月下调试人——总结随笔

月下调试人 2025-11-04 10:33:48

这个作业属于哪个课程	202501福大-软件工程实践W班
这个作业要求在哪里	α冲刺
团队名称	月下调试人
作业目标	总结随笔

预期计划	实际进展
学生账户注册 (/api/student/signUp)	✅ 已完成
学生账户登录 (/api/student/signIn)	✅ 已完成
获取学生个人信息 (/api/student/me)	✅ 已完成
更新学生个人信息 (/api/student/updateInfo)	✅ 已完成
(核心) 奖状分片上传 (init, uploadPart, complete)	✅ 已完成
撤销未处理的提交 (/api/student/revokeSubmission)	✅ 已完成
按状态分页查询自己的提交历史 (/api/student/getSubmissionProgress)	✅ 已完成
查询标准奖项库 (/api/student/getStandardAwardList)	✅ 已完成

2、管理员模块

预期计划	实际进展
管理员账户注册 (/api/admin/signUp)	✅ 已完成
管理员账户登录 (/api/admin/signIn)	✅ 已完成
获取管理员个人信息 (/api/admin/me)	✅ 已完成
更新管理员个人信息 (/api/admin/updateInfo)	✅ 已完成
(核心) 按状态分页查询所有提交 (/api/admin/getSubmissionProgress)	✅ 已完成
(核心) 人工审核提交 (通过/拒绝) (/api/admin/reviewSubmission)	✅ 已完成
分页查询学生列表 (/api/admin/getStudentInfo)	✅ 已完成

3.标奖项管理

预期计划	实际进展
(核心) 批量创建标准奖项 (/api/standardAward/createBatch)	✅ 已完成
(核心) 批量更新标准奖项 (/api/standardAward/updateBatch)	✅ 已完成
(核心) 批量删除标准奖项 (/api/standardAward/deleteBatch)	✅ 已完成
(核心) 分页查询标准奖项 (/api/standardAward/get)	✅ 已完成

4.AI异步处理

预期计划	实际进展
AI 自动OCR识别	✅ 已完成
AI 自动RAG匹配奖项库	✅ 已完成
AI 自动检查重复提交	✅ 已完成
AI 异常自动转人工审核	✅ 已完成

二、开发技术亮点！

第二部分详细描述了几个开发过程中的技术难点与技术亮点

开发技术亮点与总结文档.docx 5.91M

三、项目分工

成员信息	项目分工	心得体会	贡献值
102300431 张宝仁	完成了用户认证、奖状上传等多模块	理解了任务状态机设计的重要性。与AI模块联调时意识到：接口不仅传数据，更要保证稳定性、容错性和可持续维护。也对“业务安全性”有了更深理解。	21%
102300428 何振坤	完成学生端与管理员端的页面开发及与后端/AI数据的展示与交互	前端不仅写页面，还需要理解业务逻辑和数据结构。尤其在AI识别结果呈现时，深刻意识到“数据如何可视化”很关键。	12%
132302136 韩冰晨	主要负责功能流程、交互原型与系统结构图	学会从“功能”而非“界面”出发设计产品。了解AI介入后，流程不再是简单的上传→审核，而是加入AI预判、置信度判断、自动分类等新节点。对用户体验优化、出错提示、审核流转的逻辑更加敏感。	15%
102300435 王盛明	负责接口测试、AI结果准确性测试、安全流程验证	AI的测试并非“对/错”，而是“可信/不可信”，测试维度更复杂。权限与会话机制测试让我意识到：安全不是功能，而是一套规则体系。测试过程锻炼了提前发现问题、记录问题、推动解决问题的能力。	15%
102300424 曾诗皓	完成OCR识别、LLM语义分类、AI异常处理、性能优化等一系列流程	他们的核心价值不在于“AI识别准确度多高”，而是在于：让AI真正变成系统流程的一部分，而不是独立工具	12%
102300427 黄俊平	完成OCR识别、LLM语义分类、AI异常处理、性能优化等一系列流程	工业化AI ≠ 算法竞赛，而是能稳定、可维护、可迭代	12%
092300303 池博洋	负责总结设计文档、API接口说明及博客内容	理解到文档不仅是写文字，而是团队协作的“公共语言”。在整理AI模块说明和接口文档时，必须真正看懂AI工作流程。知道了技术写作要“准确、可复现、可查阅”，而不仅是“写个总结”。	13%

AI在冲刺阶段的真实作用
✔ 替代人工初判奖项，减少审核压力
✔ 自动判断奖项类别、分值，作为管理员审核参考
✔ 对低置信度任务自动转人工，保证审核质量
✔ 系统智能化程度提升，让作品更具亮点和展示价值

四、展望下阶段

改进方向	具体思路
✅ 模型效果优化	引入奖状图像增强、版式分类模型，提升OCR准确率
✅ AI复审能力提升	LLM辅助审核理由生成，减少人工判断工作量
✅ 知识库自学习	每次管理员修改奖项分类 → 反馈AI → 训练优化模型
✅ 更智能评分	结合历史数据、奖项级别、参赛类别，生成动态评分建议
✅ 数据分析可视化	统计获奖类型、识别成功率、AI介入带来的时间节省量

五、AI贡献与不足

AI从“模型”变成“功能”的过程，是本次冲刺最有价值的经验。

从模型调参 → 到接口规范化、异常控制、写入数据库
从Python脚本 → 到 SpringBoot 调用、前端展示
从单一准确率 → 到可用性、容错性和性能综合平衡

贡献点	体现
提升效率	比起人工审核图片、手动录入奖项，AI可自动完成识别、分类、初步判定，大幅减少重复劳动。
流程智能化	任务流转由原始的“上传→审核”变为“上传→AI预审→人工复核”，更加专业与现代化。
辅助决策功能	AI输出包括：识别文本、建议奖项、置信度、建议分值，可作为管理员审核依据，而非单纯替代人工。
具有可扩展性	模型、奖项库、向量数据库设计成独立服务，方便下一阶段继续扩展。

问题	当前表现	可能改进方向
OCR识别不稳定	部分图片模糊、光线差导致识别错误	加入图像增强、角度校正、版式检测模型
LLM分类偶尔不准确	对少量模糊奖项名称判断不稳定	增加关键词知识库或微调模型
无持续学习能力	审核后AI不会自我改正	引入“人工审核反馈→模型训练”的自学习机制

...全文