团队作业3

团队作业3

CodePilot —— AI驱动的开发者实战成长平台

这个作业属于哪个课程 课程
这个作业要求在哪里 要求
这个作业的目标 需求改进+系统设计

项目简介

CodePilot是一款面向开发者的智能学习平台，核心功能包括AI个性化学习路线推荐、实战代码实时评阅和开发者社区。通过动态路径规划与实时反馈，帮助开发者从“会写Demo”进阶为“能写工程代码”，降低技术学习门槛，推动技术资源公平化。

面向用户分析

  • 项目目标用户：
    1.初级开发者
    刚接触编程，缺乏系统学习路径，易陷入“学什么、怎么学”的迷茫。
    需要手把手指导，快速掌握基础工程能力（如代码规范、调试技巧）。
    2.中级开发者（核心用户）
    已掌握基础语法，但缺乏真实项目经验，难以从“Demo级代码”过渡到“工程级代码”。
    需要针对性的技术栈进阶建议（如从Spring Boot到微服务架构）。
    3.非计算机专业转行者
    时间有限，需高效掌握就业市场热门技能（如全栈开发、云原生）。
    对行业趋势敏感，依赖平台推荐避免学习过时技术。
    4.高校学生
    学校课程与工业界需求脱节，需补充实战经验（如Git协作、单元测试）。
    希望与同水平开发者交流，解决自学中的疑难问题。
  • 用户需求：
    1.动态学习路径推荐：
    （1）根据用户当前技能标签，结合行业趋势，生成动态学习计划；
    （2）支持手动调整路径节点；
    （3）阶段性成果验证。
    2.实时AI代码评阅：
    （1）支持多文件代码提交，自动识别技术栈。
    （2）AI反馈维度：功能实现（是否满足需求、边界条件覆盖）；代码规范（命名、注释、设计模式应用）；性能优化（SQL查询效率、内存泄漏风险）；部署建议（依赖冲突检测、容器化配置提示）。
    （3）流式响应：逐行高亮问题代码，提供修改建议
    3.低门槛实战环境：
    （1）浏览器内嵌开发环境，预置主流框架模板；
    （2）一键运行/调试，自动分配临时沙箱环境（Docker容器），无需本地安装。。

功能性需求

  1. AI个性化路线推荐
    用户画像：基于技能水平、兴趣标签（如前端/后端）及行业趋势数据生成画像。
    动态路径生成：推荐学习路线（如“React入门→全栈开发→架构设计”），支持手动调整。
    可视化展示：以甘特图形式呈现学习阶段与里程碑。
  2. AI实战代码评阅
    多文件提交：支持真实项目结构（如Spring Boot工程），贴合企业开发场景。
    实时反馈：流式返回评分（功能完整性50%、代码规范30%、性能20%），延迟<2秒。
    错误高亮：定位代码问题并提供优化建议（如“建议使用缓存减少数据库查询”）。
  3. 开发者社区
    同好推荐：匹配学习目标相似的用户，形成技术小组。
    UGC内容：支持教程、经验帖发布与评论互动，优质内容整合为开源资源。
  4. 用户管理
    技能评估：通过初始测试题确定用户水平（初级/中级/高级）。
    学习记录：跟踪进度，动态调整推荐内容。

技术需求

前端技术

  • 核心框架与工具：React + TypeScript
    强类型支持，提升代码可维护性，适用于复杂交互场景（如动态学习路径甘特图、实时代码反馈）。

后端技术

  • 核心框架：Spring Boot+ MyBatis
  • 数据库设计：MySQL
    存储用户技能标签、学习进度、兴趣领域。
    记录用户提交的多文件代码及AI评阅结果。

AI服务集成

  • 基础层：GPT-4 API（通用代码理解） + CodeLlama（代码生成专项优化）
  • 优化策略：Fine-tuning 模型以适配工程代码规范（如 Google Java Style）

安全需求

  • 数据安全
    敏感数据加密
    传输层：HTTPS + HSTS 强制加密
    存储层：AES-256 加密用户代码历史，独立密钥管理服务（KMS）
  • 攻击防护
    代码注入防御
    前端：Monaco Editor 禁用危险 API（如 eval 的代码提示）
    后端：静态代码分析拦截危险模式（正则表达式匹配 system 调用）

