企业官网建设流程全解析

本文作者：李玉涛（Leo），长春师范大学 数据科学与大数据技术专业 2027 届本科生，辅修数学双学位。
项目仓库：Leo-Li638/smartclass（https://github.com/Leo-Li638/smartclass）
个人技术主页：一.chat（一.chat）

一、项目是什么

SmartClass 智学在线是一个 K12 场景的前后端分离教学管理平台，覆盖教学管理、在线作业、自动批改、错题本、薄弱知识点分析与个性化学习计划全流程。三端角色（管理员/教师/学生）20+ 页面按角色完全隔离。项目从需求分析、数据库设计、后端接口、前端界面到联调部署由我独立完成。

技术栈：Spring Boot 3.2（Java 17）+ MyBatis-Plus 3.5 + MySQL 8.0（16 张业务表）+ Vue 3.4（Composition API）+ Element Plus + Pinia + ECharts 5 + Vite 5。

二、最有意思的部分：学情推题引擎为什么不用 AI

很多人第一反应是"推题就该上推荐算法/大模型"。我最终的方案是纯规则引擎，理由有三：

1. 数据量不支持：单校场景的练习流水撑不起协同过滤的稀疏矩阵，硬上模型只会输出玄学。
2. 教育场景要可解释：老师和学生需要知道"为什么推这道题"——"你的《一元二次方程》知识点掌握度 42%，低于班级均值，推荐 3 道专项题"远比"模型觉得你该做这道"可信。
3. 无需外部依赖：不调任何外部 AI 服务，离线可跑，成本为零。

引擎核心是两个数学工具的组合：

• 拉普拉斯平滑估计掌握度：直接用答对次数/作答次数会在小样本下剧烈抖动（做 1 对 1 = 100%？）。引入平滑后掌握度形如(correct + α) / (attempts + α·k)，样本越少越向保守的先验回归，数学背景在这里直接派上用场。
• 艾宾浩斯遗忘曲线做时间衰减：掌握度不是静态值，练习流水要按时间衰减加权——两周前做对的题对当前掌握度的贡献，理应小于昨天做对的。衰减函数让"久不复习的知识点"自然沉底，成为推题的优先候选。

最终输出"薄弱知识点 → 推荐理由 → 专项题目"的可解释三元组，并按薄弱度分配每日题量生成学习计划，进度通过练习流水实时回算，学生不需要手动打卡。

三、16 张表的数据模型取舍

数据库设计上我最大的心得是：把"事实"和"状态"分开存。

• 题目、知识点、班级、用户这些相对静态的实体各归其位；
• 而"学生每次做题"这条练习流水是全系统的数据心脏——掌握度、错题本、学习计划进度、班级学情分析全部从流水实时回算，不单独维护冗余状态表。

代价是查询要聚合计算，收益是永远不会出现"状态表和流水对不上"的一致性灾难。对小规模单库场景，这个取舍非常划算。自动判分模块同样受益：单选/判断直接比对，多选支持乱序比对，填空支持多候选答案匹配，判分逻辑无状态、可重放。

四、工程化细节里踩过的坑

• 统一响应结构与全局异常处理是第一优先级而不是"以后再说"——晚一周做，前端就要写 N 套错误处理。
• JWT + 拦截器鉴权：无状态认证 + HandlerInterceptor 统一拦截，越权访问自动拦下。三级角色的权限边界必须在路由层就卡死，不能指望前端隐藏菜单。
• 幂等 SQL 初始化脚本 + 首次启动灌入演示数据：让任何一个拿到仓库的人 clone 完就能跑起来，这是开源项目体验的分水岭。
• 配置分离：本地私密配置与仓库隔离，Swagger（SpringDoc OpenAPI）在线调试全部接口。

五、写在最后

这个项目对我最大的意义，是把"数学双学位"变成了看得见的工程产出：拉普拉斯平滑和遗忘曲线不是试卷上的名词，而是系统里真实运行的公式。数据科学 + 教育，是我认定的方向。

• 仓库：https://github.com/Leo-Li638/smartclass （含完整 README、架构图与接口文档）
• 个人技术主页一.chat（更多项目：OrderBoss 接单宝、绿源环保商城、游戏数值作品集）：一.chat

李玉涛（Leo）· 长春师范大学 · 数据科学与大数据技术 + 数学双学位 · 2027 届
一.chat（一.chat）· Leo-Li638（https://github.com/Leo-Li638）

官方主页：一.chat