AI Coding Learning Platform

Architecture Overview

创建一次 AI 面试会话，后端根据学习方向生成问题，并记录模型调用日志。

{
  "topic": "Spring Boot JWT authentication",
  "level": "junior",
  "questionCount": 5
}

{
  "interviewId": 128,
  "questions": [
    {
      "id": 1,
      "content": "How does a JWT interceptor extract user context?"
    }
  ],
  "traceId": "ai-call-128"
}

Data Model

Deployment Notes

• Use Docker Compose for local MySQL and Redis so the backend can start consistently.
• Store model API keys in environment variables and never commit local secret files.
• Expose health checks for API, MySQL connectivity, Redis connectivity, and AI provider availability.
• Keep AI call logs queryable before adding heavier observability tooling.

Engineering Decisions

项目背景

很多学习项目停留在 CRUD 练习，缺少鉴权、缓存、日志、部署和外部 AI 服务可靠性等真实工程问题。这个项目把 AI 能力作为后端业务链路的一部分处理，而不是只在前端展示一个模型回复。

解决的问题

• 学习任务、技术笔记和 Bug 复盘分散，难以形成可追踪的成长路径。
• AI 接口存在延迟、失败、成本和输出不稳定问题，需要后端记录和兜底。
• 普通练习项目很少覆盖鉴权、缓存、异常处理、接口文档和 Docker 部署。

核心功能

• 用户注册、登录、JWT 鉴权和用户上下文解析。
• 学习任务、技术笔记和 Bug 复盘模块。
• AI 面试官根据学习方向生成问题、评分和改进建议。
• AI 调用日志记录模型、耗时、状态、失败原因和重试结果。
• 学习统计数据通过 Redis 缓存，减少高频数据库查询。

技术架构

• Spring Boot 按 Controller、Service、Repository 分层组织业务。
• MySQL 存储用户、任务、笔记、复盘、面试会话和 AI 调用日志。
• Redis 用于缓存学习统计、短期状态和高频读取结果。
• 统一异常处理和参数校验保证 API 响应稳定。
• Docker 管理后端服务、数据库和缓存的基础部署。

技术难点

• JWT 过期、鉴权失败和业务异常需要统一返回结构。
• AI 接口延迟高且失败场景多，不能按普通 HTTP 接口处理。
• 学习统计既要响应快，又要避免缓存与数据库长期不一致。

我的解决方案

• 用统一异常处理封装认证失败、参数错误和业务异常。
• 为 AI 调用增加日志表、耗时统计、错误分类和有限重试策略。
• 把高频统计结果缓存到 Redis，并在任务变化时主动失效。

Evidence to Add

下一步计划

• 补充用户学习画像和任务推荐逻辑。
• 增加 RAG 知识库问答模块。
• 完善 Docker 部署文档和线上演示环境。