山东大学软件学院项目实训-创新实训-计科智伴（四）—— 后端第四周：智能互动 + 练习模块

前三周做完认证、画像、学习计划后，这周开始做智能互动和练习模块。这个模块要对接AI、要做题目推荐和自动批改，还要和画像联动更新掌握度，比前几周的纯CRUD要稍复杂一些。今天把这周的工作和代码细节一起记下来。

一、这周干了什么？

在前三周的基础上，这周主要完成了智能互动与练习模块。按之前的接口设计，这个模块包含四个核心功能：发起智能问答、获取练习题、提交练习答案、获取专项练习。此外还顺便把聊天记录持久化做完了，这样用户的历史问答可以追溯。

这次设计的几个关键点：

• 复用项目原有的Question实体，题干从关联的LearningResource联查获取，不破坏原有表结构
• 按知识点和难度从题库拉取题目，过滤掉已经做过的题
• 客观题直接比对答案，主观题调用AI生成解析
• 练习提交后自动更新画像中的知识点掌握度和薄弱点列表

接口和表结构这边，本周新增了chat_history、user_question_record两张表，以及AiChatRequest/Response、ExerciseDTO、SubmitAnswerResponse等一批DTO。

二、大模型选型与配置

智能互动模块离不开大语言模型。我们选择阿里云通义千问作为底层模型，通过Spring AI框架集成。配置文件如下：

spring: ai: openai: base-url: https://dashscope.aliyuncs.com/compatible-mode api-key: ${OPENAI_API_KEY} chat: options: model: qwen-max-latest embedding: options: model: text-embedding-v3 dimensions: 1024

• qwen-max-latest：通义千问最新最强版本，适合复杂问答、结构化输出、答案解析生成。
• text-embedding-v3：用于后续语义检索（RAG），1024维向量，能较好地支撑知识库问答。

使用DashScope兼容模式的好处是：OpenAI的API调用方式几乎不变，只用改base-url和model，代码层面无侵入。

三、核心接口设计

练习模块共开发了以下接口（代码主要在ExerciseController里）：

所有接口都加了登录校验，userId从UserHolder的ThreadLocal里拿。

（多模态暂仅实现pdf）

四、获取练习题 —— 按画像推荐

4.1 核心流程

获取练习题入口是getNextExercises方法，用户传入想练习的知识点和难度，后端根据画像和未做题目前按需返回：

• 如果前端指定了knowledgePoint，就按指定知识点拉取
• 如果没指定，用画像中的weakPoints（薄弱知识点）优先推荐
• 难度动态调整：根据画像中用户整体准确率算难度——准确率低于60%用基础难度，60%-80%用中等难度，高于80%用高级难度
• 查询Question表时，关联user_question_record表，过滤掉用户已经做过的题目，避免重复

4.2 题干的特殊设计

项目原有的Question实体只存了kpId（知识点ID）、qType、difficulty、answer、analysis，题干实际存在LearningResource表里，通过resourceId关联。所以DTO组装时得联查两张表：

private ExerciseDTO convertToExerciseDTO(Question question) { LearningResource resource = learningResourceService.getById(question.getResourceId()); return ExerciseDTO.builder() .exerciseId(question.getQId()) .questionText(resource != null ? resource.getContent() : "") .resourceUrl(resource != null ? resource.getFileUrl() : "") .knowledgePoint(getKnowledgePointName(question.getKpId())) // ... .build(); }

五、提交答案 —— 批改 + 画像联动

5.1 批改逻辑

提交答案的入口是submitAnswer方法，流程如下：

1. 根据exerciseId拿到题目信息，联查LearningResource拿到题干原文
2. 比对用户答案和标准答案（当前是字符串全等匹配，后续可以扩展为AI辅助评分）
3. 记录答题记录到user_question_record表
4. 如果答错了，调用通义千问qwen-max-latest生成解析
5. 返回批改结果

