月下调试人——β冲刺总结

[月下调试人]

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	β冲刺
团队名称	月下调试人

目录

• 一、项目预期计划与完成度总结
• 二、项目过程体会与团队协作表现
• 1.团队整体协作方式
• 2.组员分工协作情况
• 三、计划完成情况与系统运行展示
• 1.计划 vs 实际对比
• 2.系统运行模块截图
• 四、AI 技术员在本次作业中的贡献
• 1.优化 LLM 分类 Prompt
• 2.OCR 字段抽取与查重辅助
• 3.帮助前端与后端理解 AI 行为逻辑
• 五、贡献值
• 六、总结
• 七、链接

一、项目预期计划与完成度总结

本次项目在 Alpha 阶段已完成系统核心流程的基本闭环，包括奖状上传 → OCR 识别 → LLM 智能分类与查重 → 审核入库 → 管理员复审。进入 Beta 冲刺阶段后，我们的预期目标主要围绕“精度提升、系统体验增强、可扩展性优化”展开。具体计划包括：

（1）智能识别能力提升

引入更高精度的 OCR 模型，降低“无法分类”比率；

优化 LLM 提示词结构，使奖项分类上下文更清晰；

增强图像过滤模块，提高图像质量判断稳定性。

（2）智能查重逻辑优化

使用 OCR 拆分重要字段作为辅助；

加强相似文本聚合，提高查重准确率。

（3）后台管理体验增强

完成管理员列表、奖项管理、批量审核模块；

增加日志与审核轨迹，便于管理员查看处理过程；

提供批量处理入口，提升管理效率。

（4）学生端体验提升

完成注册、登录、提交记录查看、个人信息编辑模块；

支持拖拽上传、进度显示、失败一键重传；

提供奖状分类统计可视化。

（5）系统性能优化

添加 RocketMQ 异步处理流水线，提升高并发上传吞吐量；

对 Elasticsearch 查询进行缓存与权重分配调整；

完善 Worker 日志监控，追踪异常任务。

总体完成情况：

阶段任务	预期	实际完成度	说明
OCR 与分类优化	✔	✔	模型精度提升，分类更稳定
智能查重优化	✔	✔	判别维度增强，误判率降低
管理后台增强	✔	✔	完成管理员列表、奖状管理、审核入口
学生端体验升级	✔	90%	基本完成，部分统计图表在优化中
系统性能优化	✔	80%	RocketMQ 已完成，缓存策略仍在微调

二、项目过程体会与团队协作表现

1.团队整体协作方式

小组采用 Scrum 式每日站会模式，通过短周期迭代、大量信息同步，使不同角色的任务明确且连续。整体表现为：

• 后端与前端同步推进，避免接口错位；

• 每日更新任务、记录困难点与次日计划；

• 团队成员保持高频交流，使整体进度贴合预期。

2.组员分工协作情况

后端开发：
负责 OCR 接入、ES 检索优化、RocketMQ 异步流程、查重逻辑、管理员模块、学生模块等业务逻辑。
工作量大但分工明确，一人负责 AI 与查重处理逻辑，另一人负责审核流程、分页系统与后台接口。

前端开发：
完成后台管理端 AdminLayout、管理员列表、奖项详情、审核面板等页面；
另一人负责学生端注册、个人信息、奖状提交、提交记录查看等交互体验。

AI 技术员：
专职优化 prompt、设计分类与查重提示词、分析错误案例，并协助团队理解 AI 的行为模式。

测试与文档：
完成功能测试、撰写日志、绘制燃尽图、记录系统运行截图。

项目管理：
制定计划、跟踪每日进度、主持站会、更新需求、整合成果。

协作特点：所有成员均能按时汇报，遇到困难会及时同步。例如 RocketMQ 消息无法正常消费、Elasticsearch 权重策略导致查找不准问题，都是在站会上讨论后快速调整，从而保证整体进度不被阻塞。

三、计划完成情况与系统运行展示

1.计划 vs 实际对比

功能点	计划实现	实际实现	备注
OCR 识别	识别奖状文字内容	接入升级版 OCR，提高精度	✔
分类	基于关键词分类	引入 LLM 提示词优化结构化分类	✔
查重	简单文本匹配	增加姓名+时间+OCR分段字段	✔ 优化显著
上传并发处理	同步处理	RocketMQ 异步化流水线	✔ 性能大幅提升
管理端	基础 CRUD	增加批量审核、日志追踪	✔
学生端	上传与查看	提供进度、重传、统计	✔

2.系统运行模块截图

前端模块：

后端模块：

四、AI 技术员在本次作业中的贡献

1.优化 LLM 分类 Prompt

问题：
Alpha 阶段 LLM 分类经常出现“AI 无法分类”或“分类偏差”。

AI 技术员修改的 Prompt 示例：

加入分析奖项等级、年份、文本上下文的要求

要求 LLM 给出分类理由，使决策可解释

明确奖项类别（科技竞赛、文体比赛等）的关键词指引

成果：
“无法分类”比率从 26% 降到约 8%，分类稳定性显著提升。

2.OCR 字段抽取与查重辅助

问题：
学生姓名、学号位置不固定，字体不清晰，查重经常出现误判。

AI 技术员的做法：

将奖状文本拆分为“姓名字段”、“奖项字段”、“时间字段”；

交由 LLM 判断哪个字段最可靠；

最终结合 ES 模糊匹配，实现更稳定的查重。

成果：
查重准确率提升明显，误判率下降，管理端审核工作量减少。

3.帮助前端与后端理解 AI 行为逻辑

前端同学收到 LLM 的 JSON 结构不稳定时，AI 技术员会解释模型行为，并给出解决策略，如：

使用正则清洗无关字符

允许 LLM 重试两次

在提示词中明确要求输出 JSON 且字段必须完整

这极大降低了 AI 输出对系统稳定性的影响。

五、贡献值

成员	贡献值
张宝仁	24%
曾诗皓	11%
黄俊平	11%
王盛明	13%
赵俊强	18%
韩冰晨	12%
池博洋	11%

六、总结

整个项目从 Alpha 到 Beta 冲刺，实现了从“功能闭环”到“体验优化 + 性能提升 + AI 深度融合”的升级。
团队协作稳定，分工明确，AI 技术员在系统智能性上起到关键作用，使项目在数据自动化处理方面取得显著提升。

七、链接

http://139.196.22.247/login

[FZU_SE_teacherW]

对奖状识别过程中出现的各种问题考虑的比较细致，赞！
1.建议增加对上传图片大小的约束；
2.建议补充辅导员对系统使用的反馈。