大家好，我是一名在校Java练习生，现在来分享一下学习成果，与各位共同学习进步。

经过几个月的奋战，“中州养老护理系统”的项目学习终于顺利完结了。回顾这段历程，与其说记录解决了多少Bug，不如说是记录了如何将一个个复杂的技术点（如若依框架、华为云IoT、百度千帆大模型）落地到真实的业务场景中。

这个项目不仅仅是一个CRUD的管理系统，它包含了一个后台管理系统（管理员和员工用）和一个微信小程序（家属用）。今天，我想重点分享几个项目中最具挑战性、也是我最满意的核心技术实现。

---

第一部分：基于若依(RuoYi)框架的高效开发

技术栈： SpringBoot + MyBatis-Plus + MySQL + Redis + Vue3

项目初期，为了快速搭建基础功能并保证开发效率，项目选择了**若依(RuoYi)**作为后端基础框架。

• 代码生成器： 对于“房型设置”、“护理项目”这类标准的CRUD模块，我直接利用若依的代码生成功能，根据数据库表结构一键生成了前后端的基础代码。这让我可以跳过重复性工作，将精力集中在业务逻辑上。
• 动态表单： 在“入住办理”模块中，表单字段非常多且复杂。我使用了若依提供的动态表单功能，通过拖拽的方式快速构建了前端页面，省去了大量手写表单验证和布局的时间。

总的来说，若依框架帮助我快速完成了项目的骨架搭建和基础功能开发。

---

第二部分：处理海量IoT设备数据

问题背景： 养老院部署了大量智能设备（如手环），用于监测老人的心率、血氧等健康数据。我们预估这些设备每天会产生约70万条上报数据。

解决方案：
面对如此大的数据量，项目中采取了以下措施来保证系统稳定：

1. 异步处理： 设备数据通过华为云IoT平台上报后，我们将其推送到 RabbitMQ 消息队列。后端服务通过自定义的线程池异步消费这些消息，避免了同步写库造成的阻塞。
2. 冷热数据分离：
   • Redis缓存最新数据： 家属在小程序上查看老人状态时，只需要最新的数据。我们将这部分高频访问的数据存入Redis，确保查询速度。
   • MySQL存储历史数据： 所有原始数据都会持久化到MySQL，用于后续的历史趋势分析。
3. 数据清理与索引优化：
   • 定时清理： 考虑到大部分历史数据（尤其是正常的）价值会随时间递减，我们设置了一个定时任务，定期清理半个月之前的正常数据，有效控制了数据库的体量。
   • 添加索引： 针对家属查询历史数据的场景，我们在MySQL的数据表上为常用的查询字段（如设备ID、时间戳）创建了索引，显著提升了查询效率。

这套方案在保证数据完整性和查询性能的同时，也保证了家属端的流畅体验。

---

第三部分：实用的智能报警机制

业务需求： 当设备上报的数据异常（如心率过高）时，系统需要通知护理员。但为了避免因数据抖动导致频繁报警（“狼来了”效应），我们需要一种更智能的处理方式。

实现方案（基于Redis）：
我们的报警机制主要依赖Redis的两个特性：计数器和带过期时间的Key。

1. 沉默期检查： 每次收到设备数据，首先检查Redis中是否存在该设备的“沉默Key”。如果存在，说明该设备正处于沉默期，直接丢弃本次数据，不再进行后续判断。
2. 异常计数： 如果不在沉默期，则根据预设的报警规则判断数据是否异常。若异常，则对该设备的异常计数器执行 INCR 操作。
3. 阈值触发与沉默： 当计数器的值达到设定的阈值（例如连续3次异常），系统会触发报警（通过WebSocket实时推送给护理员），并同时在Redis中为该设备设置一个带过期时间（例如5分钟）的“沉默Key”。

具体实现逻辑：
当接收到一条设备数据时，系统首先检查该设备是否存在“沉默Key”。如果存在，则直接丢弃，不再进行任何处理。如果不存在，则根据报警规则判断数据是否异常。若异常，则对计数器执行 INCR，并检查计数值是否达到阈值。一旦达到，立刻触发报警，并同时设置一个带过期时间的“沉默Key”。

效果：这个设计简单有效，既能及时发现持续性的异常情况，又能有效过滤掉瞬时的、无意义的数据波动。

---

第四部分：AI辅助健康评估

功能介绍： 老人入住前需提供一份PDF格式的体检报告。传统方式下，工作人员需要花费大量时间阅读报告并做出评估。为此，我们引入了AI来辅助这项工作。

技术实现：

• 大模型选型： 经过调研，我们最终选择了百度千帆大模型（ERNIE Bot 4.0），主要因为它在中文理解和医疗领域有较好的表现，并提供了易用的SDK。
• Prompt工程： 我们最初尝试让大模型直接读取OSS上的PDF链接，但发现其内容提取不完整。后来改为先用工具将PDF解析为纯文本，再将文本拼接到Prompt中发送给大模型。虽然这种方式增加了Token消耗（单次评估成本约1元），但换来了更高的分析准确度。
• 输出结构化： 我们在Prompt中明确要求大模型以JSON格式输出结果，包含“健康评分”、“异常项解读”和“护理建议”三个部分，方便前端直接展示。

这个功能极大地减轻了工作人员的负担，让他们能更快地了解老人的健康状况，并结合自身经验做出更精准的护理等级判定。

---

第五部分：总结与展望

通过这个项目的学习，我深刻体会到，一个优秀的系统不仅仅是代码的堆砌，更是对业务逻辑的深度理解。从若依框架的快速搭建，到利用Redis和MQ解决高并发问题，再到引入AI大模型处理非结构化数据，每一个环节都让我成长了许多。

此外，这个项目还有很多可以优化的地方，比如未来可以考虑将单体架构拆分为微服务，以应对更大的业务规模。