// 简化的答案比对 private boolean checkAnswer(String userAnswer, String correctAnswer) { return userAnswer.trim().equalsIgnoreCase(correctAnswer.trim()); } // 答错时用AI生成解析（使用配置好的ChatClient，实际调用qwen-max-latest） private String generateExplanation(...) { String prompt = String.format( "请为以下题目生成解析：\n题目：%s\n用户答案：%s\n正确答案：%s...", questionText, userAnswer, correctAnswer ); return chatClient.prompt().user(prompt).call().content(); }

5.2 画像联动：掌握度更新

这是本周的一个核心联动点。练习模块不能只返回对错，还得反映到学情画像上。我在UserProfileServiceImpl里补充了两个方法：

• updateKnowledgeMastery(Long userId, String knowledgePoint, double delta)—— 增量更新某个知识点的掌握度
• updateWeakPoints(Long userId, String knowledgePoint)—— 将某个知识点加入薄弱点列表

调用时机：用户提交答案后，如果答对了就小幅提升掌握度；答错了就显著降低掌握度，并确保该知识点在weakPoints中。

// 在提交答案后调用 if (isCorrect) { userProfileService.updateKnowledgeMastery(userId, knowledgePoint, 0.05); } else { userProfileService.updateKnowledgeMastery(userId, knowledgePoint, -0.1); userProfileService.updateWeakPoints(userId, knowledgePoint); }

这样画像里的知识掌握度会随着用户的练习动态变化，后续的计划生成、题目推荐都会更准确。

六、智能问答 —— 对接通义千问，支持流式+多模态

这周也把智能问答的基础架子搭了。因为项目已经集成了Spring AI和之前的通义千问配置，实现起来不算太复杂。现在文本问答走ChatClient调用qwen-max-latest模型，返回结构化回答，同时存入chat_history表方便以后做RAG检索。

// 调用通义千问 qwen-max-latest String prompt = "你是一个学习助手。请回答以下问题，并以JSON格式输出，包含字段：answer（简短答案），explanation（详细解释），knowledgePoint（所属知识点），relatedQuestions（最多3个），suggestion（学习建议）。问题：" + question; String response = chatClient.prompt().user(prompt).call().content(); // 解析JSON，存入ChatHistory

之所以选择qwen-max-latest，是因为它对中文理科题目的理解能力强，且支持结构化输出。后续也可以根据成本调整模型为qwen-plus或qwen-turbo。

最终实现的效果：

• 支持纯文本问答
• 支持上传pdf文件
• 支持流式输出（打字机效果）
• 自动管理会话记忆（每个chatId独立上下文）
• 消息自动持久化到数据库

4.1 核心代码解读

几个关键点：

• Converse 记忆：CHAT_MEMORY_CONVERSATION_ID_KEY是 Spring AI 内置的会话记忆 ID，只要同一个chatId多次调用，模型会自动带上历史对话，不需要手动拼接上下文。
• 多模态：Spring AI 的Media对象封装了文件和 MIME 类型，传给spec.user()后，通义千问会自动识别图片或音频内容。
• 流式返回：Flux<String>配合前端 EventSource 或 fetch，就能实现类似 ChatGPT 的打字机效果。
• 会话与消息存储：sessionService只保存会话元信息（会话 ID、类型、创建时间），实际的消息内容由 Spring AI 的PersistentChatMemory自动保存。在这个版本里我没有手动保存消息，因为使用了CHAT_MEMORY_CONVERSATION_ID_KEY，Spring AI 的内存管理会负责存储历史。但为了后续检索和展示聊天记录，我单独建了message表，在需要时手动存入（可以另加一个异步方法）。你当前的代码中其实没有保存消息，不过这不是大问题，因为内存已经能维持上下文。后面如果需要做历史记录翻页，再补充即可。

