本周我组的任务是推进错题系统AI模块的开发，包含AI智能推题，OCR自动识图，AI智能分析题目并推送相关的题目等AI功能，后端模块和接口的开发，以及前端交互功能。

一、项目总体进展

1.架构设计和项目统筹（负责人：邵木凡）：设计AI模块的架构，接口和具体的数据库表。为推进题目标签功能的开发，设计了label表、topic_label表等实体表和关系表。设计各个Package类，用于表示传给消息队列中的数据结构。

2.AI模块开发（负责人：邢越）：完成了Python AI 微服务的基础架构搭建，打通了Java业务层与 Python AI 层之间的RabbitMQ消息通道，重点推进了 RAG（检索增强生成）和视觉题目识别两大核心功能。

3.后端模块开发（负责人：王浩）：完善后端错题本topic管理功能，适配相应接口，搭建标签管理系统和做题记录系统。

4.前端开发（负责人：王睿）：完成错题本首页入口和模块的开发，包括「每日推题」入口、「添加错题本/错题」入口、「搜索框」入口、「新建错题本」入口。

二、设计前端UI的UML图

三、各模块详细进展

（1）架构设计：

为推进题目标签功能的开发，设计了label表、topic_label表等实体表和关系表。

设计label表，用于用户给错题设计相应的标签，作为此题的特征给AI的分析

设计topic_label表，作为错题与标签的关联，对于用户来说，一个标签可以给多个题目，一个题目也能有多个标签；

设计topic_daily_count表，用户可以自己选择每日的推题个数；

设计topic_daily表，存储 用户的每日推题数据；

设计topic_record表，记录用户对每一个错题的详细做题情况，交给AI进行智能分析，方便推题。

然后，设计了错题系统AI模块的接口，重点设计了AI分析题目、OCR识别文字、获取每日推题、做题等功能的接口，并设计了各个Package类，用于表示传给消息队列中的数据结构。

（2）AI模块设计

为了解决单纯对话式AI存在的知识滞后和幻觉问题，使用了RAG检索增强生成技术，先从本地知识库检索相关知识，再让 AI 基于这些知识回答问题，确保答案的准确性和专业性。

此模块选择了 FAISS（Facebook AI Similarity Search）作为向量数据库，配合 sentence-transformers 实现文本向量化。

同时，为了让 RAG 系统有知识可查，邢越编写了知识库构建脚本，从 MySQL 数据库中提取错题数据并向量化。

此外，还重点设计了视觉题目识别功能，用户只需拍照上传，AI 自动识别题目内容、提取关键信息。

（3）后端开发：

在上周完成错题本CRUD功能的基础上进一步开发，搭建标签管理系统和做题记录系统，最终目标是构建一个集数据管理、AI智能识别与个性化分类于一体的学习辅助核心组件。完成了错题本（NoteBook）与题目（Topic）的全生命周期管理。用户能够自由创建不同科目的错题分类，并在其中进行题目的录入、修改、详情查看及删除操作。

标签管理功能的设计采用了“边录入边创建”的的思路。核心逻辑是：当用户为一个题目指定标签时，系统先去查这个用户是否已经有这个标签，如果有就直接用 ID 关联；如果没有，系统自动创建该标签并返回 ID。

下一步开发的要点在于AI 能力的深度集成和AI 分析结果的闭环落地，要完善基于 RabbitMQ 的异步通信架构，并打通 Java 后端与 Python AI 服务的交互链路，最终完成错题模块从工具向智能助手的转变。

（4）前端开发：

根据已有的错题本功能进行针对性的前端设计，基于Vue 3与TypeScript，使用HBuilder构建移动端应用界面，实现了诸多交互功能，例如：每日推题页面筛选记录、每日推题数据调节、题目展示区翻页、错题本列表页返回按钮等。