一、本阶段任务综述

本阶段项目进入核心功能开发的阶段，团队采取并行开发策略，重点推进后端基础架构搭建与AI音频分析模块的落地。

1. 后端负责人完成了用户认证体系及个人中心模块的开发，打通了从前端请求到数据库落地的完整链路；
2. AI模块负责人完成了代码仓库的标准化建设并成功封装了基于Librosa的音频特征提取工具类与基于通义千问大模型的情绪分析工具类，实现了“音频输入→特征提取→大模型分析→情绪输出”的AI核心流程。
3. 两项工作互为支撑，为后续接口整合与前后端联调奠定了坚实基础。

二、后端核心模块开发

用户认证体系搭建
注册功能实现：设计并实现了基于手机号的注册接口，通过正则表达式校验手机号格式、数据库唯一性检查防止重复注册，采用Werkzeug的密码哈希算法保障用户密码安全，结合事务回滚机制确保数据库操作的原子性。测试验证显示，注册接口可正确处理正常请求与异常情况，新用户数据能准确写入腾讯云MySQL数据库。
登录功能实现：开发登录接口，通过手机号查询用户、密码哈希比对验证身份，返回用户基础信息（用户ID、昵称、手机号）供前端使用。测试表明，登录接口可准确识别用户身份，对密码错误、用户不存在等异常场景返回对应状态码（401/404），满足基础认证需求。

个人中心模块开发
资料修改接口：实现了支持混合数据（JSON文本+文件流）的个人信息更新接口，可处理昵称修改、邮箱更新（含唯一性校验）、密码修改（需验证旧密码）及头像上传功能。针对头像上传，采用UUID生成唯一文件名防止覆盖，使用secure_filename处理文件名避免路径遍历攻击，自动创建存储目录保障文件保存稳定性。
数据一致性验证：通过Python脚本模拟前端请求，完成“登录获取凭证→携带凭证修改资料”的链式测试，验证了接口对中文昵称（如“买蛋糕”）的支持能力，Navicat直连数据库确认数据落地准确，证明了后端CRUD逻辑的可靠性。

三、AI音频分析模块开发

团队协作环境建设
代码仓库搭建：在Gitee创建项目主仓库，制定“主分支+开发分支”的分支管理规范，编写README.md明确项目说明与运行步骤，配置.gitignore过滤无关文件，添加团队成员并配置读写权限，实现多人协作开发的规范化管理。
后端框架对接：拉取后端负责人提交的Flask基础框架代码，验证目录结构、路由配置及接口可用性，确保本地开发环境与后端框架兼容，为后续AI模块与后端整合做好准备。
云数据库连接：通过MySQL Workbench完成本地环境与腾讯云MySQL数据库的连接配置，验证数据表结构及表间关系，实现开发环境对云数据库的读写操作，为音频信息、情绪分析结果的存储提供数据层支持。
AI核心工具类封装
音频特征提取工具类：封装AudioFeatureExtractor类，统一音频处理逻辑（固定16000Hz采样率、限制10秒时长），提取MFCC（梅尔频率倒谱系数）、能量均值、过零率均值、频谱质心均值四大核心声学特征，兼容MP3/WAV格式，添加异常捕获避免因文件损坏导致程序崩溃。测试表明，工具类可稳定输出结构化特征文本，为大模型分析提供标准化输入。
大模型情绪分析工具类：封装PetEmotionAnalyzer类，基于通义千问qwen-turbo模型，设计专用Prompt模板限定输出为标准JSON格式（包含情绪类型、置信度、分析依据），实现API调用、异常处理、JSON解析容错功能。本地测试验证，工具类可准确解析大模型返回结果，输出符合项目需求的情绪分析数据（如“兴奋”“焦虑”等），置信度与分析依据完整有效。

四、技术理解与架构思考

1. 后端架构设计：分层解耦与安全优先
2. 模块化路由设计：采用Flask蓝图（Blueprint）机制，将认证模块（auth_bp）与个人中心模块（profile_bp）分离，避免路由命名冲突，提升代码可维护性。例如，认证相关接口统一注册在/api/auth前缀下，个人中心接口注册在/api/profile下，符合RESTful API的资源划分原则。
3. 密码安全存储：摒弃明文存储，采用Werkzeug的generate_password_hash和check_password_hash方法，基于PBKDF2-SHA256算法对密码进行哈希处理。该算法通过加盐（salt）和多次迭代，有效抵御彩虹表攻击，即使数据库泄露，攻击者也难以反推原始密码。
4. 事务一致性保障：在注册、资料修改等涉及数据库写操作的接口中，通过try-except块包裹db.session.commit()，一旦发生异常（如唯一性冲突、文件保存失败），立即执行db.session.rollback()，确保数据库状态的一致性，避免脏数据产生。
5. 字符集适配实践：针对中文昵称存储乱码问题，将MySQL表字符集从utf8（仅支持3字节）升级为utf8mb4（支持4字节，兼容Emoji），并在Python连接参数中显式指定charset=‘utf8mb4’，解决了“数据库存储层-连接层-应用层”的字符集一致性问题，验证了“数据库字符集配置需全链路统一”的设计原则。
6. AI模块设计：标准化封装与容错处理
   特征提取的标准化：音频特征提取工具类通过固定采样率（16000Hz）、限制时长（10秒），确保不同来源的音频文件（如不同设备录制的MP3/WAV）输入到大模型的特征格式统一。例如，MFCC特征提取时固定n_mfcc=20，能量、过零率等特征均计算均值，避免因音频时长差异导致特征维度不一致，为大模型提供稳定的输入。
7. 大模型调用的容错设计：情绪分析工具类在Prompt中严格限定输出为标准JSON格式，并通过json.loads()解析后进行字段校验（检查emotion、confidence、analysis是否存在），避免因大模型返回格式异常（如包含额外文本）导致程序崩溃。同时，添加API调用超时处理（timeout=10）和网络异常捕获，确保在模型服务不稳定时能返回明确错误信息，而非直接抛出未处理异常。

五、技术难点与解决方案

1. 后端数据字符集适配
   问题：初期数据库存储中文昵称时出现乱码（显示为“???”），影响数据一致性。
   解决：排查发现MySQL默认utf8字符集为“残血版”（仅支持3字节），升级为utf8mb4（支持4字节），并修改Python连接参数指定charset=‘utf8mb4’，彻底解决中文及Emoji存储问题。
2. AI模块混合数据处理
   问题：音频上传接口需同时处理文本参数（如用户标识）与文件流（音频文件），传统JSON解析方式无法满足需求。
   解决：采用request.get_json(silent=True)解析文本参数，request.files.get(‘avatar’)获取文件流，实现双模数据接收，结合UUID重命名文件防止覆盖，保障文件存储与文本更新的原子性。

六、下阶段工作计划

接口整合与联调：后端负责人完善宠物信息的功能
前后端联调：AI模块负责人配合前端团队，完成前后端联调，解决跨域问题，验证接口返回格式与前端渲染逻辑的兼容性。
前端：基于目前功能，进行分前端开发

七、本阶段总结

本阶段团队高效完成分工协作，后端负责人聚焦用户认证与数据管理，实现了安全可靠的账户体系与个人信息管理功能；AI模块负责人推进团队协作环境建设与AI核心能力落地，完成了从音频特征提取到大模型情绪分析的全流程开发。两项工作分别解决了“用户身份管理”与“AI情绪识别”两大核心问题，技术实现规范、测试验证充分，为项目后续功能扩展与Demo演示奠定了坚实基础。整体进度符合计划，代码质量与模块设计达到预期，团队协作效率显著提升