前言

作为一个开发者，我们写博客不仅仅是为了记录，更是为了成长。但如果能有一个系统，帮你自动分析每一篇文章的技术难度、情感倾向，对你的全部博客做全局画像，甚至为你推荐个性化的进阶学习路线——这样的博客系统是不是很酷？

这就是 Blog AI System——一个面向个人开发者的智能博客管理与 AI 分析平台。

---

一、项目概览

Blog AI System 是一个全栈博客系统，核心定位是博客写作 + AI 智能分析。它不仅能帮你完成博客的 CRUD 管理和数据统计，更重要的是接入了 Dify AI 平台，提供三种维度的 AI 分析能力：

分析类型	功能描述
单篇博客分析	对指定文章进行智能分析，输出摘要、关键词、难度等级、技术分类
全局综合分析	对用户全部博客做整体画像：主题聚类、写作风格总结
学习路线推荐	基于用户博客历史，生成个性化进阶学习路线（含阶段划分、技能建议、外部资源推荐）

---

二、技术架构

2.1 技术栈一览

层级	技术选型	说明
后端框架	FastAPI (Python 3.12+)	异步高性能 Web 框架，自动生成 OpenAPI 文档
ORM	SQLAlchemy 2.0	异步模式，声明式模型定义
数据库	MySQL	通过 aiomysql 异步驱动连接
数据校验	Pydantic v2	请求/响应模型的类型校验与序列化
认证	JWT + bcrypt	无状态 Bearer Token 认证，密码 bcrypt 哈希
AI 能力	Dify API	对接 Dify 平台的对话/工作流能力
HTTP 客户端	httpx	异步 HTTP 请求，用于调用 Dify API
前端	Jinja2 + 原生 JS	SPA 风格的模板渲染，纯原生无框架

2.2 项目架构分层

项目采用经典的分层架构，职责清晰：

app/
├── main.py              # FastAPI 入口，挂载静态文件 & 模板路由
├── api/v1/              # 路由层：auth、blogs、users、statistics、ai_analysis
├── services/            # 业务逻辑层：认证、AI分析、用户服务
├── crud/                # 数据访问层：user、blog、ai_analysis
├── models/              # ORM 模型层：users、blogs、ai_analysis
├── schemas/             # Pydantic 请求/响应模型
├── core/                # 基础设施：config、database、security、middleware
├── deps/                # 依赖注入：JWT → 当前用户
├── utils/               # 工具/外部集成：Dify 客户端封装
└── common/              # 通用模块：日志、响应格式、异常

2.3 数据库设计

五张核心业务表：

• t_user：用户表，bcrypt 哈希存储密码
• t_blog：博客表，支持 Markdown 内容 + draft/published 状态
• t_blog_analysis：单篇分析结果，与博客 1:1 关联，级联删除
• t_global_analysis：全局分析结果，按用户维度存储主题聚类和综合总结
• t_learning_path：学习路线推荐，包含阶段划分和外部资源推荐

---

三、核心功能详解

3.1 JWT 认证体系

系统实现了完整的无状态认证链路：

1. 注册：用户名 + 密码 → bcrypt 哈希 → 存入数据库
2. 登录：验证密码 → 签发 JWT（默认 1440 分钟有效）→ 返回 access_token
3. 鉴权：OAuth2PasswordBearer 从请求头提取 Token → decode_access_token → get_current_user 依赖注入

# 权限校验示例（crud/blog.py）
async def delete_blog(db: AsyncSession, blog_id: int, user_id: int):
    blog = await get_blog(db, blog_id)
    if blog.user_id != user_id:
        raise PermissionError("无权操作该博客")
    await db.delete(blog)

所有博客操作都校验所有权（blog.user_id == current_user.id），确保数据隔离。

3.2 AI 分析——系统的灵魂

这是整个项目最出彩的部分。通过封装 Dify 客户端，将 AI 能力无缝集成到博客工作流中。

Dify 客户端封装

在 dify_client.py中，封装了两种调用模式：

• 阻塞模式 (chat_blocking)：等待 AI 完整返回结果
• 流式模式 (chat_stream)：逐 token 返回，适合实时展示

同时，系统配置了三个独立的 Dify 工作流 API Key，分别对应单篇分析、全局分析、学习路线推荐三类场景，做到了职责分离。

单篇博客分析

调用 Dify 工作流，传入博客标题和内容，返回结构化 JSON：

{
    "summary": "200字以内的文章摘要",
    "keywords": "Python, FastAPI, 异步编程, ...",
    "difficulty": "中级",
    "category": "Python后端"
}