预期用户数量

Beta阶段（3-6个月）：500-800名开发者。
后期目标：通过社区裂变与开源生态整合，实现用户量翻倍。

真实性、可用性 以及价值所在

  • 真实性：直击开发者学习痛点，解决传统学习平台问题
  • 可用性：低门槛 + 高实用性，贴合开发者习惯
  • 价值所在：加速开发者成长
  • 情怀所在：让技术学习更公平，整合开源学习资源

Issue管理

  • 码云链接：
  • Issue截图：

时间安排

原有安排

周次 任务
第6周 1.团队组队、团队博客  2.团队介绍、成员展示、角色分配、选题确定  3.制定团队计划安排，团队贡献分的规定
第7周 1.需求规格说明书  2.原型设计，队员估计任务难度并学习必要的技术  3.编码规范完成、平台环境搭建完成、初步架构搭建
第8周 1.需求改进，向目标用户展示并收集反馈 2.系统设计，完成WBS（工作分解结构），成员估计任务时间
第9、10周 1. 团队项目Alpha任务分配计划  2. 连续7天的Alpha敏捷冲刺，7 篇 每日Scrum Meeting博客+代码提交
第11周 1.用户反馈+测试计划改进 2.根据用户反馈改进系统  3. 团队Alpha阶段个人总结  4. 团队项目Alpha博客：发布说明、测试报告、展示博客、项目管理
第12周 1. 团队项目Alpha博客：事后分析

改进安排

周次 任务
第6周 1.团队组队、团队博客  2.团队介绍、成员展示、角色分配、选题确定  3.制定团队计划安排，团队贡献分的规定
第7周 1.需求规格说明书  2.原型设计，队员估计任务难度并学习必要的技术  3.编码规范完成、平台环境搭建完成、初步架构搭建
第8周 1.需求改进，向目标用户展示并收集反馈 2.系统设计，完成WBS（工作分解结构），成员估计任务时间
第9、10周 1. 团队项目Alpha任务分配计划  2. 连续7天的Alpha敏捷冲刺，7 篇 每日Scrum Meeting博客+代码提交
第11周 1.用户反馈+测试计划改进 2.根据用户反馈改进系统  3. 团队Alpha阶段个人总结  4. 团队项目Alpha博客：发布说明、测试报告、展示博客、项目管理
第12周 1. 团队项目Alpha博客：事后分析 2.下一阶段规划

团队分工

任务 负责成员
前端开发 何松，洪徐博
后端开发 崔嘉豪，徐云哲，康经腾，彭鑫

用户故事（User Story）

场景：中级开发者突破技术瓶颈
李明是一名工作2年的Java后端开发者，能熟练使用Spring Boot编写基础CRUD接口，但在参与公司微服务改造项目时，面对分布式事务、服务熔断等工程化需求感到力不从心。

  1. 动态路径推荐
    • 登录CodePilot后，系统通过技能评估测试将其标记为"中级-Java后端"，并推荐"微服务架构专项提升"路径：
      Spring Cloud基础 → 分布式事务实践 → 服务网格进阶
    • 李明调整路径优先级，将"分布式事务实践"前置，系统自动重新规划配套资源（教程、实战案例）。
  2. 实战代码评阅
    • 在完成"Seata分布式事务"实验项目后，提交包含OrderService.java和InventoryService.java的多文件工程代码。
    • AI在8秒内返回反馈：
      ✅ 功能完整性：45/50（未处理库存不足时的补偿事务）
      ❌ 代码规范：25/30（@GlobalTransactional注解未添加Javadoc说明）
      ⚠️ 性能提示：检测到selectForUpdate未使用索引，建议添加idx_product_id
  3. 开发者社区互动
    • 在"微服务架构"技术小组中发现《分布式事务调试技巧》精华帖，通过评论区与作者讨论Seata TC Server部署问题。
    • 将优化后的代码提交至社区开源项目库，获得"贡献者"徽章。

价值体现：

  • 动态路径解决"学什么"的决策焦虑
  • 多维度代码评审加速工程思维培养
  • 社区协同打破技术孤岛

功能四象限分析

用户感知价值高 用户感知价值低
开发难度高 杀手功能： AI实时代码评阅（需集成GPT-4+CodeLlama） 外围需求： 社区勋章系统（需设计成就体系）
开发难度低 必要需求： 浏览器内嵌开发环境（基于Monaco Editor） 辅助功能： 学习路径甘特图导出（第三方图表库实现）

