项目名称：基于AI大模型 的智能考研社区

撰写日期：2026年5月6日

本周主要实现了部分错题功能的接口，包括做题记录、获取每日推题、标签管理等，完成了RabbitMQ 消息队列的异步通信链路联调，引入Mock服务，重点处理了 AI 图片分析功能中的异步等待难题。

一、实现部分TODO接口

1. 做题（ /topic/doTopic ）

TopicDoDTO 中的 correctFlag 是 Integer 类型，Service 层需要的是：boolean 类型，故转换逻辑：1 → true，0 → false

（节选代码）

测试结果为：

2. 获取每日推题接口 (/topic/getDailyTopic)

这个接口的功能是，根据当前用户ID，从 topic_daily 表中查询今日推荐题目。每天自动更新推荐题目。

题目来源有两种：

type=0：从用户自己的错题本中挑选（薄弱知识点优先）

type=1：AI 生成的新题目

（1）getDailyCount() 方法：
从 topic_daily_count 表查询用户设置的推题数量，如果没有设置，返回默认值 10。优点是用户可以根据自己情况调整每日练习量

（2）refreshDailyTopics() 方法：
清空旧的推荐题目，重新生成新的推荐，作用是可以配合定时任务，每天凌晨自动刷新

（3）getTodayDailyTopics() 方法：

查询今日推荐题目，如果为空，自动触发刷新。

测试结果：

3. 标签管理（ /label/list ,  /label/add ,  /label/delete）

标签是错题分类的核心，用户可以通过标签快速筛选题目，支持按知识点、科目、难度等多维度分类。

type=0：错题标签（用于题目标记），这里强制设置为 0，因为这是错题本模块。

type=1：帖子标签（用于社区帖子分类）

此外，每个用户有自己的标签体系，用户 A 的"高等数学"标签和用户 B 的"高等数学"标签是不同的，通过 userId 实现标签隔离。

@Data
@Schema(description = "题目标签绑定参数")
public class TopicLabelDTO {

    @Schema(description = "题目ID")
    private Long topicId;

    @Schema(description = "标签名称列表")
    private List<String> labelNames;
}

获取标签列表：

    @Operation(summary = "获取标签列表")
    @PostMapping("/list")
    public Result<List<Label>> list() {
        log.info("获取标签列表");
        List<Label> labels = labelService.getUserLabels(); //增_0430
        return Result.success(labels);  //新增返回数据_0508
    }

添加标签：

    @Operation(summary = "添加标签")
    @PostMapping("/add")
    public Result add(@RequestBody Label label) {
        log.info("添加标签: {}", label);
        // 参数校验
        if (label.getContent() == null || label.getContent().trim().isEmpty()) {
            return Result.error("标签名称不能为空");
        }

        // 设置标签类型为错题标签（type=0）
        label.setType(0);

        // 设置当前用户ID（从登录上下文获取）
        Long userId = BaseContext.getCurrentId();
        label.setUserId(userId);

        // 保存标签
        labelService.save(label);

        log.info("标签添加成功 - LabelId: {}, UserId: {}, Content: {}",
                label.getId(), userId, label.getContent());

        return Result.success();
        
    }

删除标签：

    @Operation(summary = "删除标签")
    @PostMapping("/delete")
    public Result delete(@RequestBody Long labelId) {
        log.info("删除标签: {}", labelId);
        labelService.deleteLabel(labelId);
        return Result.success();
    }

二、RabbitMQ 消息队列的架构搭建

1. 核心设计思路

消息队列的核心作用是“解耦”与“异步”。考虑到 AI 模型分析题目需要数秒时间，直接通过 HTTP 同步等待会导致连接超时。因此，设计了基于 RabbitMQ 的异步流程： Java 后端将图片 URL 发送到 picture-queue 后立即返回请求 ID，同时挂起等待；Python AI（或 Mock）处理完成后，将结果发往 ai-result-queue，Java 后端接收到结果后唤醒请求并返回给前端。

2. 队列配置与路由键分离

在 RabbitMQConfig.java 中，严格区分了“队列名称”与“路由键”，遵循了 Spring AMQP 的最佳实践。

public static final String PICTURE_QUEUE = "picture-queue"; // 队列实体
public static final String PICTURE_ROUTING_KEY = "picture-routing-key"; // 路由键

@Bean
public Binding pictureBinding(Queue pictureQueue, DirectExchange directExchange) {
    // 将队列通过路由键绑定到交换机，确保消息能准确投递
    return BindingBuilder.bind(pictureQueue).to(directExchange).with(PICTURE_ROUTING_KEY);
}

3.消费者服务设计

新建了 RabbitMQConsumerService.java，负责监听 AI 返回的结果队列。为了保证数据不丢失，配置了手动确认模式（Manual Acknowledge）。