全局综合分析

将所有博客列表传给 Dify，进行主题聚类和技术画像：

• topic_clusters：按技术方向聚类（如前端开发、后端开发、AI/机器学习等），最多 5 个聚类
• overall_summary：300 字以内的整体总结，涵盖写作风格、技术栈偏好、成长轨迹

学习路线推荐

基于用户博客中体现的技术栈和兴趣方向，生成 3~5 个阶段的学习路线，并推荐 5~8 个外部学习资源（书籍、文档、课程、开源项目等）。

3.3 数据统计模块

统计模块提供了 6 个维度的数据分析接口：

接口	功能
/statistics/overview	概览面板：总博客数、本月博客数、总字数、今日字数、已发布数、草稿数、平均字数
/statistics/monthly	近 12 个月每月发布数/草稿数/总字数趋势
/statistics/daily_words	近 30 天每日写作字数趋势
/statistics/status_distribution	按状态分组统计篇数/字数，含颜色标签
/statistics/top_blogs	按字数降序排列的 TOP10 博客
/statistics/writing_hours	按小时维度统计写作活跃时段（0-23 点）

这里有一个很巧妙的设计：统计字数时，需要剥离 Markdown 语法字符，只统计纯文本字数。在 statistics.py中的 strip_markdown() 函数，通过正则表达式逐步移除代码块、图片、链接、标题标记、粗体斜体、引用、列表等 Markdown 语法，确保字数统计的准确性。

3.4 前端页面

前端采用 Jinja2 模板 + 原生 JavaScript 的 SPA 风格，共 7 个页面：

页面	路由	功能
登录/注册	/	用户认证入口
仪表盘	/dashboard	概览数据
写博客	/write	Markdown 编辑器
博客列表	/blogs	博客管理列表
AI 分析	/ai-analysis	AI 分析入口页
数据统计	/statistics	可视化统计图表
个人设置	/settings	用户信息修改

---

四、设计亮点

4.1 统一响应格式

通过 success_response 和 error_response 两个工具函数，所有 API 返回统一的 JSON 结构：

{"code": 200, "message": "success", "data": {...}}

这让前端可以统一处理响应，降低了对接成本。

4.2 异步数据库会话管理

通过依赖注入 + try/except 模式管理数据库事务：

async def get_session():
    async with SessionLocal() as session:
        try:
            yield session
            await session.commit()
        except Exception:
            await session.rollback()
            raise

正常流程自动提交，异常时自动回滚，兼顾了简洁性和健壮性。

4.3 Base 基类统一时间字段

在 DeclarativeBase 中定义了 create_time 和 update_time 两个公共字段：

class Base(DeclarativeBase):
    create_time: Mapped[datetime] = mapped_column(DateTime, server_default=func.now())
    update_time: Mapped[datetime] = mapped_column(DateTime, server_default=func.now(), onupdate=func.now())

所有模型继承 Base 即自动拥有这两个字段，避免了重复定义，也保证了数据库层面的时间一致性。

4.4 配置管理

使用 .env 文件 + python-dotenv 管理环境变量，数据库连接串、JWT 密钥、Dify API Key 等敏感信息全部配置化，开发与生产环境隔离。

---

五、总结与展望

Blog AI System 是一个麻雀虽小五脏俱全的项目。它展示了如何用 FastAPI 搭建一个标准的分层架构后端，以及如何将 Dify 这样的 AI 平台能力集成到业务系统中。

项目的几个可扩展方向：

1. Markdown 编辑器增强：引入 CodeMirror 或 Monaco Editor，支持实时预览、图片上传
2. CSDN/掘金一键发布：对接各平台 API，实现博客的多平台分发
3. AI 分析缓存优化：对分析结果做缓存，避免重复调用 Dify API（节省 Token）
4. 知识图谱：基于全局分析的主题聚类，构建用户的知识体系图谱
5. Docker 化部署：编写 Dockerfile + docker-compose，实现一键部署

如果你也在用 FastAPI 做个人项目，或者想体验 AI + 博客的化学反应，这个项目的架构思路和代码实现值得参考。