WBS与进度调整

关键变更：

  1. 第7周增加"社区交互原型设计"任务（原仅包含基础社区功能）
  2. 第8周拆分"AI服务集成"为两个子任务：
    • 代码评审核心模块开发（优先级P0）
    • 学习路径推荐算法调优（优先级P1）
  3. 第9-10周敏捷冲刺新增：
    • 每日代码评审准确率监控（需搭建测试用例库）
    • 社区UGC内容审核系统（基础版）ßß

其他改进点

  1. 补充非功能需求：

    • 性能指标：代码评审服务需支持500并发（原未明确）
    • 可维护性：采用OpenAPI 3.0规范设计接口文档

  2. 增强安全性描述：

    • 沙箱环境增加网络隔离策略（禁止外网访问宿主机器）
    • 代码存储加密增加定期密钥轮换机制

  3. 用户画像细化：

    • 增加"技术焦虑指数"维度（通过用户行为日志计算学习中断频率）
    • 区分"主动探索型"与"任务驱动型"学习模式

系统架构设计

分层架构图

+-------------------+     +-------------------+  
|  前端层           |     | 移动端适配层      |  
| (React + TS)      |<--->| (Responsive Web)  |  
+-------------------+     +-------------------+  
           ↓ HTTP/WebSocket  
+--------------------------------------------+  
|  应用服务层                               |  
| (Spring Boot)                            |  
| - 用户管理模块                           |  
| - 学习路径调度引擎                       |  
| - 代码评阅任务分发                       |  
| - 社区交互逻辑                           |  
+--------------------------------------------+  
           ↓ REST API  
+--------------------------------------------+  
|  AI服务层                                |  
| (Python微服务)                           |  
| - GPT-4通用分析模块                      |  
| - CodeLlama专项优化模块                   |  
| - 代码规范检查器（基于Fine-tuning模型）   |  
+--------------------------------------------+  
           ↓ gRPC  
+--------------------------------------------+  
|  基础设施层                              |  
| - MySQL集群（主从复制）                  |  
| - Redis缓存（学习路径元数据）            |  
| - Docker Swarm沙箱集群                   |  
| - KMS密钥管理服务                        |  
+--------------------------------------------+

核心组件说明

  1. 前端层
    • 动态路径甘特图：基于D3.js实现可视化交互，支持拖拽调整节点
    • 嵌入式IDE：集成Monaco Editor，预置Spring Boot/React项目模板
    • 实时反馈面板：WebSocket推送AI评阅结果，支持代码行级高亮
  2. 应用服务层
    • 异步任务队列：使用RabbitMQ处理高并发代码评阅请求（保障<2s延迟）
    • 学习路径引擎：基于用户画像的DAG（有向无环图）调度算法
    • 安全网关：JWT鉴权 + 请求限流（1000请求/秒）
  3. AI服务层
    • 模型分级调用：
      • 轻量级规则检查（如命名规范）直接本地执行
      • 复杂分析（分布式事务检测）调用GPT-4 API
    • 结果缓存机制：相同代码Hash值复用历史分析结果
  4. 基础设施层
    • 沙箱环境：
      • 每个代码会话分配独立Docker容器
      • 网络策略：禁止容器间通信，仅允许访问内网AI服务
    • 灾难恢复：数据库每日快照 + 跨AZ部署

分析设计方法

架构决策依据

  1. 前后端分离：
    • 优势：前端可独立迭代IDE交互组件，后端专注业务逻辑
    • 验证：通过Postman模拟500并发API请求，响应时间<800ms
  2. AI服务微服务化：
    • 问题：初期单体架构导致GPU资源争用
    • 解决方案：按功能拆分为代码规范/性能分析/架构建议3个微服务
  3. 缓存策略：
    • 一级缓存（Redis）：存储热点学习路径数据，TTL=1小时
    • 二级缓存（本地Caffeine）：AI结果缓存，TTL=10分钟

质量属性应对

质量属性 设计策略
可扩展性 数据库水平分片（按user_id哈希）
安全性 动态密钥轮换（KMS每日生成新密钥）
容错性 沙箱环境超时熔断（5秒无响应自动释放容器）

待解决问题

  1. AI服务降级方案：当GPT-4 API不可用时，如何自动切换至本地CodeLlama模型？
  2. 大规模代码提交：超过10个文件的工程代码如何优化静态分析性能？
  3. 社区实时协同：多人同时编辑同一代码片段时的冲突解决策略
posted @ 2025-04-16 20:52  xb2555  阅读(66)  评论(0)    收藏  举报