最初考虑过向量检索（FAISS），将院校描述文本做embedding后语义匹配——实测发现FAISS返回的是文档片段，同一所学校的多个段落都可能命中，推荐列表里重复出现同一学校，且有些片段只描述某个专业，脱离了院校整体。（2）获取会话列表和聊天记录：优先读Redis缓存，未命中则查MySQL分页查询，组装MessageVO（含发送者姓名/头像、错题卡片信息），标记已读后写入缓存（TTL 30分钟）

本周团队聚焦“院校推荐”这一核心特色功能的端到端打通，并同步完善 AI 对话与管理后台等周边能力：架构侧完成院校推荐模块设计，AI 侧落地多通道数据抓取与网页全局 AI 小助手，后端打通 Dialog 与 Admin 两大模块，前端完成院校推荐与 AI 智能匹配页面。基于 uni-app 完成院校推荐表单页（采集本科层次、GPA、英语水平、专业排名、目标专业与院校层次等画像信息）与 AI 智能匹配

团队对涉及模块做了一轮集成测试，覆盖头像跳转 / 好友状态 / 封禁显示、自动审核开关回显、错题与帖子日期搜索、聊天分享错题与消息对齐、AI 小助手跳转等关键用例，并补充了空值、日期区间非法、接口降级、大 ID 精度等边界场景，主用例与边界用例均通过。本周作为项目的收尾阶段，团队以“填补空白、联调测试”为主线：集中修复了一批影响体验的 Bug，补齐了聊天分享错题等社交闭环，对 AI 小助手做了知识

大模型接入：使用openai库兼容模式接入通义千问（Qwen），实现智能对话。构建本地知识库，利用 Python 将我们的教材、笔记切片并向量化，存入FAISS向量数据库。精准问答：：当用户提问时，Python 会先在本地知识库中检索相关片段，再结合大模型生成答案。下周即将实现的 RAG 检索逻辑示例# 1. 从向量库检索最相关的 3 个知识片段# 2. 将检索到的知识作为背景传给 AIpromp

本周成果总结实现了双层架构实现，完成了"用户画像（MySQL）+ 向量检索（FAISS）"的完整闭环；做到了个性化推荐，系统基于用户历史错题统计薄弱标签，千人千面；完成了去重机制，通过 push_history 表排除近期已推送题目；也基于标签覆盖度的排序算法，避免同质化推送，做到了多样性控制；建立了多源构建 pipeline，支持 Markdown、DOCX、LaTeX 等格式；实现了 MySQ

本周的开发使得错题本从一个题目"记录工具"变成了"智能学习助手"。它不仅能识别题目、回答问题，更能诊断错误原因、推荐学习方案。这种从"被动记录"到"主动指导"的转变，正是 AI 技术在教育领域的核心价值所在。最初我直接把检索到的知识丢给 AI，结果生成的分析报告泛泛而谈。后来我在提示词中明确要求"错误类型必须从设计的几种中选择"、"知识薄弱点要具体到知识点名称"，效果显著提升。这也让我意识到了提示

本周我们完成了 RAG 检索增强生成 和 视觉题目识别 两大核心功能的落地，让 AI 错题本具备了真正的"智能"：1.RAG 检索：让 AI 回答有据可依，避免幻觉。2.视觉识别：拍照即可录入错题，大幅提升用户体验。3.异步架构：RabbitMQ 解耦，保证系统高并发和低延迟。目前的架构已经具备了极强的扩展性，下周我们将重点推进个性化推题功能的实现，例如基于用户薄弱知识点实现精准的题目推荐，结合

大模型接入：使用openai库兼容模式接入通义千问（Qwen），实现智能对话。构建本地知识库，利用 Python 将我们的教材、笔记切片并向量化，存入FAISS向量数据库。精准问答：：当用户提问时，Python 会先在本地知识库中检索相关片段，再结合大模型生成答案。下周即将实现的 RAG 检索逻辑示例# 1. 从向量库检索最相关的 3 个知识片段# 2. 将检索到的知识作为背景传给 AIpromp

微服务架构设计文档与技术选型讨论搭建Python 3.10 + FastAPI + LangChain的开发环境，解决依赖冲突协助配置RabbitMQ容器化部署与网络规则定义RabbitMQ Topic规划与消息体JSON Schema，完成Pydantic/DTO契约对齐。

微服务架构设计文档与技术选型讨论搭建Python 3.10 + FastAPI + LangChain的开发环境，解决依赖冲突协助配置RabbitMQ容器化部署与网络规则定义RabbitMQ Topic规划与消息体JSON Schema，完成Pydantic/DTO契约对齐。