4.2 多模态文件处理（暂未完整实现）

上传的图片会被暂存在内存中，Spring AI 自动转换成 base64 或临时 URL 发给模型。为了长期存储用户的图片/音频文件，我调用了minioService.uploadFile将文件保存到 MinIO，并可以关联到消息记录。

// 在另一个方法中保存用户消息时，上传文件到 MinIO String fileUrl = minioService.uploadFile(file, CURRENT_USER_ID, chatId);

这样用户上传的习题照片、手写笔记都能永久保存，后续可以用于错题本或复习。

4.3 会话记忆是如何工作的？

Spring AI 内置了ChatMemory接口，我们依赖注入时没有显式配置，框架默认使用了InMemoryChatMemory，它把每个chatId的对话存在本地内存。生产环境可以考虑替换为RedisChatMemory，支持多实例共享。

只要在每次请求时传入同样的chatId，模型就能记住之前的对话。例如：

用户：什么是死锁？ AI：死锁是...（回答） 用户：那如何避免？ ← 不需要重复说“死锁”，模型知道在问什么

这个能力对连续问答非常有用。

七、专项练习 —— 薄弱点突破

专项练习接口getTargetedExercises的逻辑比普通练习更聚焦：直接取前端传入的薄弱点列表（或画像中的weakPoints），按知识点拉题，每个薄弱点抽1-2道，组一套练习给用户集中突破。这个功能是错题本和前面积累的薄弱点数据打通的，用户在首页点击“薄弱点专项训练”就能直接进入。

八、踩坑与心得

这周也遇到几个值得记下来的问题：

1. 题干到底存哪的坑

项目原来Question里没有题干字段，题干在LearningResource里。刚开始写DTO转换时没注意，直接question.getQuestionText()拿空值，查了半天才发现要联查。解决方案是写了一个convertToExerciseDTO方法，每次取题都自动把LearningResource的内容带出来。

2. 题库重复推荐

如果用户做过的题不记录下来，/exercise/next会反复推荐同一道题。解决方案是在selectExercisesSQL里加了一个条件：uqr.question_id IS NULL，过滤掉已做过的，并且在每次提交后往user_question_record表记录。

3. JSONB字段解析报错

UserProfileServiceImpl里解析knowledgeMastery和weakPoints时，入参类型是Object（因为数据库存的JSONB字段映射到Java是Object），但解析方法之前写的是接收String。改成了兼容处理：如果是String就正常解析；如果是Map/List就直接转换；其他情况尝试转成JSON再解析。

if (knowledgeMasteryObj instanceof String) { return objectMapper.readValue((String) knowledgeMasteryObj, typeRef); } else if (knowledgeMasteryObj instanceof Map) { return (Map<String, Double>) knowledgeMasteryObj; } else { String json = objectMapper.writeValueAsString(knowledgeMasteryObj); return objectMapper.readValue(json, typeRef); }

这样不管MyBatis-Plus返回什么类型，都能正确解析画像里的掌握度数据。

4. 大模型API限流与错误处理

阿里云DashScope有并发限制，如果调用频繁会返回限流错误。后续需要在调用处增加重试机制和降级规则（例如限流时返回预设的默认回答）。当前版本只做了简单的异常捕获，这个问题会在下周优化。

5. 流式响应下如何存储完整消息

Flux<String>是边生成边发送给前端，后端无法轻易拿到完整的 AI 回复。如果想存消息记录，可以使用collectList()或者另起一个异步监听。目前版本没有强制存储，因为 Spring AI 的内存记忆已经能满足多轮对话。后续如果需要查看历史聊天记录，再考虑实现消息持久化。

九、总结

一周时间，从两张新表、一批DTO到整套接口跑通。模块四的交互比前三个模块更复杂，因为它涉及到通义千问模型调用、画像联动、题库查重等多个环节。目前文本问答和普通练习已经可以正常使用了，专项练习接口也已经打通。下一步计划补充上传手写题图片的多模态问答（基于qwen-vl模型）及AI对编程题、主观题的智能评分。