日期：2026 年 3 月 29 日

项目：绘画 AI 博弈小游戏 —— 人机对抗绘画猜词与心理解读系统

一、工作内容

本周按照项目开题计划，本人主要完成：项目统筹推进、需求确认、后端架构设计、AI 接口方案确定、文档编写与团队进度管理。

二、技术选型过程与理由

作为后端与项目统筹负责人，本周核心工作是完成技术栈选型论证，确保轻量、易开发、易部署、适配实训周期。

1. 后端框架：为什么选择 Flask

对比选型：Flask vs Django vs FastAPI

• Django：太重，内置 admin、ORM、auth，学习成本高，开发速度慢，不适合短期实训快速上线。
• FastAPI：性能强、自动文档，但异步生态复杂，团队熟悉度低。
• Flask：轻量、灵活、上手快、生态成熟，适合快速搭建 Web 服务与 Socket 通信，完美匹配实训项目规模。

结论：选用 Flask 作为后端主体框架。

2. 数据库：为什么选择 SQLite

对比选型：SQLite vs MySQL

• MySQL：需要部署、配置、启动服务，增加环境复杂度。
• SQLite：单文件数据库、零配置、开箱即用，足够支撑用户、房间、对局记录、绘画报告等数据量。

结论：选用 SQLite 满足项目存储需求，轻量化部署。

3. 实时通信：Flask-SocketIO

绘画同步、联机对战必须低延迟，因此选用 Flask-SocketIO 实现 WebSocket 长连接，保证多人实时画面同步。

---

三、最终技术栈与优劣分析

本次项目核心技术栈：前端：HTML5 + Canvas + JavaScript + CSS后端：Flask + Flask-SocketIO数据库：SQLiteAI 能力：多模态大模型图像理解 API创新模块：绘画行为特征提取 + 心理投射规则库

优势

• 开发效率高，适合 3 个月实训周期快速迭代
• 部署简单，零环境配置成本
• SocketIO 稳定可靠，联机延迟低
• 前后端分离清晰，便于团队分工

不足

• Flask 高并发能力有限（本项目仅 2–4 人房间，完全足够）
• SQLite 不支持高并发写入（实训演示场景无压力）
• 大模型 API 依赖网络，需做异常处理

---

四、项目整体架构设计

本周已完成项目整体架构设计，分为五层：

1. 前端交互层：Canvas 画板、UI 界面、操作响应
2. 实时通信层：WebSocket 同步绘图、房间状态
3. 后端服务层：请求处理、接口封装、业务逻辑
4. AI 与心理分析层：图像识别、特征提取、报告生成
5. 数据存储层：SQLite 存储用户、对局、作品、报告

---

五、数据流图（核心流程）

本周完成核心数据流设计：

1. 用户开始绘图 → Canvas 采集坐标与行为数据
2. 数据通过 Socket 实时同步给同房间成员
3. 后端接收绘图结果 → 传给多模态大模型识别
4. 识别结果返回 → 判定猜词是否正确
5. 系统提取绘画行为特征 → 心理分析 → 生成报告
6. 对局数据、报告、作品存入 SQLite

---

六、我的分工与团队协作方式

我的分工

• 项目统筹、需求把控、进度管理
• 后端架构搭建、接口设计、服务开发
• AI 多模态模型 API 对接与调试
• 项目文档汇总、版本管理、验收材料

团队协作方式

• 代码管理：Gitee 统一仓库，Git 分支开发，定期合并
• 沟通协作：腾讯会议周会 + 日常群内同步
• 文档管理：CSDN 团队博客 + 个人博客每周更新
• 规范：统一接口格式、提交信息、代码风格

---

七、本周总结

本周完成项目立项、需求确认、技术选型、架构设计、数据流梳理、团队分工，项目从创意进入正式开发阶段。

Flask+SocketIO+SQLite 技术栈轻量高效，适合快速实现联机绘画、AI 识别、心理分析三大核心能力。下周将正式进入后端框架搭建与画板基础联调工作。