@RabbitListener(queues = "ai-result-queue", containerFactory = "rabbitListenerContainerFactory")
public void consumeAIResult(String message, Channel channel, @Header(AmqpHeaders.DELIVERY_TAG) long deliveryTag) {
    try {
        // 解析 JSON 结果
        TopicAnalysePackage result = JSON.parseObject(message, TopicAnalysePackage.class);
        
        // 通知正在等待的请求（通过 requestId 关联）
        aiResultManager.completeRequest(result.getRequestId(), result);
        
        // 手动确认消息，通知 RabbitMQ 该消息已处理完毕
        channel.basicAck(deliveryTag, false);
    } catch (Exception e) {
        // 异常时拒绝消息，防止数据丢失
        channel.basicNack(deliveryTag, false, false);
    }
}

三、AI 异步分析链路的开发与调试

1. CompletableFuture 异步等待机制

在 TopicServiceImpl.uploadAI 中，利用 CompletableFuture 实现了同步阻塞等待异步结果的功能。

发送前：调用 aiResultManager.createPendingRequest(requestId) 创建一个 Future 对象，并将其存入并发 Map 中。

等待中：调用 future.get(30, TimeUnit.SECONDS)，主线程在此阻塞最多 30 秒。

接收后：消费者收到 MQ 消息后，通过 requestId 找到对应的 Future，调用 future.complete(result)，主线程随即被唤醒。

（节选代码段）

2. Mock AI 服务的实现

为了模拟 对接Python 后端的服务，我编写了 MockAIResponder.java 来模拟 AI 行为。

模拟延迟：使用 Thread.sleep(3000) 模拟 AI 思考过程。

构造数据：生成包含题干、解析、错点分析、推荐题目列表的完整 JSON 数据。

result.setQuestionStem("已知函数f(x) = x² + 2x + 1，求f(2)的值");
result.setAnalyseQuestion("这是一道基础的函数求值题，考察二次函数的基本运算能力");
result.setAnalyseWrong("常见错误：代入时符号错误，或者计算顺序混乱");
result.setSuggestLabels(Arrays.asList("函数", "二次函数", "代数运算", "求值"));

TopicVO recommendTopic1 = TopicVO.builder()
        .id(1001L)
        .title("二次函数求值练习1")
        .questionStem("求g(x) = 2x² - 3x + 1在x=3时的值")
        .answer("g(3) = 2×9 - 3×3 + 1 = 18 - 9 + 1 = 10")
        .createTime(LocalDateTime.now())
        .build();

回传消息：将构造好的结果发送到 ai-result-queue，触发消费者的逻辑。

String jsonMessage = JSON.toJSONString(result);
rabbitTemplate.convertAndSend(
      RabbitMQConfig.EXCHANGE_NAME,
      "ai-result-routing-key",
      jsonMessage
);

3. 关键问题解决

在开发过程中遇到了两个核心阻碍，并逐一攻克：

问题一：FastJSON 反序列化报错

原因：TopicVO 使用了 Lombok 的 @Builder 注解，导致没有无参构造函数，FastJSON 无法实例化对象。
解决：为 TopicVO 补充了 @NoArgsConstructor 注解。

问题二：消息发送成功但消费者无响应（超时）

现象：日志显示消息已发送，但 30 秒后报 TimeoutException。

解决：取消消费者的 @RabbitListener 注释并修正路由键为 picture-routing-key，确保消费者能收到消息。

四、Swagger测试

启动项目后端，在Swagger测试界面中正常注册、登录。

找到 /topic/uploadAI 测试接口，输入模拟url，进行测试：

测试成功，异步通讯正常。

五、总结

本周完成了异步通信架构的进一步搭建，并进行了RabbitMQ 消息队列的异步通信链路联调，重点处理了 AI 图片分析功能中的异步等待难题。通过引入Mock服务，成功打通了从“前端上传 -> 消息队列 -> 模拟 AI 处理 -> 返回结果”的完整流程。同时，修复了消息路由键匹配错误、JSON 反序列化失败等问题，为后续与 AI 模块进行联调打下基础。

在基础设施方面，搭建并完善了 RabbitMQ 的生产者、消费者、交换机绑定配置，解决了路由键匹配和 JSON 序列化等关键技术难题。 在业务逻辑方面，通过 CompletableFuture 解决了 HTTP 请求与异步消息处理之间的同步问题，保证了前端用户体验（无需轮询即可获取结果）。 同时，通过编写Mock 服务，将后端开发和其他模块的开发隔离开，加快了项目总体并行推进的进度。

下一步开发计划：

真实联调：获取远程 RabbitMQ 地址，与 Python AI 团队进行真实接口对接。

数据落库：实现 /topic/save-analysis 接口，将 AI 分析后的题目详情、标签和推荐题一键保存到错题本数据库中。

优化体验：增加 WebSocket 实时推送功能，让用户在前端无感知的情况下收到 AI 分析结果。