。
项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设，为智能角色运动与游戏动画自动化提供技术基础。
H5休闲解压益智游戏（拖拽对齐，单文件纯前端）-拉线解压 KNOT OUT
《拉线解压》（KNOT OUT）是一款纯前端、零后端的 H5 休闲解压益智游戏。核心操作：拖动一根线的控制点，把线的中点精确送入目标环；吸附越准，评级越高（金/银/铜），并触发连击。 功能模块：① 操作与判定——拖拽线并实时吸附判定，按精度分金/银/铜三档（金档才续连击），配连击上行音反馈；② 关卡与难度包络——线数随关卡从 3 递增到 10、吸附窗口逐关收紧（78→48px），目标环视觉与判定窗口一致；③ 风格目标——按关卡轮换「全金档 / 全程无错位 / 由外向内（目标环标 1..N 序号）」，达成即得星；④ 每日挑战——以本地日期为种子的独立关卡，布局与主题由种子确定；⑤ 留痕世界——把逐关评级、星与每日印记，按存档确定性重算成一条「世界路径」；⑥ 音频——音效全部由 Web Audio 实时合成（C 大调音阶），BGM 三首可轮播。 主要功能路径：打开即玩 → 拖线对齐 → 评分/连击 → 过关结算 → 下一关 / 每日挑战 → 世界回顾。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服