一、背景与目标

在传统的OJ中，用户提交代码后只能看到简单的判题结果，例如 Accepted、Wrong Answer、Compile Error 等，这样只能给到用户有限的帮助，而我们的项目希望借助AI，快速地给出有价值的引导与教学，从而帮助用户理解学习，提高效率。

本项目（面向算法学习的智能在线 OJ 平台）在传统判题能力之上，引入 AI 辅导能力，目标是：

在判题结果基础上，向用户提供有学习价值的解释与引导，包括错误原因分析、复杂度说明、思路提示、优化建议等。

这是我有关这次项目的第一篇博客，重点介绍 AI Agent 工作流的设计与实现，即：如何将题目信息、用户代码、判题结果作为输入，通过大模型生成结构化的学习辅导内容。

二、整体架构设计

2.1 调用链路

并没有想象中那么复杂。调用链路如下：

用户提交代码
    ↓
Docker 沙箱判题
    ↓
判题结果 + 题目信息 + 用户代码
    ↓
AI Agent（组装Prompt → 调用大模型）
    ↓
结构化讲解输出
    ↓
前端展示

2.2 输入数据

数据类型	具体字段	来源
题目信息	标题、难度、知识点标签、题目描述	数据库（题目表）
用户代码	源码文本、编程语言	提交记录
判题结果	结果类型、错误信息、运行日志	判题沙箱（Docker）

2.3 输出格式

AI 返回的内容需要包含三个部分：

1. 问题定位：用户代码可能存在的问题是什么？

2. 原因分析：为什么会出现这个结果？

3. 改进方向：如何修改代码或调整思路？

三、技术选型

组件	选型
后端框架	GoFrame
大模型 API	通义千问（qwen3.6-plus）
超时阈值	60s

暂时先使用qwen，后面再按需求更改

四、核心代码实现

4.1 API 调用核心函数

func CallQwen(prompt string) (string, error) {
	// 请求体
	reqBody := ChatRequest{
		Model: ModelName,
		Messages: []Message{
			{Role: "user", Content: prompt},
		},
		Stream:    false,
		MaxTokens: 800,
	}

	jsonData, err := json.Marshal(reqBody)
	if err != nil {
		return "", fmt.Errorf("JSON编码失败: %v", err)
	}

	// 创建请求
	req, err := http.NewRequest("POST", APIURL, bytes.NewBuffer(jsonData))
	if err != nil {
		return "", fmt.Errorf("创建请求失败: %v", err)
	}

	// 设置请求头
	req.Header.Set("Content-Type", "application/json")
	req.Header.Set("Authorization", "Bearer "+APIKey)

	// 发送请求
	client := &http.Client{Timeout: TimeoutSec * time.Second}
	resp, err := client.Do(req)
	if err != nil {
		return "", fmt.Errorf("请求失败: %v", err)
	}
	defer resp.Body.Close()

	// 读取响应
	body, err := io.ReadAll(resp.Body)
	if err != nil {
		return "", fmt.Errorf("读取响应失败: %v", err)
	}

	// 检查 HTTP 状态码
	if resp.StatusCode != 200 {
		return "", fmt.Errorf("HTTP错误 %d: %s", resp.StatusCode, string(body))
	}

	// 解析响应
	var chatResp ChatResponse
	if err := json.Unmarshal(body, &chatResp); err != nil {
		return "", fmt.Errorf("JSON解析失败: %v", err)
	}

	// 检查 API 错误
	if chatResp.Error.Message != "" {
		return "", fmt.Errorf("API错误: %s", chatResp.Error.Message)
	}

	// 提取结果
	if len(chatResp.Choices) == 0 {
		return "", fmt.Errorf("没有返回结果")
	}

	return chatResp.Choices[0].Message.Content, nil
}

4.2 Prompt 模板

func BuildPrompt(problemTitle, problemDesc, userCode, judgeResult, errorMsg string) string {
	return fmt.Sprintf(`你是一个算法学习辅导老师。请根据以下信息，为学生提供学习辅导。

题目信息:
1.标题：%s
2.描述：%s

代码:
%s

判题结果:
1.结果类型：%s
2.错误信息：%s

请按以下格式输出：
1.问题定位：代码可能存在的问题是什么？
2.原因分析：为什么会出现这个结果？
3.改进方向：如何修改代码或调整思路？

注意：
1.不要直接给出完整可运行的代码
2.不要重复任何句子   //不加会出现很多重复的句子
3.简明扼要地表述每个要点，最好每个要点控制在150字之内`,
		problemTitle, problemDesc, userCode, judgeResult, errorMsg)
}

4.3 完整调用示例

prompt := BuildPrompt(problemTitle, problemDesc, userCode, judgeResult, errorMsg)

	result, err := CallQwen(prompt)
	if err != nil {
		fmt.Printf("调用失败: %v\n", err)
		return
	}

五、运行结果展示

5.1 测试场景

根据设计的Prompt，整了个场景进行测试

//测试
	problemTitle := "两数之和"
	problemDesc := "给定一个整数数组 nums 和一个目标值 target，请找出和为目标值的那两个整数，并返回下标。"
	userCode := `vector<int> twoSum(vector<int>& nums, int target) {
    for (int i = 0; i < nums.size(); i++) {
        for (int j = 0; j < nums.size(); j++) {
            if (nums[i] + nums[j] == target) {
                return {i, j};
            }
        }
    }
    return {};
	}`
	judgeResult := "Wrong Answer"
	errorMsg := "预期输出 {0,1}，实际输出 {0,0}"

第一次调用的时候重复生成了十几句 “就是判题系统返回WA的核心原因”，查了下是大模型调用的正常现象，加上不要重复任何句子和限制每点的字数后就没事了。

5.2 AI 返回结果

PS D:\learn\go\mygo> go run main.go
正在急头白脸地分析中---

1.问题定位：内层循环的初始条件设置不当，未限制两个下标必须互不相同。代码允许i与j取值重合，导致单个元素被重复参与求和运算。

2.原因分析：当i遍历至首元素时，j同样从0开始匹配。若该元素数值的两倍恰好等于target，判断语句立刻成立，程序提前返回{0,0}。这违背了题目选取两个不同位置元素的核心要求。

3.改进方向：将内层循环的起始边界调整为i+1，确保每次比较的都是数组中靠后的元素。该改动可直接避开索引重叠的陷阱，同时消除约一半的无效配对，使算法逻辑与性能均符合标准解法。

run老卡住，总是run好几次才能成功调用一次，不知道什么情况，这篇先这样了后续再解决一下。

还以为是哪里整错了，拉了个test测试，把prompt设成一句很简单的话尝试了一下，还是卡死。最后没办法了多run了几遍忽然就打印正在急头白脸地分析中了，舒服。

六、出现的问题

其实没有什么，整体工作流程比较少也比较简单。key和url输错几次，还有前面说的重复生成语句的情况，以及run卡住的时候我排查问题试图用终端直接调用api丢些简单句子。问了ai怎么写命令，但是输入后终端没有一点反应，最后放弃了写了个test。

七、收获

把一个api调用跑起来了，设计了一个prompt模板，走出了项目的第一步

八、下一步计划

• 扩展其他场景的 Prompt 模板（CE、TLE 等）

• 接入 RAG 检索模块，实现检索增强讲解