前言：

本周的任务是着重于错题系统AI模块的开发，包含AI智能推题，OCR自动识图，AI智能分析题目并推送相关的题目等AI功能。我负责这一模块的架构，接口和具体的数据库表的设计。相关的逻辑如下：

一.数据库表的设计

设计label表，用于用户给错题和帖子设计相应的标签，作为此题的特征给AI的分析，type作为枚举值，表示标签的类型，为错题的标签还是帖子的标签

设计topic_label表，作为错题与标签的关联，对于用户来说，一个标签可以给多个题目，一个题目也能有多个标签：

设计topic_daily_count表，用户可以自己选择每日的推题个数：

设计topic_daily表，存储用户的每日推题数据，其中type表示此题是用户自己的错题还是AI自己整合的新题，由AI端设计定时任务，每日填充此表：

设计topic_record表，记录用户对每一个错题的详细做题情况，负责交给AI进行智能分析，方便推题：

二.相关接口的设计

2.1 接口的设计

设计错题系统AI模块的接口如下：

 /**
    *TODO
    * AI分析题目，将题目上传给AI分布解析
     * 将信息传到消息队列中
     * 在错题本页面单独的一个按钮，这里参数得到的是URL
    * */
    @PostMapping("/uploadAI")
    @Operation(summary = "AI分析题目")
    public Result<TopicAnalyseVO> uploadAI(@RequestBody BaseRequest baseRequest){
        log.info("AI分析题目参数: {}", baseRequest);
        TopicAnalyseVO result = topicService.uploadAI(baseRequest);
        return Result.success(result);
    }

    /**
     *TODO
     * 生成知识图谱
     * 
     *
     * */
    @PostMapping("/generateKnowledgeGraph")
    @Operation(summary = "生成知识图谱")
    public Result generateKnowledgeGraph(@RequestBody BaseRequest baseRequest){
        log.info("生成知识图谱参数,{}", baseRequest);

        return Result.success();
    }

    /**
     *TODO
     * OCR识别文字，这里参数得到的是图片URL
     *
     */
    @PostMapping("/ocr")
    @Operation(summary = "OCR识别文字")
    public Result<OCRTextVO> ocr(@RequestBody BaseRequest baseRequest){
        log.info("OCR识别文字参数,");

        return Result.success();
    }

    /**
     *TODO
     * 做题，即修改topic_record
     * 如果一开始record中没有，就新建一个
     *如果检测到
     */
    @PostMapping("/doTopic")
    @Operation(summary = "做题")
    public Result doTopic(@RequestBody BaseRequest baseRequest){
        log.info("做题参数,{}", baseRequest);

        return Result.success();
    }

    /**
     *TODO
     * 获取每日推题
     * 通过访问日常题库，获取每日题
     * 根据用户id在推题表中查找
     * 可以从自己的错题里面找，也可以AI生成新的
     * 不用访问消息队列
     */
    @PostMapping("/getDailyTopic")
    @Operation(summary = "获取每日推题")
    public Result<List<TopicVO>> getDailyTopic(){
        log.info("获取每日推题参数");

        return Result.success();
    }

    //TODO 设置每天推送的题数
    @PostMapping("/setDailyTopicNum")
    @Operation(summary = "设置每天推送的题数")
    public Result setDailyTopicNum(@RequestBody TopicDailyCountDTO topicDailyCountDTO){
        log.info("设置每天推送的题数参数,{}", topicDailyCountDTO);

        return Result.success();
    }

2.2 消息传递数据结构

题目分析VO,为AI分析的相关结果，包含建议标签，同类题的推荐等信息：

@Data
@Schema(description = "AI题目分析")
public class TopicAnalyseVO {

    @Schema(description = "题干")
    private String questionStem;

    @Schema(description = "题目解析")
    private String analyseQuestion;

    @Schema(description = "用户错点分析")
    private String analyseWrong;

    @Schema(description = "建议标签")
    private List<String> suggestLabels;

    @Schema(description = "同类题推荐")
    private List<TopicVO> recommendTopics;


}

题目分析相关的DTO：包含做题记录修改和每日题目设置的相关DTO

@Schema(description = "做题记录修改")
@Data
public class TopicDoDTO {

    @Schema(description = "题目id")
    private Long topicId;

    @Schema(description = "是否做对")
    private Integer correctFlag;
}

@Data
public class TopicDailyCountDTO {

    private Integer count;
}

AI分析方式为业务后端接收到前端传来的数据，然后通过消息队列传给AI后端，再通过消息队列监听获得AI分析之后的结果。在此设计各个Package类，用于表示传给消息队列中的数据结构：

//用来发送图片url的包
@Data
public class UrlPackage {

    private String url;

    private Long userId;
    
    // 请求ID，用于关联请求和响应
    private String requestId;
}

@Data
public class TopicAnalysePackage {

    @Schema(description = "请求ID，用于关联请求和响应")
    private String requestId;



    @Schema(description = "题干")
    private String questionStem;

    @Schema(description = "题目解析")
    private String analyseQuestion;

    @Schema(description = "用户错点分析")
    private String analyseWrong;

    @Schema(description = "建议标签")
    private List<String> suggestLabels;

    @Schema(description = "同类题推荐")
    private List<TopicVO> recommendTopics;


}

创建相关消息队列：

  /**
     * 创建图片发送队列
     */
    @Bean
    public Queue pictureQueue() {
        return QueueBuilder.durable(PICTURE_QUEUE).build();
    }

    /**
     * 创建AI结果队列
     */
    @Bean
    public Queue aiResultQueue() {
        return QueueBuilder.durable(AI_RESULT_QUEUE).build();
    }

三.相关文档的撰写：

3.1 撰写接口文档

撰写相关的文档，后端接口文档（节选）：

3.2 绘制前端的UI结构图

前端UI的UML图：

四.总结

本周我聚焦于错题系统AI模块的架构设计与落地实现，围绕智能化学习场景构建了从数据建模到异步处理的完整链路。在数据库层，新增标签体系、用户做题行为记录与每日推题调度表，通过多对多关联与状态字段设计，为AI算法提供了丰富的特征数据与反馈闭环；在接口层，基于现有Result与BaseRequest规范，封装了AI题目解析、OCR识别、智能推题及做题记录上报等核心接口，并引入消息队列解耦业务后端与AI推理服务，通过UrlPackage与TopicAnalysePackage标准化跨服务通信结构，实现了高并发下的异步分析与结果回调；在配套产出方面，同步完善了接口文档与前端UI交互逻辑，确保前后端协作顺畅。整体架构兼顾了扩展性、稳定性与智能化能力，为后续知识图谱构建与个性化推荐算法的深度迭代奠定了坚实基础。